Fizik tabanlı yeni hibrit optimizasyon algoritmalarının geliştirilmesi ve veri madenciliğinde uygulamaları

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.