Evrimsel algoritmaların güçlendirilmesinde kullanılan karşıtlık temelli öğrenme stratejileri için bir yazılım araç kitinin geliştirilmesi

Bu tez çalışması ile ilk aşamada, evrimsel optimizasyon algoritmalarındaki yerel optimuma takılma sorunuyla ilgili stratejilere dair kapsamlı bir literatür araştırması sunulmaktadır. Bu araştırma evrimsel optimizasyonun temel kavramlarını, yerel optimuma takılma sorununu ve bu sorunun üstesinden gelmek için geliştirilen stratejileri kapsamaktadır. Sonraki aşamada, optimizasyon problemlerinde daha iyi sonuçlar elde edilebilmek için aday çözümlerin çeşitliliğini arttırarak algoritmaların arama uzayındaki keşif kabiliyetini iyileştiren literatürdeki önemli yaklaşımlardan birisi olan Karşıtlık Temelli Öğrenme Yöntemleri üzerinde odaklanılmaktadır. Bu strateji, bir problemi optimize etmek için zıt çözümler kullanma fikrine dayanır. Zıt çözüm, genellikle başlangıç çözümünün eksik veya tamamlayıcı bir versiyonudur. Böylece, problem alanındaki çeşitlilik artırılarak daha iyi sonuçların elde edilmesi amaçlanır. Karşıtlık Temelli Öğrenme yöntemlerinin evrimsel algoritmaların performansı üzerindeki etkisini incelemek amacıyla çok sayıda mukayeseli deneysel çalışma gerçekleştirilerek kapsamlı bir tartışma sunulmuştur. Son olarak, literatürde iyi bilinen evrimsel algoritmalar, mukayese test fonksiyonları ve Karşıtlık Temelli Öğrenme yöntemlerinin sekiz farklı varyantını (Classic OBL, Quasi-reflection OBL, Center-Based Sampling OBL, Quasi OBL, Current Optimum OBL, Random OBL, Super OBL, Generalized OBL) içeren açık kaynak kodlu bir yazılım araç kiti geliştirilmiştir. Bu araç kiti, araştırmacılara optimizasyon problemlerini çözmek için algoritmaları ve Karşıtlık Temelli Öğrenme yöntemlerini karşılaştırmalı bir bakış açısıyla kullanma ve detaylı inceleme olanağı vermektedir. Deneysel çalışmalar kapsamında, benchmark setlerinden seçilmiş toplam 23 adet test fonksiyonu (F1-F23) kullanılmıştır.Bu fonksiyonlar, farklı zorluk seviyelerine ve arama uzayı özelliklerine sahip problemleri temsil ederek algoritmaların genel performansını değerlendirmek amacıyla seçilmiştir.Ayrıca elde edilen sonuçların istatistiksel olarak analiz edilip grafiklerle görselleştirilmesi sağlanmıştır. Sonuç olarak, OBL stratejilerinin evrimsel algoritmaların keşif–sömürü dengesini anlamlı biçimde iyileştirdiği ve algoritma–problem uyumuna duyarlı şekilde uygulandığında çözüm kalitesini artırdığı deneysel ve istatistiksel bulgularla ortaya konmuştur.