Geliştilmiş tuna algoritmasının optimizasyon ve mühendislik problemlerindeki etkisi

Tuna Sürü Optimizasyonu (TSO), tuna balıklarının avlanma stratejilerinden esinlenerek geliştirilen güçlü bir meta sezgisel algoritmadır. Ancak, erken yakınsama ve yerel minimum tuzağı gibi temel dezavantajları bulunmaktadır. Bu çalışmada, TSO'nun bu eksikliklerini gidermek ve performansını artırmak amacıyla üç yeni algoritma geliştirilmiştir: TSO-CM (Chebyshev Haritası ile geliştirlmiş TSO), CSTSO (Guguk Kuşu Araması ile Geliştirilmiş TSO) ve CSTSO-CM (Chebyshev Haritası ve Guguk Kuşu Araması ile Geliştirilmiş TSO). TSO-CM, Chebyshev Haritası'nın sağladığı kaotik yapı ile başlangıç çözümlerini çeşitlendirerek yerel optimum tuzağından kaçmayı ve arama sürecinde popülasyon çeşitliliğini artırmayı hedeflemektedir. CSTSO, Guguk Kuşu Arama algoritmasının uyarlanabilir arama mekanizması sayesinde erken yakınsama sorununu önleyerek daha geniş bir arama alanını keşfetmeyi sağlamaktadır. CSTSO-CM ise her iki yöntemin güçlü yönlerini birleştirerek küresel optimuma daha hızlı ve yüksek doğrulukla ulaşmayı amaçlamaktadır. Geliştirimiş algoritmaların performansı, çeşitli benchmark fonksiyonları üzerinde test edilmiş ve CSTSO-CM'in üstünlüğü Friedman ve Wilcoxon testi ile istatistiksel olarak kanıtlanmıştır. Ek olarak, mühendislik optimizasyon problemleri üzerinde de değerlendirmeler yapılmıştır: CSTSO, Welded Beam tasarımı problemine uygulanarak etkili sonuçlar elde etmiş, CSTSO-CM ise Gear Train tasarımı probleminde başarılı performans sergilemiştir. Sonuçlar, önerilen algoritmaların arama doğruluğu, çeşitlilik ve küresel optimuma yakınsama açısından mevcut meta sezgisel algoritmalara kıyasla üstün performans sergilediğini ortaya koymaktadır. Bu bağlamda, geliştirilen yöntemlerin optimizasyon problemlerine yenilikçi ve etkili çözümler sunduğu gösterilmiştir.

Tuna Swarm Optimization (TSO) is a powerful metaheuristic algorithm inspired by the fishing strategies of tuna fish. However, it has fundamental drawbacks such as premature convergence and local minimum trap. In this study, three new algorithms are developed to overcome these shortcomings of TSO and improve its performance: TSO-CM (TSO with Chebyshev Map), CSTSO (TSO with Cuckoo Search) and CSTSO-CM (TSO with Chebyshev Map and Cuckoo Search). TSO-CM aims to avoid the local optimum trap by diversifying the initial solutions with the chaotic structure provided by the Chebyshev Map and to increase population diversity in the search process. CSTSO avoids the problem of premature convergence thanks to the adaptive search mechanism of the Cuckoo Search algorithm, allowing it to explore a wider search space. CSTSO-CM aims to reach the global optimum faster and with higher accuracy by combining the strengths of both methods. The performance of the developed algorithms is tested on various benchmark functions and the superiority of CSTSO-CM is statistically proven by Friedman and Wilcoxon tests. In addition, evaluations on engineering optimization problems were also performed: CSTSO was applied to the Welded Beam design problem and achieved efficient results, while CSTSO-CM performed well on the Gear Train design problem. The results show that the proposed algorithms outperform existing metaheuristic algorithms in terms of search accuracy, diversity and convergence to the global optimum. In this context, it is shown that the proposed methods offer innovative and effective solutions to optimization problems.