Özellik seçim problemi için ikili orka yırtıcı algoritmasının geliştirilmesi

Optimizasyon, bir problemin olası çözüm kümesinden en iyi sonucu veren çözümün bulunması sürecidir. Optimizasyon problemlerinin çözümünde klasik ve metasezgisel yöntemler olmak üzere iki temel yaklaşım kullanılmaktadır. Gerçek hayatta karşılaşılan karmaşık, doğrusal olmayan ve geniş çözüm kümesine sahip problemler için klasik yöntemler her zaman yeterli olmayabilir. Bu tür problemler için doğadan ilham alınarak geliştirilen metasezgisel algoritmalar, hızlı ve doğru çözümler sunmaktadır. Bu algoritmalar, canlıların sürü davranışları gibi doğal süreçlerden esinlenerek geliştirilmiştir. Orka yırtıcı algoritması (Orca Predation Algorithm - OPA), sürekli optimizasyon problemlerini çözmek amacıyla, orka sürüsünün avlanma davranışlarının incelenmesiyle geliştirilmiş yeni ve güncel bir metasezgisel algoritmadır. Bu çalışmada, ikili optimizasyon problemlerini çözmek için OPA'nın ikili versiyonu geliştirilmiş ve ikili orka yırtıcı algoritması (Binary Orca Predation Algorithm-BOPA) olarak adlandırılmıştır. Transfer fonksiyonları kullanılarak geliştirilen algoritma, ikili optimizasyon problemlerinden biri olan özellik seçim (FS) problemine uygulanmıştır. Algoritmanın sınıflandırma doğruluğunu değerlendirmek için birini dışarıda bırak çapraz doğrulama (Leave-One-Out Cross Validation- LOOCV) yöntemi kullanılmıştır. Elde edilen sonuçlar, gri kurt optimizasyon (Grey Wolf Optimization-GWO), parçacık sürü optimizasyon (Particle Swarm Optimization-PSO) ve yapay arı kolonisi (Artificial Bee Colony-ABC) algoritmaları gibi popüler metasezgisel algoritmaların ikili versiyonlarıyla karşılaştırılmış ve çeşitli performans metrikleri açısından analiz edilmiştir. Deneysel çalışmalar sonucunda, S-şekilli transfer fonksiyonları kullanılarak geliştirilen BOPA varyantlarının, yedi veri setinden beşinde, aynı transfer fonksiyonları kullanılarak geliştirilen diğer algoritmaların varyantlarına eşit veya daha iyi sonuçlar elde ettiği tespit edilmiştir.

Optimization is the process of finding the best solution from the possible solution set for a given problem. Two basic approaches are used in solving optimization problems: classical and metaheuristic methods. Classical methods may not always be sufficient for solving real-world problems that are complex, nonlinear, and have large solution sets. For such problems, metaheuristic algorithms, inspired by nature, provide fast and accurate solutions. These algorithms were developed by taking inspiration from natural processes such as the herd behavior of living things. The Orca Predation Algorithm (OPA) is a novel and up-to-date metaheuristic algorithm developed by examining the hunting behavior of orca herds to solve continuous optimization problems. In this study, a binary version of OPA was developed to solve binary optimization problems, referred to as the Binary Orca Predation Algorithm (BOPA). The algorithm, developed using transfer functions, was applied to the feature selection (FS) problem, which is one of the binary optimization problems. The leave-one-out cross validation (LOOCV) method was used to evaluate the classification accuracy of the algorithm. The obtained results were compared with the binary versions of other popular metaheuristic algorithms, such as Grey Wolf Optimization (GWO), Particle Swarm Optimization (PSO) and Artificial Bee Colony (ABC) and analyzed in terms of various performance metrics. As a result of experimental studies, it has been determined that BOPA variants developed using S-shaped transfer functions achieve equal or better results than variants of other algorithms developed using the same transfer functions in five out of seven data sets.