Yapay sinir ağlarının modern sezgisel-üstü algoritmaları yoluyla eğitimi

Bu tezin amacı, doğrusal olmayan problemlerin optimizasyonunda kullanılan ve iyi bir sınıflandırma aracı olan Yapay Sinir Ağlarının (YSA) eğitimini sağlamaktır. Tezin amacına uygun olarak YSA mimarilerinden Çok Katmanlı Algılayıcı (Multilayer Perceptron -MLP) kullanılmıştır. MLP eğitiminde olasılıksal algoritma çeşidi olan modern sezgisel-üstü algoritmalar eğitmen olarak seçilmiştir. Algoritmaların genel performansını ölçmek ve performans üstünlüğünü karşılaştırmak için Ackley, Easom, Egg Crate, Griewank, Quartic, Rosenbrock, Schwefel, Sphere ve Step kriter fonksiyonları kullanılmıştır. MLP eğitimi için UCI veri bankasından XOR, İris, Meme Kanseri, Kalp Hastalıkları ve Balloon veri setleri alınmıştır. Tezde dört uygulama yapılmıştır. Uygulamalardan ilki Harris Şahinleri Optimizasyonu sezgisel-üstü algoritmasının (HHO) diğer algoritmalarla karşılaştırılması yapılarak üstünlükleri gösterilmiştir. İkinci uygulamada modern sezgisel-üstü algoritmaların global kısıtlı optimizasyon problemlerinin çözümü gösterilerek Atom Arama Optimizasyonu'nun (ASO) performans üstünlüğü istatistiki olarak ispat edilmiştir. Üçüncü uygulamada MLP eğitimi yapılarak Sinüs Kosinüs Algoritması (SCA) ve HHO algoritmaları karşılaştırılmıştır. Son uygulamada ise önerilen hibrid ASO-SA algoritması (hASO-SA) ile problem çözümündeki sezgisel-üstü algoritmaların dezavantajları ortadan kaldırılmıştır. Performans avantajı istatistiki olarak gösterilerek MLP eğitiminde üstün sınıflandırma becerisi, diğer sezgisel-üstü algoritmalarla karşılaştırılarak açıklanmıştır.