İkili gri kurt optimizasyon algoritmasının ikili optimizasyon problemlerine uygulanması

Metasezgisel algoritmalar, optimizasyon problemlerinin çözümü için önerilen ve sıklıkla kullanılan yöntemlerdir. Günümüzde birçok zorlu probleme uyarlanmış ve başarıları tespit edilmiştir. Gri Kurt Optimizasyon Algoritması (GWO), yeni nesil metasezgisel yöntemlerden biridir. GWO, avantajlarından dolayı ortaya çıktığı günden bu yana pek çok farklı sorunun çözümü için önerilmiş ve başarısını kanıtlamıştır. Bu tez çalışmasında, ikili optimizasyon problemlerinin çözümü için GWO'nun yeni bir varyantı olan İkili Dinamik Gri Kurt Optimizasyon Algoritması (IDGKO) önerilmiştir. IDGKO'nun diğer ikili GWO yöntemlerinden farkı, sürekli arama uzayını ikili arama uzayına dönüştürmek için XOR lojik-kapı tabanlı operatörü kullanması ve orijinal GWO'daki üç baskın bireyin (alfa, beta ve delta) çözüm kalitesi üzerindeki etkisini belirlemek için geliştirilen dinamik katsayı yöntemine dayalı olmasıdır. IDGKO'nun, ikili optimizasyon problemlerini çözmede yerel arama ile küresel arama arasında bir denge kuran basit, uygulanabilir ve başarılı bir yöntem olması amaçlanmıştır. Önerilen IDGKO'nun başarısını ve doğruluğunu belirlemek için literatürde adından sıkça söz ettiren özellik seçimi (FS) ve NP-Hard problemlerin bir üyesi olan 0-1 sırt çantası problemi (0-1 KP) üzerinde testler gerçekleştirilmiştir. FS, veri madenciliğinde temel ön işleme adımlarından biri olup zorlu ikili optimizasyon problemleri arasında yer almaktadır. FS, performansı ve doğruluğu etkilemeden belirli bir veri kümesinden çok az etkisi olan özellikleri kaldırarak veri kümesini en iyi temsil edebilecek alt kümeyi belirleme işlemidir. 0-1 KP birçok farklı alanda etkin bir role sahip olup temel amacı, yüksek kar ve düşük maliyetle kaynakların verimli bir şekilde kullanılmasıdır. Önerilen yöntemin performansı, ilgili problem için literatüre kazandırılmış yakın tarihli ikili GWO algoritmaları ve farklı metasezgisel yöntemler dahil olmak üzere birçok algoritmanın performansı ile karşılaştırılmıştır. Deneylerde algoritmanın etkinliği ve tutarlığını tespit etmek adına, farklı boyutta ve özellikte birçok veri seti kullanılmıştır. Yapılan kıyaslamalar ve istatistiksel testler sonucunda, önerilen IDGKO'nun amacına uygun olarak etkili ve başarılı bir yöntem olduğu kanıtlanmıştır.

Metaheuristic algorithms are recommended and frequently used methods for solving optimization problems. Today, it has been adapted to many challenging problems and its successes have been identified. Grey Wolf Optimization Algorithm (GWO) is one of the next generation metaheuristic methods. Due to its advantages, GWO has been proposed for the solution of many different problems since the day it emerged and has proven its success. In this thesis, a new variant of GWO, Binary Dynamic Grey Wolf Optimization Algorithm (IDGKO), is proposed for the solution of binary optimization problems. The difference of IDGKO from other binary GWO methods is that it uses the XOR logic-gate-based operator to convert the continuous search space to binary search space and is based on the dynamic coefficient method developed to determine the effect of the three dominant individuals (alpha, beta and delta) in the original GWO on the solution quality. that is. IDGKO is intended to be a simple, feasible and successful method that strikes a balance between local search and global search in solving binary optimization problems. In order to determine the success and accuracy of the proposed IDGKO, tests were carried out on the 0-1 backpack problem (0-1 KP), which is a member of the feature selection (FS) and NP-Hard problems, which are frequently mentioned in the literature. FS is one of the basic preprocessing steps in data mining and is among the difficult binary optimization problems. FS is the process of determining the subset that can best represent the dataset by removing features that have little impact from a given dataset without affecting performance and accuracy. 0-1 KP has an active role in many different areas and its main purpose is to use resources efficiently with high profit and low cost. The performance of the proposed method has been compared with the performance of many algorithms, including recent binary GWO algorithms and different metaheuristic methods for the related problem. In the experiments, many data sets of different sizes and features were used to determine the efficiency and consistency of the algorithm. As a result of the comparisons and statistical tests, the proposed IDGKO has proven to be an effective and successful method in line with its purpose.