NJ-ABC: CEC 2022 ve gerçek dünya yapısal tasarım optimizasyonunda test edilen komşuluk birleştirmeli yapay arı kolonisi algoritması

Bu çalışma, Yapay Arı Kolonisi (ABC) algoritmasının temel sınırlılıklarını yavaş yakınsama, erken duraklama ve zayıf sömürü yeteneği aşmayı amaçlayan NJ-ABC adlı yeni bir geliştirilmiş sürümünü önermektedir. NJ-ABC algoritması, Komşuluk Birleştirme (Neighbor-Joining) tekniğinden esinlenerek, çözümleri uzamsal yakınlıklarına göre kümelendiren komşuluk tabanlı bir yapı kullanır. Bu mekanizma, küresel çeşitliliği korurken, arama uzayındaki umut vadeden bölgelerde daha yoğun ve düzenli bir keşfe olanak tanır. Algoritma, keşif ve sömürü arasındaki dengeyi üssel olarak azalan bir adaptasyon faktörü ile dinamik şekilde ayarlamakta ve başlangıç popülasyonunun oluşturulmasında geniş kapsama alanı sağlamak amacıyla Latin Hiperküp Örnekleme (LHS) yöntemini kullanmaktadır. Ayrıca, duraklayan çözümlerin yeniden üretilmesini geliştirmek için Parçacık Sürü Optimizasyonu (PSO) ilhamlı bir izci arı stratejisi ve en iyi çözüm üzerinde nihai iyileştirme amacıyla gradyan tabanlı yerel arama stratejisi uygulanmıştır. CEC 2022 test fonksiyonlarıyla yapılan deneylerde NJ-ABC, PSO, TSA, GWO ve MNG-ABC, IGAL-ABC, OCG-ABC gibi gelişmiş ABC türevlerine kıyasla daha iyi yakınsama doğruluğu ve istikrar sergileyerek %83,33 başarı oranına ulaşmıştır. Ayrıca algoritma, tek eksenli eğilme altındaki betonarme kolon tasarımının maliyet optimizasyonuna yönelik gerçek bir mühendislik problemi üzerinde başarıyla uygulanmıştır. Elde edilen sonuçlar, NJ-ABC algoritmasının hem teorik test fonksiyonlarında hem de pratik yapısal tasarım problemlerinde güvenilir ve rekabetçi bir optimizasyon aracı olduğunu doğrulamaktadır.