Integration strategies of levy flight technique into metaheuristic algorithms: A study on Siberian tiger optimization algorithm

Levy Uçuşu (LF), Levy dağılımı tarafından yönetilen rastgele bir yörüngedir. Bu yörüngenin büyük sıçramaları, optimizasyon teknikleri kullanılarak her olası çözümün aranmasını kolaylaştırır. Bu tez, LF tekniğinin meta-sezgisel algoritmalara entegrasyon stratejilerini araştırmış ve bu tekniklerin optimizasyon algoritmalarının performansı üzerindeki etkisini değerlendirmiştir. Çalışmanın hedefleri, üstün LF entegrasyon yaklaşımlarını keşfetmeye katkıda bulunmak ve mevcut meta-sezgisel algoritmaları geliştirmektir. Sibirya Kaplanı Optimizasyonu (STO) algoritması, Sibirya kaplanlarının avlanma davranışından esinlenmiş, küresel optimizasyon görevleri için başarılı bir meta-sezgisel algoritmadır. STO, birçok optimizasyon probleminde etkinliğini kanıtlamış olsa da, genellikle optimizasyon algoritmalarını etkileyen bazı sorunları ele almakta yetersiz kalabilir. Özellikle, çok boyutlu problemlerle arama alanının yetersiz keşfi yerel optimumlarda sıkışmaya neden olabilir ve bu da alt-optimal çözümlere erken yakınsamaya yol açar. Bu zorluklar, algoritmanın küresel optimumu bulma konusundaki güvenilirliğini ve verimliliğini azaltır. Tez, LF yönteminin küresel keşif yetenekleriyle tanınan özelliklerini, STO algoritmasına rastgele bir yerel arama süreciyle birleştirerek entegrasyonunu önermektedir. Bu tez, Levy Flight tabanlı Sibirya Kaplanı Optimizasyonu (LFSTO) dahil olmak üzere dört LF ile entegre edilmiş hibrit yaklaşımı araştırdı ve bunları entegrasyon stratejilerine göre kategorize etti. İlk yöntem, doğrudan entegrasyon tekniklerine odaklanan LFSTO-direct stratejisidir. Diğer yandan, ikinci ve üçüncü stratejiler sırasıyla LFSTO-randprob ve LFSTO-trial olarak adlandırılmış olup, rastgele değer ve deneme sayısı koşullarına odaklanmaktadır. Dördüncü yöntem olan LFSTO-trap, tuzaklama mekanizmalarına yönelik stratejilere odaklanmaktadır. Dört LFSTO stratejisinin etkinliğini değerlendirmek için, iyi bilinen CEC-2017 test fonksiyonunda kapsamlı deneyler yapıldı ve LFSTO stratejilerinin yakınsama hızı ile çözüm kalitesi analiz edildi. Sonuçlar, LFSTO-randprob stratejisinin 10, 30 ve 50 boyutlu durumlarda standart STO ve diğer üç entegrasyon stratejisinden daha iyi performans gösterdiğini ve sırasıyla ortalama sıralama değerlerinin 2.03, 2.17 ve 2.44 olduğunu göstermektedir. Bununla birlikte, geleneksel STO, ortalama sıralama değerleri sırasıyla 4.68, 4.72 ve 4.00 olan diğer dört LF tabanlı strateji arasında en kötü performansı sergilemiştir. Ayrıca, kapsamlı istatistiksel değerlendirme sonuçların tutarlılığını garanti etmiştir.

Levy Flight (LF) is a random trajectory that is governed by the Levy distribution. Its large hops facilitate the search for every feasible solution using optimization techniques. This thesis inquired about the LF technique's several integration strategies into metaheuristic algorithms and its impact on the performance of optimization algorithms has been assessed. The study's goals are to contribute to discovering superior LF incorporation approaches and enhancing existing metaheuristic algorithms. The Siberian Tiger Optimization (STO) algorithm, inspired by the hunting behavior of Siberian tigers, is a successful metaheuristic algorithm for global optimization tasks. While STO has demonstrated its effectiveness in many optimization problems, it may fall short in addressing some issues that generally affect optimization algorithms. Specifically, insufficient exploration of the search space in multidimensional issues can get stuck in local optima, leading to premature convergence to suboptimal solutions. These challenges decrease the reliability and efficiency of the algorithm in finding the global optimum. The dissertation proposes incorporating the LF method, renowned for its global exploration capabilities, into the STO algorithm in combination with a random local search process. This thesis investigated four LF-integrated hybrid approaches, including Levy Flight-based Siberian Tiger Optimization (LFSTO), and categorized them based on their integration strategies. The first one is the LFSTO-direct strategy, which focuses on direct integration techniques. On the other hand, the second and third strategies are named LFSTO-randprob and LFSTO-trial, respectively, and focus on the random value and trial count condition. The fourth method, called LFSTO-trap, concentrates on strategies for trapping mechanisms. To evaluate the effectiveness of four LFSTO strategies, extensive experiments were conducted on a well-known CEC-2017 test function, as well as the convergence rate of the LFSTO strategies and the quality of the solution were analyzed. The results show that the LFSTO-randprob strategy outperforms the standard STO and the other three integration strategies in the 10, 30, and 50-dimension cases, with mean rank values of 2.03, 2.17, and 2.44, respectively. However, conventional STO demonstrated the worst performance of the other four LF-based strategies by achieving the mean rank value of 4.68, 4.72, and 4.00, respectively. Furthermore, the comprehensive statistical assessment guaranteed consistency of the outcomes.