Gri Kurt optimizasyonu ve Krill sürü optimizasyon algoritmasýnýn performans analizi ve karþýlaþtýrmasý

Sürü davranýþý, ayný yönde göç eden ve birlikte avlanan benzer büyüklükteki bir grup hayvan olarak tanýmlanmaktadýr. Gri kurtlar, genellikle sürüler halinde yaþamaktadýrlar. Sürüdeki her gri kurdun ayrý bir görevi ve görevine göre aldýðý farklý bir ismi bulunmaktadýr. Diðer yandan Kril sürüleri, ekosistemin temelini oluþmaktadýr. Kril sürüsünün hareketi iki sebebi bulunmaktadýr. Birinci sebep, diðer canlýlar için sürüler halinde yaþayan Kril’in avlanmasý ve yakalanmasýnýn zor olmasýdýr. Diðer sebebi ise, Kril sürüleri avlarýný sürü hareketiyle kolayca yakalayabilmektedir. Gri Kurt Optimizasyonu (GWO) gri kurt sürü davranýþýndan ilham alýnýrken, Kril Sürü Optimizasyonu (KHO) Kril sürü davranýþýndan esinlenmiþtir.
Bu çalýþmada GWO ve KHO algoritmalarý detaylý bir þekilde incelenmiþ ve yeterli bir baþarýya sahip olup olmadýklarýna karar verilmiþtir. GWO ve KHO algoritmalarýnýn sürü tabanlý olmasý, iki algoritmanýn ortak bir özeliði olarak kabul edilmektedir. Ayrýca, GWO ve KHO performans analizinin yaný sýra 23 tek modlu, çok modlu ve sabit boyutlu çok modlu kýyaslama optimizasyon testleri ile karþýlaþtýrýlmýþtýr. Algoritmalarýn baþarýsý, çeþitli boyutlarda ({10, 20, 30, 50, 100, 500}) çalýþtýrýlarak gösterilmiþtir. Ýlaveten, GWO ve KHO algoritmalarý Aðaç Tohum Algoritmasý (TSA), Parçacýk Sürü Algoritmasý (PSO), Jaya algoritmasý, Aritmetik Optimizasyon Algoritmasý (AOA), Evrimsel Çiftleþme Algoritmasý (EMA), Ateþ Þahini Optimize edicisi (FHO), Bal Porsuðu Algoritmasý (HBA) algoritmalarýnýn performansý ile de karþýlaþtýrýlmýþtýr. Elde edilen tüm sonuçlar, istatistiksel testler ve þekillerle detaylý olarak gösterilmektedir. Sonuç olarak GWO ve KHO algoritmalarý kendine öz özellikleri ile farklý test problemlerinde üstün baþarý gösterirken, eski ve günümüzde yeni önerilmiþ birçok algoritma ile de yarýþýr düzeydedir. GWO ve KHO algoritmalarýnýn baþarýlarýný tespit etmek için sadece klasik test fonksiyonlarý deðil iki farklý kýyaslama test seti de kullanýlmýþtýr. Bunlar CEC-C06 2019 fonksiyonlarý ve günümüzde güncel bir problem olan büyük veri problemidir. Ayný algoritmalar her iki problem içinde çalýþtýrýlmýþ ve ortalama sonuçlara göre rank deðerleri elde edilmiþtir. CEC-C06 2019 fonksiyonlarýnda KHO iyi sonuçlar elde ederken büyük veri problemlerinde GWO iyi sonuçlar elde etmiþtir. Bu çalýþmada GWO ve KHO algoritmalarýnýn baþarýlarý üç farklý deneysel sette detaylý bir þekilde incelenmiþ ve GWO ve KHO algoritmalarý ile çalýþacak araþtýrmacýlar için ýþýk tutmaktadýr.

Performance analysis and comparison of gray wolf optimization and Krill herd optimization algorithm

Herding behavior is defined as a group of animals of similar size that migrate in the same direction and hunt together. Gray wolves are usually seen in packs. Each gray wolf in the herd has a distinct duty and a distinct name that reflects the task. Krill swarms form the basis of ocean ecology. There are two reasons for the movement of the Krill herd. The first reason is that difficult for other organisms to prey on Krill living in herds. Another reason is that Krill move in large herds and readily grab their prey. Gray Wolf Optimization (GWO) is inspired by gray wolf herding behavior, while Krill Herd Optimization (KHO) is based on krill herding.
In this study, GWO and KHO algorithms are examined in detail and it is decided whether they had sufficient success. The fact that the GWO and KHO algorithms are swarm-based is accepted as a common feature of the two algorithms. However, compared with GWO and KHO analysis, as well as 23 single-mode, multi-modal, and fixed-size multimodal benchmarking optimization tests. In another hand, the success of the algorithms has been demonstrated by running them on various dimensions ({10, 20, 30, 50, 100, 500}). Additionally, the performances of the GWO and KHO are compared with Tree Seed Algorithm (TSA), Particle Swarm Algorithm (PSO), Jaya algorithm, Arithmetic Optimization Algorithm (AOA), Evolutionary Mating Algorithm (EMA), Fire Hawk Optimizer (FHO), Honey Badger Algorithm (HBA) algorithms. Moreover, all of the analyses are obtained in detail, complete with statistical tests and figures. As a result, while GWO and KHO algorithms show superior success in different test problems with their own characteristics, they are at a competitive level with many old and newly proposed algorithms today. In order to determine the success of the GWO and KHO algorithms, not only the classical test functions but also two different benchmark test sets are used. These are the CEC-C06 2019 functions and the big data problem, which is a current problem today. The same algorithms are run for both problems and rank values are obtained according to the average results. In CEC-C06 2019 functions, KHO achieved good results, while in big data problems, GWO achieved good results. In this study, the success of the GWO and KHO algorithms are examined in detail in three different experimental sets and it sheds light on researchers who will work with GWO and KHO algorithms.