An Operant Condıtıonıng Approach For Large Scale Socıal Optımızatıon Algorıthms

Basit Öğe Kaydı
dc.authorid0000-0002-7097-2521en_US
dc.authorid0000-0002-5611-2322en_US
dc.contributor.authorÇeltek, Seyit Alperen
dc.contributor.authorDurdu, Akif
dc.date.accessioned2021-02-04T11:39:28Z
dc.date.available2021-02-04T11:39:28Z
dc.date.issued2020en_US
dc.departmentSelçuk Üniversitesien_US
dc.description.abstractThe changes that positive or negative results cause in an individual's behavior are called Operant Conditioning. This paper introduces an operant conditioning approach (OCA) for large scale swarm optimization models. The proposed approach has been applied to social learning particle swarm optimization (SL-PSO), a variant of the PSO algorithm. In SL-PSO, the swarm particles are sorted according to the objective function and all particles are updated with learning from the others. In this study, each particle's learning rate is determined by the mathematical functions that are inspired by the operant conditioning. The proposed approach adjusts the learning rate for each particle. By using the learning rate, a particle close to the optimum solution is aimed to learn less. Thanks to the learning rate, a particle is prevented from being affected by particles close to the optimum point and particles far from the optimum point at the same rate. The proposed OCA-SL-PSO is compared with SL- PSO and pure PSO on CEC 13 functions. Also, the proposed OCA-SL-PSO is tested for large-scale optimization (100-D, 500-D, and 1000-D) benchmark functions. This paper has a novel contribution which is the usage of OCA on Social Optimization Algorithms. The results clearly indicate that the OCA is increasing the results of large-scale SL-PSO.en_US
dc.description.abstractOlumlu veya olumsuz sonuçların bir bireyin davranışında neden olduğu değişikliklere Edimsel Koşullandırma denir. Bu makale, büyük ölçekli sürü optimizasyon modelleri için bir edimsel koşullandırma yaklaşımı (OCA) sunar. Önerilen yaklaşım, PSO algoritmasının bir varyantı olan sosyal öğrenme parçacık sürüsü optimizasyonuna (SL-PSO) uygulanmıştır. SL-PSO'da sürü parçacıkları amaç işlevine göre sıralanır ve tüm parçacıklar diğerlerinden öğrenilerek güncellenir. Bu çalışmada, her parçacığın öğrenme hızı, edimsel koşullanmadan esinlenen matematiksel fonksiyonlar tarafından belirlenir. Önerilen yaklaşım, her parçacık için öğrenme oranını ayarlar. Öğrenme oranını kullanarak, optimum çözüme yakın bir parçacığın daha az öğrenmesi amaçlanmaktır. Öğrenme oranı sayesinde bir parçacığın çözüme yakın partikül ile çözüme uzak partiküllerden aynı oranda etkilenmesinin önüne geçilmektedir. Önerilen OCA-SL-PSO, CEC 13 işlevlerinde SL-PSO ve saf PSO ile karşılaştırılır. Ayrıca, önerilen OCA-SL-PSO, büyük ölçekli optimizasyon (100-D, 500-D ve 1000-D) karşılaştırma işlevleri için test edilmiştir. Bu yazının, Sosyal Optimizasyon Algoritmalarında OCA'nın kullanımı olan yeni bir katkısı vardır. Sonuçlar açıkça OCA'nın büyük ölçekli SL-PSO sonuçlarını artırdığını göstermektedir.en_US
dc.identifier.citationÇeltek, S., Durdu, A. (2020), An Operant Condıtıonıng Approach For Large Scale Socıal Optımızatıon Algorıthms. Konya Mühendislik Bilimleri Dergisi. 8, 38-45.en_US
dc.identifier.endpage45en_US
dc.identifier.issn2147-9364en_US
dc.identifier.issueözelen_US
dc.identifier.startpage38en_US
dc.identifier.urihttps://hdl.handle.net/20.500.12395/41246
dc.identifier.volume8en_US
dc.language.isoenen_US
dc.publisherSelçuk Üniversitesi Mühendislik Fakültesien_US
dc.relation.ispartofSelçuk Üniversitesi Mühendislik, Bilim ve Teknoloji Dergisien_US
dc.relation.publicationcategoryMakale - Ulusal - Editör Denetimli Dergien_US
dc.rightsinfo:eu-repo/semantics/openAccessen_US
dc.selcuk20240510_oaigen_US
dc.subjectOperant Conditioningen_US
dc.subjectLarge Scale Optimizationen_US
dc.subjectOperant Conditioning Approachen_US
dc.subjectSwarm Optimization Algorithmen_US
dc.subjectSocial Learning Based Optimizationen_US
dc.subjectEdimsel Koşullandırmaen_US
dc.subjectBüyük Ölçekli Optimizasyonen_US
dc.subjectEdimsel Koşullandırma Yaklaşımıen_US
dc.subjectSürü Optimizasyon Algoritmasıen_US
dc.subjectSosyal Öğrenmeen_US
dc.titleAn Operant Condıtıonıng Approach For Large Scale Socıal Optımızatıon Algorıthmsen_US
dc.title.alternativeBüyük Ölçekli Sosyal Optimizasyon Algoritmaları İçin Edimsel Koşullandırma Yaklaşımıen_US
dc.typeArticleen_US

Dosyalar

Orijinal paket
Listeleniyor 1 - 1 / 1
Küçük Resim
İsim:
5.Seyit Alperen ÇELTEK.pdf
Boyut:
631.03 KB
Biçim:
Adobe Portable Document Format
Açıklama:
Makale Dosyası
İndir
Lisans paketi
Listeleniyor 1 - 1 / 1
Küçük Resim Yok
İsim:
license.txt
Boyut:
1.44 KB
Biçim:
Item-specific license agreed upon to submission
Açıklama:
İndir

Koleksiyon

Dergi Yayın Koleksiyonu