Ağaç tabanlı öğrenme yöntemleri kullanarak çözüm uzayının akıllı şekilde aranması ve daraltılması

Bu tez, ağaç tabanlı makine öğrenimi tekniklerinin entegrasyonu yoluyla optimizasyon problemlerinin performansını artırmaya yönelik üç yenilikçi algoritmanın geliştirilmesini ve değerlendirilmesini sunmaktadır. İlk algoritma olan "Popülasyon Yönetimi Eklenmiş Çıkar-Ekle Algoritması," veri madenciliği ve optimizasyonu popülasyon tabanlı sezgisel bir çerçevede birleştirir. p-median problemi ve Kareleme Atama Problemi (QAP) üzerindeki kapsamlı hesaplamalı sonuçlar, bu algoritmanın geleneksel yöntemlere kıyasla üstün performansını göstermektedir. İkinci algoritma olan "Değişken Sabitleme Algoritması," aktif öğrenme ve en kötü yaprak düğümü yol bölme kararlarını kullanarak değişken sabitlemek için regresyon ağaç kuralları setlerini kullanır. QPLIB örnekleri üzerindeki kapsamlı hesaplamalı sonuçlar, bu yaklaşımın çözüm çeşitliliğini artırmada, erken yakınsamayı önlemede ve hesaplama verimliliğini sağlamada etkinliğini vurgulamaktadır. Üçüncü algoritma olan "Öğrenme Tabanlı Değişken Kısıtları Üretme Algoritması," optimizasyon sürecini yönlendiren sınırları oluşturmak için önceki iterasyonlardaki verileri ve regresyon ağaç modellerini kullanır, böylece arama alanını etkili bir şekilde daraltır ve yakınsamayı hızlandırır. Deneysel sonuçlar, daha derin regresyon ağaçlarının, özellikle karmaşık çözüm uzayı için üretilen sınırların kalitesini artırdığını göstermektedir. Kapsamlı deneyler ve karşılaştırmalı analizler yoluyla, bu araştırma bu algoritmaların çözüm kalitesini ve hesaplama verimliliğini artırmadaki etkinliğini göstermektedir. Bulgular, ağaç tabanlı öğrenmenin yüksek kaliteli ve düşük kaliteli çözümler arasında etkili bir şekilde ayrım yapma ve algoritmayı daha kaliteli çözüm alanlarına yönlendirme yeteneğini vurgulamaktadır.