CMAC sinir ağı öğrenme yöntemi kullanılarak yeni melez GSA ve PSO optimizasyon algoritmalarının geliştirilmesi ve başarım analizi

Abstract

Son zamanlarda karmaşık ve zorlu problemlerin çözümünde kullanılmak üzere geliştirilmiş metasezgisel algoritmaların sayısı oldukça fazladır. Bu algoritmaların birçoğu, doğal olayların, sistemlerin veya canlı türlerinin davranışlarından ilham alarak mühendislik problemleri için en iyi çözümü bulmayı amaçlamaktadır. Yeni algoritmaların bazıları en iyi çözüm arayışında, iki veya daha fazla algoritmanın veya metotların hibritleştirilmesi ile meydana gelmektedir. Bu tez çalışmasında, karmaşık ve zorlu mühendislik problemlerin çözümünde etkili ve verimli sonuçlar elde etmek için iki yeni algoritma geliştirilmiştir. Bunlardan birincisi, Newton'un evrensel çekim yasasına dayanarak geliştirilen Yerçekimsel Arama Algoritması (GSA) ile bir yapay sinir ağı yöntemi olan Serebellar Model Eklem/Artikülasyon Denetleyicisinin (CMAC) hibritleştirilmesine dayanan algoritmadır. İkincisi ise, kuş ve balık sürülerinin hayvan toplulukları içerisinde yiyecek bulma davranışlarından esinlenerek sunulmuş Parçacık Sürü Optimizasyonu (PSO) algoritması ile CMAC yapay sinir ağıyla hibritleştirilmesine dayanan algoritmadır. Geliştirilen GSA ve PSO algoritmaların varyantları sırasıyla CMACGSA ve CMACPSO olarak adlandırılmıştır. Önerilen CMACGSA algoritmasında GSA’daki parçacıkların / ajanların kütlesini hesaplamak için farklı bir öğrenme prosedürü kullanılmaktadır. CMAC sinir ağı, GSA parçacıklarının / ajanlarının kütlelerini hesaplamak için klasik GSA’ya entegre edilmiştir. Klasik GSA’da ajanlar başlangıçta rastgele olarak konumlandırılırken CMACGSA’da CMAC’in başlangıçta giriş değerlerini kuantalama işlemi CMACGSA’nın başlangıç kriteri olarak uygulanmıştır. Ek olarak, CMACGSA algoritmasına literatürde var olan üç farklı mekanizma eklenerek iyileştirmeler yapılmıştır. Bu mekanizmalardan ilki, yerel minimuma takılmasını önlemek için popüler yöntemlerden biri olan Lévy mutasyonu, ikinci mekanizma ise, yineleme sırasında arama sınırlarının aşılmasını önlemek için sınır kontrol yöntemidir. Sonuncusu, yineleme sırasında belirli sayıda iyileşme olmazsa, ajanların konumlarını rastgele yeniden belirleyen hata (sayaç) işleme mekanizmasıdır. Geliştirilen diğer algoritma olan CMACPSO’da ise, klasik PSO algoritmasındaki hız güncelleme mekanizmasında bulunan iki rastgele değişken yerine, dinamik öğrenme yeteneğine sahip değişkenler kullanılmıştır. Ayrıca algoritmanın başlangıç adımında CMAC’in kuantalama işlemi uygulanmış ve sınır kontrol mekanizması eklenmiştir. CMACGSA ve CMACPSO algoritmalarının performanslarını değerlendirmek ve klasik GSA ve PSO algoritmalarına göre üstünlüğünü incelemek için, standartlaştırılmış 2014 Evrimsel Hesaplama Kongresi tarafından sunulan CEC 2014 test paketi kullanılmıştır. Tezin deneysel analiz kısmında CEC 2014 test paketinden seçilen farklı türde toplam dört fonksiyon için iki boyutta (2D) sonuçlar elde edilmiştir. Ayrıca ek olarak, CEC 2014 test paketi için farklı boyutlarda (10D, 30D, 50D) da elde edilen sonuçlar değerlendirilmiştir. Elde edilen sonuçlar, klasik GSA ve PSO algoritmaları ile kıyaslanmıştır. Ayrıca, 30D’de elde edilen sonuçlar en güncel yöntemler (SOTA) ve önceki çalışmalarda bildirilen GSA ve PSO varyantları ile karşılaştırılmıştır. Karşılaştırma sonuçlarına göre, CMACGSA ve CMACPSO, geliştirilen öğrenme yeteneklerinden dolayı üstün performans sergilemişlerdir. Son olarak, CMACGSA ve CMACPSO’nun kapsamını ve gerçek dünya problemlerindeki uygulanabilirliğini incelemek amacıyla, bu algoritmalar farklı türde mühendislik problemleriyle test edilmiştir. Bu problemler; kaynaklı kiriş problemi, basınçlı kap tasarımı ve üç çubuklu makas tasarımı problemleridir. Bu problemlerin çözümü, mevcut algoritmalar ile karşılaştırılmış ve sonuç olarak, CMACGSA ve CMACPSO algoritmalarının mevcut bazı algoritmaların gerisinde kaldığı, klasik GSA ve PSO algoritmalarına göre ise daha başarılı performans gösterdiği görülmüştür.Recently, a number number of metaheuristic algorithms have been developed to solve complex and challenging problems. Many of these algorithms aim to find the best solution for engineering problems inspired by the behavior of natural phenomena, systems or species. Some of these new algorithms are hybrids of two or more algorithms or methods used to find the best solution. This thesis presents two new algorithms developed to efficiently and effectively solve complex and challenging engineering problems. The first algorithm is based on the combination of the Gravitational Search Algorithm (GSA), which is based on Newton's law of universal gravitation, and the Cerebellar Model Articulation Controller (CMAC), which is an artificial neural network method. The second is based on the combination of the Particle Swarm Optimization (PSO) algorithm, which is inspired by the foraging behavior of flocks of birds and schools of fish, and the CMAC neural network. The variants of the GSA and PSO algorithms developed are named CMACGSA and CMACPSO, respectively. The CMACGSA algorithm uses a different learning procedure to calculate the masses of the GSA's particles/agents. The CMAC neural network is integrated into the classical GSA to calculate the masses of the GSA's particles/agents. In the classical GSA, the agents are randomly positioned initially, whereas in the CMACGSA, the initialization process of the CMAC, which quantizes the input values, is applied as the initial criterion. Additionally, the CMACGSA algorithm is improved by incorporating three mechanisms from the literature. The first is the Lévy mutation, a popular method for avoiding local minima. The second is the bounds-checking method, which prevents exceeding the search bounds during iteration. The third is an error (counter) handling mechanism that randomly re-determines the positions of the agents if a certain number of improvements do not occur during iteration. In another developed algorithm, CMACPSO, variables with dynamic learning capability are used instead of the two random variables in the rate update mechanism of the classical PSO algorithm. Additionally, CMAC's quantization process is applied in the initialization step of the algorithm, and a boundary control mechanism is added. To evaluate the performance of the CMACGSA and CMACPSO algorithms and examine their superiority over the classical GSA and PSO algorithms, the CEC 2014 standardized test suite, presented at the 2014 Congress on Evolutionary Computing, was used. The experimental analysis section of the thesis presents two-dimensional (2D) results for four different types of functions selected from the CEC 2014 test suite. Additionally, the results obtained in different dimensions (10D, 30D, and 50D) are evaluated. These results are then compared with those of the classical GSA and PSO algorithms. Additionally, the 30D results are compared with state-of-the-art (SOTA) methods and GSA and PSO variants reported in previous studies. The comparison results show that CMACGSA and CMACPSO have superior performance due to their improved learning capabilities. Finally, to examine the scope and applicability of CMACGSA and CMACPSO to real-world problems, these algorithms were tested on different types of engineering problems. These problems include the welded beam problem, pressure vessel design, and three-bar truss design. The solutions to these problems are compared with those of existing algorithms, and the results show that the CMACGSA and CMACPSO algorithms outperform some existing algorithms, as well as the classical GSA and PSO algorithms.