Veri kümeleme amacıyla yeni hibrit bir algoritma geliştirilmesi

Bu tez çalışmasında, kambur balinaların avlanma davranışlarından esinlenilerek geliştirilmiş global bir optimizasyon algoritması olan Balina Optimizasyon Algoritması (BOA), performansı kaos haritaları ile iyileştirildikten sonra veri kümeleme problemlerinde sıklıkla kullanılan Fuzzy C-Means (FCM) algoritmasıyla hibrit edilmiş ve kaotik BOA algoritmaları önerilmiştir. Önerilen algoritmaların performansları ortalama amaç fonksiyon, standart sapma ve Wilcoxon Sign Rank Test ile 0,05 önem düzeyinde değerlendirilmiş, 13 farklı amaç fonksiyon ile test edilmiştir. Önerilen kaotik BOA algoritmalarının her biri BOA algoritmasıyla karşılaştırılmış, performans gelişimi hem istatistiksel olarak hem de grafiksel olarak gösterilmiştir. Ardından, önerilen kaotik BOA algoritmaları FCM algoritması ile bütünleştirilerek hibrit veri kümeleme algoritmaları önerilmiştir. Hibrit veri kümeleme algoritmalarının kümeleme performansları amaç fonksiyon, Rand İndeks ve Adjust Rand İndeks değerleri ile ölçülmüş, UCI Machine Learning Repository veri tabanından seçilen 7 farklı veri kümesi ile test edilerek FCM algoritması ile karşılaştırılmıştır. Bunlara ek olarak, önerilen hibrit algoritmaların veri kümeleme performanslarını arttırmak amacıyla FCM algoritmasındaki tüm uzaklıklar Öklid yerine Chebyshev uzaklık fonksiyonu ile hesaplanarak yeni hibrit kümeleme algoritmaları önerilmiştir. Önerilen tüm algoritmalar hem birbirleriyle hem de FCM algoritmasıyla karşılaştırılmış, FCM algoritmasından daha iyi veri kümeleme yapabildikleri gözlemlenmiştir. Sonuç olarak kaos fonksiyonlarının BOA algoritmasının optimizasyon performansını geliştirdiği, kaos tabanlı BOA algoritmaları ile FCM algoritmasının bütünleştirilmesinin FCM algoritmasının dezavantajlarını iyileştirdiği, uzaklık fonksiyonunun değiştirilmesinin algoritmaların kümeleme performansını arttırdığı görülmüştür.