Tez No	İndirme	Tez Künye	Durumu
650040		Development of a novel candidate solution quality prediction approach to artificial algae algorithm / Yapay alg algoritması için yeni bir aday çözüm kalite tahmin yaklaşımı geliştirilmesi Yazar:ABDULKERIM MOHAMMED YIBRE Danışman: DOÇ. DR. MUSTAFA SERVET KIRAN Yer Bilgisi: Selçuk Üniversitesi / Fen Bilimleri Enstitüsü / Bilgisayar Mühendisliği Ana Bilim Dalı Konu:Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol = Computer Engineering and Computer Science and Control Dizin:	Onaylandı Doktora İngilizce 2020 122 s.
Meta-sezgisel optimizasyon algoritmaları (MOA), bir problem ait en iyi çözümleri global olarak arama uzayında aramak için geliştirilmiştir. Bundan dolayı MOA gerçek dünya problemlerinin çözümünde kullanışlı bir çözüm olarak görülmektedirler. Maksimum fonksiyon değerlendirme sayısı (MaxFES) bir optimizasyon algoritmasının başarısını belirleyen en önemli faktörlerden birisidir. Aç gözlü algoritmalar bir uygunluk hesaplamasından (amaç fonksiyonu değerlendirmesinde) yeni çözüm eskisinden daha iyi ise çözümü güncelleme mantığı ile çalışırlar. Bununla birlikte, bu uygunluk değerlendirme işlemleri optimal çözümü bulmayı garanti etmemektedir. Ayrıca, maksimum uygunluk değerlendirme sayısı sınırlıdır ve aynı zamanda optimizasyon algoritmalarında keşif ve sömürüyü dengelemek gerekir. Mümkün olan en iyi çözüm makul bir zamanda bulunmalıdır. Daha fazla uygunluk hesaplaması daha fazla hesaplama zamanına ihtiyaç duymaktadır. Optimizasyon algoritmalarını adil bir şekilde karşılaştırabilmek için her iki algoritma da eşit MaxFES'de çalıştırılmalıdır. Her amaç fonksiyonunun süresi problemin özelliğine göre değişebileceğinden, daha az uygunluk hesaplaması ile daha iyi sonuç elde etmek optimizasyon algoritmalarında istenen bir özelliktir. Bu çalışmada, Gauss tabanlı Naïve Bayes olasılık modelini kullanarak, uygunluk hesaplaması yapmadan önce bir aday çözümün kalitesini öngören AAANB isimli yeni bir yaklaşım önerilmiştir. Eğer model aday çözümün şimdikinden daha iyi sonuç üreteceğini tahmin edilir ise, bu çözüm amaç fonksiyonu tarafından değerlendirilir. Aksi takdirde belirli bir olasılıkla ya yeni aday çözümün daha kötü olduğu varsayılır ya da uygunluk hesaplaması her şeye rağmen gerçekleştirilir. Önerilen yöntemin temel amacı Yapay Alg Algoritmasının performansını artırmak ve aynı zamanda gereksiz uygunluk hesaplamalarını önlemektir. Önerilen yöntem, 26 standart karşılaştırma fonksiyonunda ve CEC'05 benchmark veri setini içeren sürekli optimizasyon probleminin çözümünde test edilmiştir. Karşılaştırmalı analiz sonucunda önerilen yöntemin orjinal Yapay Alg Algoritması ve diğer çok bilinen; Yapay Arı Kolonisi, Parçacık Sürüsü Optimizasyonu, Yarasa Algoritması, Çiçek Tozlaşma Algoritması, Balina Optimizasyonu Algoritması ve Arı optimizasyon algoritmalarından daha iyi performans gösterdiği gözlemlenmiştir. Ayrıca AAANB daha az işlev değerlendirmesi ile daha iyi sonuçlar elde ettiği tespit edilmiştir. AAANB, erkeklerin sperm kalitesini sınıflandırma yapay sinir ağı modeli eğitmek için kullanılmıştır. Sınıflandırma modelin performans karşılaştırması, Çok Katmanlı Perceptron Ağı, K-en yakın Komşu, Destek Vektör Makinesi ve Rasgele Orman algoritmaları ile yapılmıştır ve normal ve anormal sperm örneklerini daha iyi sınıflandırabildiği ortaya koyulmuştur. Ayrıca, AAANB'ın performansı hibrid kompozit laminat optimizasyon problemi çözümünde de kullanılmıştır. Bu problemde hibrid kompozit laminat, kritik burkulma yük faktörü adı verilen bir kısıtlamaya tabi tutulur ve kompozitin iki yönlü sıkıştırma kuvvetlerine karşı bükülmeden ne kadar dayanabileceği bir ölçülür. Sayısal simülasyonlar, önerilen yöntemin sürekli optimizasyon problemleri, sinir ağı ağırlığı optimizasyonu ve hibrit kompozit laminat ağırlığı optimizasyonu için global optimum çözümleri daha az uygunluk değerlendirmesiyle bulmada çok başarılı olduğunu göstermiştir.
Metaheuristic optimization algorithms are capable of exploring solutions globally. This makes them attractive in the optimization of various real world problems. The maximum number of fitness evaluations (MaxFES) is one of the main factors shaping the success of an optimization algorithm, since it is expected to report acceptable result at reasonable time. But, it is not always possible that fitness evaluations are concluded with a successful fitness updates. In addition, the allowable MaxFES is restricted, and balancing exploration and exploitation is cumbersome in optimization algorithms. The algorithm should find best possible solution in an acceptable time. It is clear that more fitness computation requires more time. The performances of optimization algorithms are evaluated with predetermined MaxFES. The extent of execution for each fitness computation may differ in accordance with the problem. Because of that, obtaining best result with comparatively lesser fitness computation is challenging in optimization algorithms. To address these problems in this paper we proposed a novel approach named as AAANB that employs Gaussian-based Naïve Bayes probabilistic model to predict the quality of a candidate solution before an evaluation of its fitness value. The objective function is executed if its quality is predicted to generate good result. If not, the algorithm generates new candidate solution as usual. The main aim of this study is to improve the performance of AAA and apply it to solve continuous and real-world problems. The proposed method is applied in solving continuous optimization problem involving 26 standard benchmark functions and CEC'05 test suite. The comparative analysis showed that the proposed method surpassed Artificial Algae Algorithm (AAA) and other well-known optimization algorithms namely; Artificial Bee Colony (ABC), Particle Swarm Optimization (PSO), Bat Algorithm (BA), Flower Pollination Algorithm (FPA), Whale Optimization Algorithm (WOA) and Bee algorithm. The improved AAA has achieved best results with less function evaluation. AAANB is applied in training feed forwarded neural network (FFNN-AAANB) for predicting semen quality of males. The comparison of predictive performance of FFNN-AAANB revealed that, it can better identify normal and abnormal semen examples than MLP, KNN, SVM, NB, RF algorithms. In addition, AAANB is also used for constrained optimization of parameters of hybrid composite laminate with the purpose of obtaining minimum weight. The hybrid composite plate is exposed to twodirectional compressive forces. The composite design is subjected to a constraint called critical buckling load factor, which is a measure of how far the composite can withstand without buckling against the compressive forces.The numerical simulations have demonstrated that, AAANB can explore global solutions for continuous optimization problems, neural network weight optimization and hybrid composite laminate weight optimization with lesser function evaluations