Tez No	İndirme	Tez Künye	Durumu
484260		Fizik tabanlı yeni hibrit optimizasyon algoritmalarının geliştirilmesi ve veri madenciliğinde uygulamaları / Developing new physical based hybrid optimization algorithms and applications in data mining Yazar:SONER KIZILOLUK Danışman: DOÇ. DR. AHMET BEDRİ ÖZER Yer Bilgisi: Fırat 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 Türkçe 2017 107 s.
Optimizasyon, bir problemin alternatif çözümlerinin arasından en iyi olanını seçme işlemidir. Doğrusal olmayan ve birçok değişkene sahip problemleri matematiksel olarak çözmek zordur. Bu zorluğun üstesinden gelebilmek için genellikle sezgisel yöntemlere başvurulmaktadır. Sezgisel yöntemler birçok problemde istenilen çözüme ulaşmada gayet başarılı olsa da bazı problemlerde istenilen çözümü elde edememektedir. Bu nedenle yeni algoritmalar geliştirilmekte veya var olan algoritmaların daha etkili çalışması için öneriler sunulmaktadır. Hibritleme, bir algoritmanın çözüm kalitesini veya performansını artırmak için kullanılan yöntemlerden biridir. Bu tez çalışmasında iki farklı hibrit algoritma önerilmiştir. Bunlardan birincisi; Elektromanyetizma Benzeri (EM - Electromagnetism like) algoritmasının çözüm kalitesini ve performansını artırmak amacıyla EM, Parçacık Sürü Optimizasyon (PSO – Particle Swarm Optimization) algoritması ve Diferansiyel Gelişim (DE - Differential Evolution) algoritması kullanılarak önerilen hibrit EM-PSO-DE algoritmasıdır. İkincisi ise; Parlamenter Optimizasyon Algoritması' nın (POA - Parliamentary Optimization Algorithm) çözüm kalitesi ve performansını artırmak amacıyla POA ve Büyük Patlama Büyük Çöküş (BB-BC - Big Bang Big Crunch) algoritması kullanılarak önerilen Hibrit Parlamenter Optimizasyon – Büyük Patlama Büyük Çöküş (HPO-BBBC) algoritmasıdır. Önerilen hibrit algoritmaların küresel optimizasyon problemlerindeki performansı 9 farklı kalite testi fonksiyonu kullanılarak test edilmiştir. Sınıflandırma kural keşfindeki performansları ise UCI ve KEEL veri ambarlarından alınan veri setleri üzerinde analiz edilmiştir. Deneysel sonuçlara göre, hibrit EM-PSO-DE algoritması küresel optimizasyon problemlerinde EM, PSO ve DE' den daha iyi sonuçlar vermektedir. Sınıflandırma kural keşfinde, hibrit EM-PSO-DE, EM' nin biraz gerisinde kalsa da, EM' ye göre çalışma süresini önemli ölçüde azaltmıştır. HPO-BBBC algoritmasının ise çalışma süresi POA' ya göre daha fazla olsa da küresel optimizasyon ve sınıflandırma kural keşfinde POA ve BB-BC' ye göre daha başarılı sonuçlar vermiştir.
Optimization is the process of choosing the best solution for a problem from other alternative solutions. When the problem is not linear and problem has many variables, it is difficult to solve the problem mathematically. Usually heuristic methods has been using for overcome this difficulty. Heuristic methods are very successful to find the desired solution in many problems, but they could fail obtain the desired solution in some problems. Therefore, new algorithms have been developed, or suggestions have been proposed for improve the existing algorithms. Hybridization is one of the techniques to improve the quality of the solutions of an algorithm or improve the performance of an algorithm. Two different hybrid algorithms have been proposed in this thesis. The first of these; Hybrid Electromagnetism Like - Particle Swarm Optimization - Differential Evolution (EM-PSO-DE) algorithm which is the combination of the EM, the PSO and the DE in order to improve the performance of the EM; the second; the Hybrid Parliamentary Optimization- Big Bang Big Crunch (HPO-BBBC) algorithm which is the combination of the POA and the BB-BC to improve the performance of the POA. The performances of the proposed hybrid algorithms on global optimization problems has been tested using mathematical test functions. Moreover, the performances of the proposed methods on classification have been tested with data sets from UCI and KEEL data warehouses. Performed experimental study has shown that, the hybrid EM-PSO-DE has better results than the EM, PSO and DE in global optimization problems. In the classification problems, although the hybrid EM-PSO-DE has shown slightly worse results than the EM, processing time of the hybrid EM-PSO-DE is faster than the EM. The HPO-BBBC has shown better results than the POA and the BBBC in global optimization and classification problems, however, processing time of the HPO-BBBC is slightly slower than POA.