Yapay sinir ağlarının eğitimi için kelebek optimizasyonu algoritmasının iyileştirilmesi

Basit Öğe Kaydı
dc.authoridDanışman: 0000-0001-7714-8861en_US
dc.contributor.advisorGülcü, Şaban
dc.contributor.authorIrmak, Büşra
dc.date.accessioned2022-04-07T07:34:14Z
dc.date.available2022-04-07T07:34:14Z
dc.date.issued2022en_US
dc.departmentNEÜ, Fen Bilimleri Enstitüsü, Bilgisayar Mühendisliği Anabilim Dalıen_US
dc.descriptionYüksek Lisans Tezien_US
dc.description.abstractKelebek optimizasyonu algoritması (KOA) meta sezgisel bir algoritmadır ve global optimum sorununu çözmek için tasarlanmıştır. KOA, kelebeklerin koku, görme, tat, dokunma ve duyma duyularını kullanarak yiyecek ve çiftleşme eşini bulmalarını rol model alarak tasarlanan bir algoritmadır. Bu duyular ayrıca bir yerden bir yere göç etmek, yırtıcıdan kaçmak ve uygun yerlere yumurta koymak için de yararlıdır. KOA, hiper arama alanında optimumu bulmak için bu davranışı taklit eder. Bu çalışmada çok katmanlı algılayıcıları (ÇKA) eğitmek için iyileştirilmiş kelebek optimizasyonu algoritması (İKOA) önerilmiştir. Çalışmada İKOA algoritmasını geliştirmek için kaostan yararlanılmıştır. Yerel ve global arama denklemleri arasındaki dengeyi kuran p anahtarı kaotik haritalarla her iterasyonda güncellenmiştir. Önerilen İKOA algoritması 13 kıyaslama fonksiyonu üzerinde test edildi ve KOA'dan daha iyi performans gösterdi. Önerilen İKOA algoritması ağırlık ve bias değerlerini optimuma getirmek için kullanılmıştır. İKOA ile eğitilerek geliştirilen ÇKA'ya İKOA-ÇKA ismi verilmiştir. İKOA-ÇKA algoritmasının başarısının doğruluğu literatürde sıkça kullanılan iris, meme kanseri, kalp, balon ve xor veri seti olmak üzere 5 farklı veri seti üzerinde test edilmiştir. Her bir veri seti için farklı ÇKA yapıları kullanılmıştır. İKOA-ÇKA, literatürdeki ÇKA'yı eğitmek için geliştirilen kelebek optimizasyonu algoritması tabanlı KOA-ÇKA, yarasa optimizasyonu algoritması tabanlı BAT-ÇKA, maddenin halleri optimizasyonu algoritması tabanlı SMS-ÇKA ve geri yayılım (GY) olmak üzere dört farklı algoritma ile karşılaştırıldı. Karşılaştırma sonuçlarında İKOA-ÇKA algoritmasının BAT-ÇKA, SMS-ÇKA ve GY algoritmalarını geride bıraktığı, KOA-ÇKA algoritması ile başa baş rekabet ettiği hatta bazı durumlarda öne geçtiği gözlemlenmiştir. Bunun nedeni ise İKOA-ÇKA algoritmasının üstün arama stratejisine ve yerel optimumu atlamadaki üstün yeteneğe sahip olmasıdır.en_US
dc.description.abstractThe butterfly optimization algorithm (BOA) is a meta heuristic algorithm and is designed to solve the problem of the global optimum. The BOA is an algorithm designed as a role model for butterflies to find food and mating mates using their senses of smell, sight, taste, touch and hearing. These senses are also useful for migrating from place to place, escaping from a predator, and laying eggs in suitable places. The BOA mimics this behavior to find the optimum in the hyper search domain. In this study, an improved butterfly optimization algorithm (IBOA) is proposed to train multilayer perceptron (MLP). In the study, chaos was used to develop the IBOA algorithm. The p key, which balances the local and global search equations, is updated at each iteration with chaotic maps. The proposed IBOA algorithm was tested on 13 benchmark functions and it showed better performance than the BOA. The proposed IBOA algorithm is used to optimize the weight and bias values of MLPs. The new algorithm, MLP trained by IBOA was named IBOA-MLP. The performance of the IBOA-MLP algorithm was tested on 5 different data sets, which are frequently used in the literature, namely iris, breast cancer, heart, balloon and xor datasets. The different MLP structures were used for each data set. The IBOA-MLP was compared with four different algorithms in the literature, namely BOA-MLP based on the butterfly optimization algorithm, BAT-MLP based on the bat optimization algorithm, SMS-MLP based on the states of matter search algorithm and back propagation (BP), which were developed to train MLP. In the comparison results, it has been observed that the IBOA-MLP algorithm surpasses the BAT-MLP, SMS-MLP and BP algorithms, and even competes with the BOA-MLP algorithm head-to-head and even gets ahead in some cases. The reason for this is that the IBOA-MLP algorithm has a superior search strategy and superior ability to bypass the local optimum.en_US
dc.identifier.citationIrmak, B. (2022). Yapay sinir ağlarının eğitimi için kelebek optimizasyonu algoritmasının iyileştirilmesi. (Yayımlanmamış yüksek lisans tezi). Necmettin Erbakan Üniversitesi, Fen Bilimleri Enstitüsü Bilgisayar Mühendisliği Anabilim Dalı, Konyaen_US
dc.identifier.urihttps://hdl.handle.net/20.500.12452/8214
dc.language.isotren_US
dc.publisherNecmettin Erbakan Üniversitesi Fen Bilimleri Enstitüsüen_US
dc.relation.publicationcategoryTezen_US
dc.rightsinfo:eu-repo/semantics/openAccessen_US
dc.subjectÇok katmanlı algılayıcılaren_US
dc.subjectKaosen_US
dc.subjectKelebek optimizasyonu algoritmasıen_US
dc.subjectMeta sezgiselen_US
dc.subjectYapay sinir ağlarıen_US
dc.subjectYapay sinir ağları eğitimien_US
dc.subjectArtificial neural networksen_US
dc.subjectButterfly optimization algorithmen_US
dc.subjectChaosen_US
dc.subjectMeta heuristicen_US
dc.subjectMultilayer perceptronen_US
dc.subjectTraining artificial neural networksen_US
dc.titleYapay sinir ağlarının eğitimi için kelebek optimizasyonu algoritmasının iyileştirilmesien_US
dc.title.alternativeImprovement of butterfly optimization algorithm for training of artificial neural networksen_US
dc.typeMaster Thesisen_US

Dosyalar

Orijinal paket
Listeleniyor 1 - 1 / 1
Küçük Resim
İsim:
712064 (1).pdf
Boyut:
2.52 MB
Biçim:
Adobe Portable Document Format
Açıklama:
Yüksek Lisans Tezi
İndir
Lisans paketi
Listeleniyor 1 - 1 / 1
Küçük Resim Yok
İsim:
license.txt
Boyut:
1.44 KB
Biçim:
Item-specific license agreed upon to submission
Açıklama:
İndir

Koleksiyon

Fen Bilimleri Enstitüsü Tez Koleskiyonu