Altun, Adem AlpaslanYıldırım, Büşra2025-03-142025-03-142023Yıldırım, B. (2023). Öznitelik seçimi problemleri için karşıtlık tabanlı orman optimizasyonu algoritması. (Yüksek Lisans Tezi). Selçuk Üniversitesi, Fen Bilimleri Enstitüsü, Konya.https://hdl.handle.net/20.500.12395/54598Bu çalışmada popülasyon tabanlı bir meta-sezgisel algoritma olan Orman Optimizasyonu Algoritmasının (FOA) performansını iyileştirebilmek için algoritmaya Karşıtlık Tabanlı Öğrenme (OBL) yöntemi uygulanmıştır. Önerilen algoritma OFOA olarak isimlendirilmiştir. OFOA, ilk popülasyonun başlatılmasında ve iteratif sürecinde OBL yöntemini kullanır. Başlangıç popülasyonunu oluşturulması aşamasında OBL yönteminin kullanılmasıyla popülasyon çeşitliliği artırılarak probleme daha iyi aday çözümlerle başlama olasılığı artırılır. İteratif süreçte kullanım ile bazı iterasyonlarda mevcut popülasyonun uygunluğunu iyileştirmek ve daha iyi arama kabiliyeti ile yerel optimallerden kurtulmak amaçlanmıştır. İlk olarak OFOA algoritmasının performansı çeşitli kıyaslama fonksiyonları üzerinde FOA algoritması ile karşılaştırılarak incelenmiştir. Değerlendirme ölçütü olarak ortalama uygunluk, en iyi uygunluk, en kötü uygunluk, standart sapma ve başarı oranı kullanılmıştır. Yapılan deneysel testlerde OFOA algoritması daha iyi bir performans göstermiştir ve elde edilen sonuçlar OBL yönteminin arama uzayını keşfetme yeteneğini artırdığını böylece yerel minimumlara tuzaklanma eğilimini azalttığını göstermiştir. İkinci olarak ayrık bir optimizasyon problemi olan öznitelik seçiminde performansın incelenebilmesi için İkili Karşıtlık Tabanlı Orman Optimizasyonu Algoritması (B-OFOA) olarak adlandırılan OFOA algoritmasının ikili versiyonu sunulmuştur. B-OFOA algoritmasının performansı farklı ölçeklerdeki veri setleri üzerinde literatürden seçilen üç algoritma ile sınıflandırma doğruluğu ve seçilen öznitelik sayısı açısından karşılaştırılmıştır. Elde edilen öznitelik seçimi sonuçları OBL yönteminin getirilerini destekler niteliktedir. Çalışmada FOA algoritmasına OBL yönteminin entegrasyonu ile algoritmanın arama uzayını keşfetme yeteneğini artırılabileceği tespit edilmiştir. Keşif aşamasının iyileştirilmesiyle OFOA algoritması, orijinal algoritmaya kıyasla daha az yerel optimallere tuzaklanma eğilimi göstermektedir. Bunun yanı sıra daha erken iterasyonlarda arama uzayının umut verici bölgeleri keşfedebilmekte ve optimal çözüme daha hızlı yakınsama sağlayabilmektedir.In this study, Opposition-Based Learning (OBL) method was applied to the algorithm in order to improve the performance of Forest Optimization Algorithm (FOA), which is a population-based meta-heuristic algorithm. The proposed algorithm is called as Opposition-Based Forest Optimization Algorithm (OFOA). OFOA uses the OBL method for initial population and its iterative process. By using the OBL method at the stage of creating the initial population, the population diversity is increased and the probability of starting the problem with better candidate solutions is increased. With the use of the method in the iterative process, it is aimed to improve the fitness of the current population in some iterations and to get rid of local optima with better search capability. Firstly, the performance of OFOA algorithm is examined by comparing it with the FOA algorithm on various benchmark functions. Average fitness, best fitness, worst fitness, standard deviation and success rate were used as evaluation criteria. In the experimental tests, the OFOA algorithm performed better and the results showed that the OBL method increased the ability to explore the search space, thus reducing the tendency to be trapped in local minima. Secondly, a binary version of OFOA algorithm called as Binary Opposition-Based Forest Optimization Algorithm (B-OFOA) is introduced to examine the performance in feature selection, which is a discrete optimization problem. The performance of the B-OFOA algorithm was compared with three algorithms selected from the literature on data sets of different scales in terms of classification accuracy and the number of selected features. The feature selection results obtained support the benefits of the OBL method. In the study, the ability of the algorithm to explore the search space has been increased with the integration of the OBL method into the FOA algorithms. With the improvement of exploration stage, the OFOA algorithm tends to be trapped in less local optima compared to the original algorithm. In addition, in earlier iterations, promising regions of the search space can be discovered and convergence to the optimal solution can be achieved faster.trinfo:eu-repo/semantics/openAccessKarşıtlık Tabanlı ÖğrenmeMeta-sezgisel AlgoritmalarOptimizasyon ProblemleriÖznitelik SeçimiPopülasyon Tabanlı AlgoritmalarSürü ZekasıFeature SelectionMeta-heuristic AlgorithmsOpposition-based LearningOptimization ProblemsPopulation-based AlgorithmsSwarm IntelligenceMaster Thesis794899