Karınca kolonisi optimizasyonu (ACO) ve parçacık sürü optimizasyonu (PSO) algoritmaları temelli bir hiyerarşik yaklaşım geliştirilmesi
| dc.contributor.advisor | Ülker, Erkan | |
| dc.contributor.author | Eldem, Hüseyin | |
| dc.date.accessioned | 2017-01-10T13:25:10Z | |
| dc.date.available | 2017-01-10T13:25:10Z | |
| dc.date.issued | 2014-06-16 | |
| dc.department | Enstitüler, Fen Bilimleri Enstitüsü, Bilgisayar Mühendisliği Ana Bilim Dalı | en_US |
| dc.description.abstract | Optimizasyon, herhangi bir sistemin olası tüm tasarımları arasından en iyisini bulmaktır. Belirli kısıtları olan bir problemin, sonucunu etkileyen parametre değerlerinin bulunarak, en kârlı sonucun minimum maliyetlerle belirlenmesini hedeflemek, problemin optimize edilmesi anlamını taşır. Optimizasyon problemlerini çözmek için kullanılan teknikler matematiksel ve sezgisel olarak sınıflandırılır. Matematiksel yöntemler, optimum sonucu bulabilseler de özellikle çözüm uzayı büyük olan problemlerin çözümlerinde çok fazla zaman harcamaktadırlar. Sezgisel yöntemler ise çözüm uzayının tümünü ele almadan sezgisel bir şekilde çok kısa sürelerde optimum sonuçlara ya da optimuma çok yakın sonuçlara ulaşabilmektedirler. Sezgisel algoritmalar, tüm tasarımlarda başarılı olmayabilir. Geliştirilen yöntemin her türden problemin çözümünde başarılı olmasını beklemek yerine hangi tür problemlerin çözümlerinde optimum sonuçlar ürettiğini bilerek buna göre sınıflandırılması uygundur. Optimizasyon alanındaki geliştirilen metasezgisel algoritmalardan bazıları doğada yaşayan bazı canlıların yaşamlarını devam ettirebilmek için sergiledikleri hareketlerden yola çıkarak ortaya çıktığı bilinmektedir. Doğal fenomenlerden esinlenen algoritmalardan Karınca Kolonisi Optimizasyonu (Ant Colony Optimization - KKO) özellikle ayrık optimizasyon problemlerin çözümünde, Parçacık Sürü Optimizasyonu (Particle Swarm Optimization - PSO) ise sürekli optimizasyon problemlerin çözümünde başarılı olmuşlardır. Optimizasyon problemlerinin çözümünde keşfedilen yöntemlerin buldukları sonuçları iyileştirmek için bu yöntemler geliştirilmiştir. Ayrıca bu çözüm yöntemlerinin birlikte çalışması ile elde edilen çözümlerin iyileştirilmesi izlenen başka bir yoldur. Bu tez çalışmasında, KKO yönteminin ürettiği sonuçların iyileştirilmesi için, bulduğu çözümleri hiyerarşik bir yapıda, ayrıklaştırılmış PSO yönteminin iyileştirmesi üzerine bu iki yöntemin birlikte çalışabileceği ele alınmıştır. Literatürde optimizasyon problemlerinin çözümünde sıkça kullanılan test fonksiyonlarından Gezgin Satıcı Problemi (Traveling Salesman Problem - GSP ) nin çözümünde, önerilen yöntem kullanılmıştır. Böylelikle hiyerarşik yöntemde uygun başlangıç çözümlerini üreten KKO algoritmasının bulduğu sonuçların PSO tarafından iyileştirilmesi sağlanmıştır. Ayrıca tez kapsamında, bu iki yöntemin hiyerarşik bir yaklaşımla komşuluk operatörleri yardımıyla birlikte çalışmaları test edilerek performans sonuçları verilmiştir. Tez kapsamında KKO ve PSO algoritmalarının yalın (standart) halleri de kullanılarak ürettiği sonuçlar saklanmış olup, önerilen hiyerarşik yaklaşımın, standart KKO ve standart PSO algoritmaları sonuçları ile kıyaslandığında daha iyi sonuçlar elde ettiği görülmüştür. | en_US |
| dc.description.abstract | Optimization is finding the best, in any system among all possible design. It means optimizing problem, aiming most profitable results with minimal cost determination, by finding the parameter values that influence the outcome of a problem with certain limitations. Techniques used to solve optimization problems are classified as mathematical and heuristic. Although mathematical methods may find optimal results, they are spending too much time on problems that especially have big solution space. But heuristic methods achieve optimum results or result that very close to optimum in a very short time in an intuitive way without addressing all of the solution space. Heuristic algorithms may not be successful in all designs. Instead of waiting for the developed methodology to be successful for solution of any kind of problems, with knowing producing optimum results in which type of problems, classification is appropriate according to this. Some of the meta-heuristics algorithms developed in the field of optimization based on movements of some animals living in nature that exhibit to continue their lives. Algorithms inspired from natural phenomena, Ant Colony Optimization (ACO) has been successful particularly in solution of discrete optimization problems, and Particle Swarm Optimization (PSO) in solution of continuous optimization problems. These methods have been developed to improve the results of methods discovered in the solution of optimization problems. Also it is an another way to improve the solutions obtained from solutions of cooperating methods. In this thesis, for improving the results from the ACO method, obtained solution could work together with improving discrete PSO method in a hierarchical structure is covered. The proposed method has been used in the solution of Traveling Salesman Problem (TSP) that used frequently as a function test at the solution of the optimization problem in the literature. Thus, results founded by ACO algorithm that produces the appropriate starting solution in a hierarchical method was improved by PSO. Also withins the scope of the thesis, these two methods tested by working together with the help of neighborhood operators in a hierarchical approach and performance results are given. Within the scope of the thesis, proposed hierarchical approach showed better results than the stored result produced by standard versions of ACO and PSO. | en_US |
| dc.identifier.citation | Eldem, H. (2014). Karınca kolonisi optimizasyonu (ACO) ve parçacık sürü optimizasyonu (PSO) algoritmaları temelli bir hiyerarşik yaklaşım geliştirilmesi. Selçuk Üniversitesi, Yayımlanmış yüksek lisans tezi, Konya. | en_US |
| dc.identifier.uri | https://hdl.handle.net/20.500.12395/3806 | |
| dc.language.iso | tr | en_US |
| dc.publisher | Selçuk Üniversitesi Fen Bilimleri Enstitüsü | en_US |
| dc.relation.publicationcategory | Tez | en_US |
| dc.rights | info:eu-repo/semantics/openAccess | en_US |
| dc.selcuk | 20240510_oaig | en_US |
| dc.subject | Sürü zekası | en_US |
| dc.subject | Parçacık sürü optimizasyonu | en_US |
| dc.subject | Optimizasyon | en_US |
| dc.subject | Metasezgisel yöntemler | en_US |
| dc.subject | Komşuluk operatörleri | en_US |
| dc.subject | Karınca kolonisi optimizasyonu | en_US |
| dc.subject | Gezgin satıcı problemi | en_US |
| dc.subject | Travelling salesman problem | en_US |
| dc.subject | Swarm intelligence | en_US |
| dc.subject | Particle swarm optimization | en_US |
| dc.subject | Optimization | en_US |
| dc.subject | Neighborhood operators | en_US |
| dc.subject | Metaheuristic methods | en_US |
| dc.subject | Ant colony optimization | en_US |
| dc.title | Karınca kolonisi optimizasyonu (ACO) ve parçacık sürü optimizasyonu (PSO) algoritmaları temelli bir hiyerarşik yaklaşım geliştirilmesi | en_US |
| dc.title.alternative | Development of a hierarchical approach based on ant colony optimization (ACO) and particle swarm optimization (PSO) algorithms | en_US |
| dc.type | Master Thesis | en_US |
