Kümeleme problemleri için geliştirilmiş tek aday optimizasyon algoritması

Optimizasyon problemlerinin etkili bir şekilde ele alınması için, verimli optimizasyon algoritmalarının geliştirilmesi büyük önem taşımaktadır. Bu tez çalışması kapsamında, 2022 yılında Shami ve arkadaşları tarafından (Shami, Grace, Burr, & Mitchell, 2022) literatüre kazandırılan Tek Aday Optimizasyonu (SCO: Single Candidate Optimizatin) Algoritması ele alınmaktadır. Bu çalışmada ele alınan SCO algoritması, basit ve anlaşılır bir algoritma olup diğer popülasyon tabanlı sezgisel algoritmalardan en büyük farkı, tek bir aday çözüm ile optimizasyon probleminin çözümünü daha hızlı bulmaya çalışmasıdır. Ancak diğer sezgisellerde olan yerel minimumlara takılma gibi temel sorunlara da sahiptir. Öncelikle SCO yapısında sınır değeri aşma problemi (aday çözümün arama uzayının dışına çıkması) ele alınmış ve arama başarımını iyileştirmek için, hızlandırılmış karşıt öğrenme tabanlı bir mekanizma algoritma yapısına entegre edilmiştir. Böylece bu çalışmada, SCO algoritmasına hızlandırılmış karşıt öğrenme mekanizması eklenerek elde edilen, Hızlandırılmış Karşıt Öğrenme tabanlı Tek Aday Optimizasyonu (AccOppSCO: Accelerated Opposition Learning based Single Candidate Optimization) adı verilen yeni bir optimizasyon algoritması önerilmiştir. Önerilen AccOppSCO algoritmasının başarımını değerlendirmek için, literatürden çeşitli optimizasyon problemleri seçilmiştir. Yapılan değerlendirme, AccOppSCO algoritmasının orijinal SCO algoritmasına kıyasla daha doğru çözümler üretebildiğini ortaya koymaktadır. Önerilen AccOppSCO algoritmasının başarımı, ayrıca bir kümeleme problemi üzerinde değerlendirilmiştir. Kümeleme probleminde önerilen AccOppSCO algoritması, orijinal SCO algoritmasına kıyasla daha üstün yakınsama göstermektedir. Son olarak, önerilen AccOppSCO algoritması; Genetik Algoritma (GA), Farksal Gelişim (DE) ve Parçacık Sürüsü Optimizasyonu (PSO) gibi klasik sezgisel optimizasyon algoritmalarıyla karşılaştırılmıştır. Sonuçlara göre, AccOppSCO algoritması yakınsama ve çözüm kalitesi açısından orijinal SCO algoritmasından daha iyi başarım göstermektedir.