Tez No	İndirme	Tez Künye	Durumu
639532		Electric fish optimization: a new heuristic algorithm based on electrolocation / Elektrik balığı optimizasyonu: elektrolokasyon tabanlı yeni bir sezgisel algoritma Yazar:SELİM YILMAZ Danışman: DOÇ. DR. SEVİL ŞEN AKAGÜNDÜZ Yer Bilgisi: Hacettepe Üniversitesi / Fen Bilimleri Enstitüsü / Bilgisayar Mühendisliği Ana Bilim Dalı / Bilgisayar Mühendisliği Bilim Dalı Konu:Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol = Computer Engineering and Computer Science and Control Dizin:	Onaylandı Doktora İngilizce 2020 238 s.
Doğada gözlemlenen sürü davranışları, birçok sezgisel optimizasyon algoritmasının ortaya çıkmasına neden olmuştur. Yüksek boyutlu veriyi, türevlenemez fonksiyonları desteklemesi ve benzeri karakteristikleri ile bu algoritmalar özellikle karmaşık problemlerin çözümü için oldukça dikkat çekmektedirler. Bu tez çalışmasında elektrikli balıkların iletişiminden ve av yerlerini bulma davranışlarından ilham alan yeni bir sezgisel algoritma önerilmiştir. Geceleri oldukça hareketli yaşayan elektrik balıkları çok zayıf görme yeteneğine sahiptir ve görsel duyuların çok sınırlı olduğu çamurlu, bulanık suda yaşamaktadırlar. Bu nedenle, çevrelerini algılamak için elektrolokasyon adı verilen türlerine özgü yeteneklerine güvenmektedirler. Bu türdeki balıkların sergilediği aktif ve pasif elektrolokasyon yeteneğinin, yerel ve küresel aramanın dengelenmesi için iyi bir davranış olduğuna inanılmaktadır ve balıkların bu yeteneği bu çalışmada modellenmiştir. Bu tez çalışmasında, Elektrik Balığı Optimizasyonu (EFO) adı verilen, tek-amaçlı optimizasyon problemlerini çözmek için yeni bir sezgisel yöntem tanıtılmış ve literatürdeki iyi bilinen altı sezgisel algoritma (Benzetilmiş Tavlama, Girdap Arama, Genetik Algoritma, Diferansiyel Evrim, Parçacık Sürüsü Optimizasyonu, ve Yapay Arı Kolonisi) ve mevcut birçok yöntem ile karşılaştırılmıştır. Kıyaslama kümesi olarak, parametre uzayı sınırlandırılmış 50 temel ve 30 karmaşık matematiksel fonksiyon, parametre uzayı sınırlandırılmamış 13 adet kümeleme ve sınıflandırma problemi, parametre uzayı ve tasarımı sınırlandırılmış 5 adet gerçek dünya problemini içeren bir küme deneylerde kullanılmıştır. Deney sonuçları, EFO'nun rakiplerine göre daha iyi ya da oldukça rekabetçi bir algoritma olduğunu göstermiştir. Çok-amaçlı problemleri de ele almak amacıyla önerilen tek-amaçlı EFO algoritması bu çalışmada genişletilmiştir. Tek-amaçlı EFO algoritmasındaki arama davranışı genel olarak korunurken, algoritmaya bazı modifikasyonlar yapılarak algoritma çok-amaçlı problemlerin çözümü için uyarlanmıştır. Üç farklı çok amaçlı optimizasyon algoritması önerilmiştir: Pareto-baskın Tabanlı EFO (PD-EFO), Bastırılamayan-sıralı Tabanlı EFO (NS-EFO) ve Hucresel Tabanlı EFO (CB-EFO). Bu algorithmalar, literatürde sıklıkla kullanılan 30 adet çok-amaçlı optimizasyon problemi üzerinde test edilmiştir. Elde edilen optimizasyon performansları bazı yakınsama metriklerine göre değerlendirilmiştir. Bu metriklerden elde edilen bulgular; CB-EFO algoritmasının diğerlerine göre en iyi başarımı sergilediğini, bu başarıma en çok NS-EFO algoritmasının yaklaştığını göstermiştir. CB-EFO algoritması yine aynı problem kümesi üzerinde literatürde iyi bilinen çok-amaçlı optimizasyon algoritmaları ile karşılaştırılmış ve deneysel bulgular, CB-EFO'nun rakip yöntemlere göre çok daha iyi bir performans sergilediğini göstermiştir. Sonuç olarak, bu tez çalışmasında, hem tek-amaçlı hem de çok-amaçlı optimizasyon problemleri etkin bir şekilde çözen yeni bir sürü tabanlı optimizasyon algorithması literatüre katılmıştır.
Swarm behaviors in nature have inspired the emergence of many heuristic optimization algorithms. These algorithms have attracted much attention, particularly for solving complex problems, owing to their characteristics of supporting high dimensional data, non-differentiate functions, and the like. In this thesis, a new heuristic algorithm inspired by communication of electric fish and their way of finding their prey location is proposed. Nocturnal electric fish have very poor eyesight and live in muddy, murky water, where visual senses is very limited. Therefore, they rely on their species-specific ability called electrolocation to perceive their environment. The active and passive electrolocation capability of such fish is believed to be a good candidate for balancing local and global search, and hence it is modeled in this study. A new heuristic algorithm called Electric Fish Optimization (EFO) is introduced for solving single-objective optimization problems and compared with both six well-known heuristics (Simulated Annealing, Vortex Search, Genetic Algorithm, Differential Evolution, Particle Swarm Optimization, and Artificial Bee Colony) and popular methods in the literature. In the experiments, a well-known selection of bound-constrained 50 basic and 30 complex mathematical functions, unconstrained 13 clustering and classification problems, and bound- and design-constrained 5 real-world problems have been used as the benchmark sets. The simulation results indicate that EFO is better than or very competitive with its competitors. Furthermore, the single-objective EFO algorithm has been extended in order to handle multi-objective optimization problems. While the search behaviour of the single-objective EFO is preserved, few modifications are applied in order to adapt the algorithm for solving multi-objective optimization problems. Three types of multi-objective EFO algorithms are proposed, namely Pareto-Dominance based Electric Fish Optimization (PD-EFO), Non dominated Sorting-based Electric Fish Optimization (NS-EFO), and Cellular-based Electric Fish Optimization (CB-EFO). All these multi-objective algorithms have been tested on 30 multi-objective benchmark problems that are commonly used in the literature. The obtained optimization performances have been evaluated through the most popular convergence metrics. Findings from these metrics reveal that CB-EFO algorithm has shown the best performance compared to the other multi-objective EFO algorithms and that NS-EFO has shown a performance that is the most competitive to CB-EFO. CB-EFO algorithm has then been compared to the well-known multi-objective optimization algorithms in the literature using the same problem set. Experimental findings have shown that CB-EFO performs a performance superior than the competitors. To sum up, in this thesis, a new swarm-based algorithm which is shown to be effective for both single- and multi-objective optimization problems, is introduced to the community.