Yeni önerilmiþ ikili fare sürüsü algoritmasý

Son zamanlarda araþtýrmacýlar, basit yapýsý, yüksek optimizasyon performansý ve adaptasyon kolaylýðý nedeniyle optimizasyonda sürü tabanlý algoritmalara ilgi duymaya baþlamýþlardýr. Sürü tabanlý algoritmalar, her ne kadar sürekli optimizasyon problemlerini çözmek için kullanýlsalar da ikili optimizasyon problemlerini çözmek için de kullanýlabilirler. Sürekli optimizasyonda arama uzayý deðiþkenleri optimal deðere yaklaþmaya çalýþýrken, ayrýk optimizasyonda arama uzayý deðiþkenleri sabittir ve gerçek deðerlerle ifade edilir. Ýkili optimizasyon ise, karar deðiþkenleri 0 ve 1 deðerleri alýr ve temel olarak ayrýk optimizasyon sýnýfýnda yer alýr. Bu makalede sürekli optimizasyon problemlerini çözmek için önerilmiþ Fare Sürüsü Algoritmasý (FSA) incelenmiþtir. FSA, sürü zekasýna dayalý bir algoritmadýr. Farelerin kovalama ve saldýrma davranýþlarý taklit edilerek FSA geliþtirilmiþtir. Bu çalýþmada, orijinal FSA, ikili optimizasyon problemlerini çözmek için tekrar güncellenmiþtir ve Ýkili FSA (BinFSA) önerilmiþtir. BinFSA’da sürekli arama alaný deðerlerini ikili deðerlere dönüþtürürken dört adet U ve dört adet T þekilli transfer iþlevi kullanýlmýþtýr. Böylece BinFSA'nýn sekiz varyantý elde edilmiþtir. Bunlar BinFSA1, BinFSA2, BinFSA3, BinFSA4, BinFSA5, BinFSA6, BinFSA7 ve BinFSA8 þeklinde isimlendirilmiþlerdir. Bu varyantlar içinden BinFSA'nýn en baþarýlý varyantý BinFSA6 olarak belirlenmiþtir. Daha sonra BinFSA6 varyantý, çaprazlama ve mutasyon operatörleri eklenerek geliþtirilmiþtir ve GBinFSA olarak adlandýrýlmýþtýr. GBinFSA’nýn performansý sýrt çantasý problemlerinde test edilmiþtir. Ayrýca GBinFSA'nýn baþarýsý literatürden seçilen farklý sezgisel algoritmalarla da karþýlaþtýrýlmýþtýr. Elde edilen sonuçlara göre önerilen algoritmanýn çözüm kalitesinin etkili ve karþýlaþtýrýlabilir olduðu görülmüþtür. Sonuçlar, GBinFSA'nýn ikili optimizasyon problemleri için tercih edilen bir buluþsal algoritma olduðunu göstermiþtir.

The new suggested binary rat swarm algorithm

Recently, researchers have started to be interested in population-based swarm-based algorithms in optimization due to their simple structure, high optimization performance, and ease of adaptation. Although swarm-based algorithms solve continuous optimization problems, they can also be used to solve binary optimization problems. In continuous optimization, the search space variables try to approach the optimal value, while in discrete optimization, the search space variables are fixed and expressed with real values. In binary optimization, the decision variables take values of 0 and 1 and are basically in the discrete optimization class. In this paper, the proposed Rat Swarm Algorithm (RSA) to solve continuous optimization problems is examined. RSA is an algorithm based on swarm intelligence. RSA was developed by imitating the chasing and attacking behaviors of rats. In this study, the original RSA was updated again to solve binary optimization problems and Binary RSA (BinRSA) was proposed. In BinRSA, four U-shaped and four T-shaped transfer functions are used while converting the continuous search field values to binary values. Thus, eight variants of BinRSA were obtained. These are named as BinRSA1, BinRSA2, BinRSA3, BinRSA4, BinRSA5, BinRSA6, BinRSA7 and BinRSA8. Among these variants, the most successful variant of BinRSA was determined as BinRSA6. Then the BinRSA6 variant was developed by adding crossover and mutation operators and was named GBinRSA. GBinRSA's performance has been tested in knapsack problems. In addition, the success of GBinRSA was compared with different heuristic algorithms selected from the literature. According to the results obtained, it has been seen that the solution quality of the proposed algorithm is effective and comparable. The results showed that GBinRSA is a preferred heuristic for binary optimization problems.