Yılan optimizasyonu algoritmasının hibrit ve ikili yaklaşımlarının geliştirilmesi

Bu tez çalışmasında, sürekli ve ayrık optimizasyon problemlerini çözmek amacıyla iki yenilikçi meta-sezgisel algoritma geliştirilmiştir. İlk olarak, Yılan Optimizasyonu algoritmasının keşif yeteneklerini artırmak için Parçacık Sürü Optimizasyonu algoritmasının hız vektörü mekanizması Yılan Optimizasyonu algoritmasına entegre edilerek hibrit SO-PSO yöntemi önerilmiştir. Önerilen yaklaşım ile Yılan Optimizasyonu algoritmasının arama alanını genişletmesi ve ayrılan iterasyonları daha etkili kullanması sağlanmıştır. SO-PSO algoritmasının performansı klasik benchmark problemleri ile değerlendirilmiş, ayrıca kaydırılmış ve döndürülmüş benchmark fonksiyonları ve yedi farklı gerçek dünya mühendislik problemi üzerinde Balina Optimizasyon Algoritması, Parçacık Sürü Optimizasyonu, Gri Kurt Optimizasyonu, Denge Optimizasyonu, Lineer Popülasyon Boyutu Azalmalı Diferansiyel Evrim ve Yılan Optimizasyonu gibi güncel meta-sezgisel algoritmalarla karşılaştırılmıştır. Farklı boyut ve popülasyon değerleriyle gerçekleştirilen testler sonucunda SO-PSO, Friedman sıralamasında diğer algoritmalar arasında en yüksek dereceyi elde etmiştir. Ayrıca Wilcoxon işaretli sıra testine göre, önerilen yöntem kaydırılmış ve döndürülmüş benchmark fonksiyonlarında 0,05 önem derecesine göre %96,42, mühendislik problemlerinde ise %93,65 oranında istatistiksel olarak anlamlı farklılık göstermiştir. İkinci olarak, ayrık optimizasyon problemlerine yönelik SO algoritmasının ikili versiyonu olan BinSO geliştirilmiştir. BinSO algoritması, 0-1 sırt çantası problemleri ve küme birleşimli sırt çantası problemleri üzerinde test edilmiş ve başarılı sonuçlar elde edilmiştir. Algoritmanın ikili arama uzayında etkili keşif ve sömürü dengesi kurarak rekabetçi bir ikili optimizasyon yöntemi olduğu ortaya konmuştur. Deneysel sonuçlar, önerilen hibrit (SOPSO) ve adaptif (BinSO) yaklaşımların hem teorik kıyaslama fonksiyonlarında hem de gerçek dünya mühendislik problemlerinde, güncel algoritmalardan daha iyi performans gösterdiğini ortaya koymuştur. Bu çalışma, meta-sezgisel optimizasyon alanına katkı sağlamakta olup, geliştirilen algoritmaların çeşitli uygulama alanlarında etkili şekilde kullanılabileceğini göstermektedir.

In this thesis, two novel metaheuristic algorithms are developed to solve continuous and discrete optimization problems. First, in order to enhance the exploration capability of the Snake Optimizer, the velocity vector mechanism from Particle Swarm Optimization was integrated into the Snake Optimizer algorithm, resulting in the hybrid SO-PSO method. This approach enables the SO algorithm to expand its search space and utilize the allocated iterations more effectively. The performance of the SO-PSO algorithm was tested on classical benchmark problems, as well as compared with contemporary metaheuristic algorithms such as Whale Optimization Algorithm, Particle Swarm Optimization, Grey Wolf Optimization, Equlibrium Optimizer, Differential Evolution with Linear Population Size Reduction, and SO on shifted and rotated benchmark functions and seven different real-world engineering problems. Tests performed with different dimensional and population values revealed that SO-PSO achieved the highest rank in the Friedman ranking among others. Additionally, according to the Wilcoxon signed-rank test, the proposed method demonstrated statistically significant superiority at rates of 96.42% for shifted and rotated benchmark functions and 93.65% for engineering problems in significance level of 0.05. Secondly, the binary version of the SO algorithm, BinSO, was developed for discrete optimization problems. The BinSO algorithm was tested on 0-1 Knapsack Problems and Set-Union Knapsack Problems and yielded successful results. It has been demonstrated that the algorithm achieves an effective balance between exploration and exploitation in the binary search space, proving to be a competitive binary optimization method. Experimental results revealed that the proposed hybrid (SO-PSO) and adaptive (BinSO) approaches outperformed contemporary algorithms in both theoretical benchmark functions and real-world engineering problems. This study not only contributes to the field of metaheuristic optimization but also demonstrates that the developed algorithms can be effectively used in various application domains.