Meta-sezgisel Algoritmalar ve Particle Swarm Optimization (PSO) Algoritması

Şekil 1 Meta-Sezgisel Evrimsel algoritma Sınıflandırması

Meta-sezgisel algoritmalar, birden fazla temel algoritmaya dayanan ve daha karmaşık optimizasyon problemlerini çözmek için tasarlanmış algoritmalardır. İşte bazı yaygın meta-sezgisel algoritmalar ve çıkış yılları:

1. Simulated Annealing (Taklitçi Tavlama) (1983)
2. Genetic Algorithm (Genetik Algoritma) (1975)
3. Evolutionary Strategies (Evrimsel Stratejiler) (1965)
4. Differential Evolution (Diferansiyel Evrim) (1995)
5. Particle Swarm Optimization (Parçacık Sürü Optimizasyonu) (1995)
6. Ant Colony Optimization (Karınca Koloni Optimizasyonu) (1991)
7. Artificial Bee Colony Optimization (Yapay Arı Koloni Optimizasyonu) (2005)
8. Harmony Search (Uyum Arama) (2001)
9. Firefly Algorithm (Ateşböceği Algoritması) (2008)
10. Cuckoo Search (Guguklu Saat Optimizasyonu) (2009)

Bu algoritmaların hepsi farklı optimizasyon problemlerini çözmek için kullanılabilir. Bunların yanı sıra, bazı yeni meta-sezgisel algoritmalar da geliştirilmeye devam ediyor.

Son yıllarda geliştirilen bazı yeni meta-sezgisel algoritmalar şunlardır:

1. Grey Wolf Optimizer (Gri Kurt Optimizasyonu) (2014)
2. Whale Optimization Algorithm (Balina Optimizasyon Algoritması) (2016)
3. Moth-Flame Optimization Algorithm (Ateşböceği — Alev Optimizasyon Algoritması) (2017)
4. Bat Algorithm (Yarasa Algoritması) (2010)
5. Flower Pollination Algorithm (Çiçek Tozlaşma Algoritması) (2012)
6. Artificial Algae Algorithm (Yapay Algi Algoritması) (2017)
7. Water Cycle Algorithm (Su Döngüsü Algoritması) (2018)
8. Grasshopper Optimization Algorithm (Çekirge Optimizasyon Algoritması) (2017)
9. Salp Swarm Algorithm (Salp Sürü Algoritması) (2017)
10. Glowworm Swarm Optimization (Parıltı Solucanları Sürü Optimizasyonu) (2013)

Bu yeni algoritmalar, farklı optimizasyon problemlerini çözmek için tasarlanmıştır ve bazı durumlarda diğer meta-sezgisel algoritmaların performansını da aşabilirler. Ancak, her biri kendi avantaj ve dezavantajlarına sahip olduğundan, doğru algoritmayı seçmek için dikkatli bir değerlendirme yapmak önemlidir.

Meta-sezgisel algoritmalar, doğal yaşamdan esinlenerek tasarlanan algoritmalar grubudur. Bu algoritmalar, birçok farklı problemin çözümünde başarı sağlamıştır. Bu raporda, Particle Swarm Optimization (PSO) adlı bir meta-sezgisel algoritma incelenecektir. PSO, çeşitli problemlerin optimizasyonunda başarı sağlamış bir algoritmadır. Bu raporda, PSO’nun nasıl ortaya çıktığı, nasıl çalıştığı, ne tür problemlerde başarı sağladığı ve nasıl uygulandığı açıklanacaktır.

Particle Swarm Optimization (PSO) Algoritması

Resim 1 Sürü Davranışı Kuş Sürüsü

Particle Swarm Optimization (PSO), 1995 yılında James Kennedy ve Russell Eberhart tarafından geliştirilmiştir. Bu algoritma, doğal sürülerin davranışlarından esinlenerek tasarlanmış bir meta-sezgisel optimizasyon algoritmasıdır.

Kennedy ve Eberhart, sürülerin, özellikle de kuş sürülerinin yön bulma davranışını modellemek istemişlerdir. Bu davranışta, bireyler arasında bir takım etkileşimler oluşur ve bireyler grup içinde en uygun yönü bulmaya çalışırlar. PSO’nun temel fikri de, bu davranışın bir simulasyonunu yapmak ve optimal çözümü bulmaktır.

PSO, başlangıçta, çok sayıda benzer çözümün bulunduğu karmaşık problemleri çözmek için kullanılmıştır. Daha sonra, PSO, farklı alanlarda uygulanmış ve birçok araştırmacı tarafından geliştirilerek, geniş bir uygulama alanına sahip bir algoritma haline gelmiştir.Aşağıda, PSO’nun uygulama alanlarından bazıları özetlenmiştir:

1. Makine öğrenmesi: PSO, sinir ağları, destek vektör makineleri, kümeleme ve sınıflandırma gibi birçok makine öğrenmesi algoritmasında kullanılabilir. Özellikle, sinir ağı ağırlıklarının ayarlanması ve optimizasyonu gibi alanlarda sıkça kullanılır.
2. Elektrik ve elektronik mühendisliği: Elektrik mühendisliği, elektronik mühendisliği ve kontrol sistemleri gibi alanlarda, PSO çözümleri çok sık kullanılır. Bu alanlarda, en uygun devre parametrelerinin ve kontrol parametrelerinin belirlenmesi için PSO kullanılabilir.
3. Yapay zeka: Yapay zeka ve robotik sistemlerde PSO, en uygun hareketlerin, yönelimlerin ve hedeflere ulaşmanın belirlenmesinde kullanılabilir.
4. Kimya: Kimyada, PSO, en uygun kimyasal reaksiyon koşullarının belirlenmesinde ve kimyasal bileşenlerin karıştırılmasında kullanılabilir.
5. Biyomedikal mühendisliği: Biyomedikal mühendisliğinde PSO, tıbbi görüntüleme, kalp hızı analizi ve hastalık teşhisinde kullanılabilir.

PSO, global optimizasyon problemlerinde etkili bir şekilde kullanılabilmekte ve diğer optimizasyon algoritmalarına göre daha az sayıda parametre kullanarak kolay bir şekilde uygulanabilmektedir. Ayrıca, aşağıda belirtilen maddeler nedeniyle PSO birçok araştırmacı tarafından tercih edilmiştir.

1. Kolay anlaşılır ve uygulanabilir: PSO, doğal sürülerin hareket davranışlarından esinlenerek tasarlanmıştır ve bu nedenle çok kolay anlaşılır bir çalışma prensibine sahiptir. Bu, PSO’nun kolayca uygulanabilmesini sağlar.
2. Yüksek yakınsama hızı: PSO, çok hızlı bir şekilde yakınsama sağlayabilen bir algoritmadır. Bu, birçok optimizasyon problemi için avantajlıdır, çünkü uzun süreler boyunca çalışan optimizasyon algoritmaları zaman açısından maliyetli olabilir.
3. Parametre ayarı gerektirmez: PSO, genellikle parametre ayarı gerektirmez ve hiperparametreleri ayarlamak genellikle kolaydır. Bu, algoritmanın uygulanmasını ve kullanılmasını kolaylaştırır.
4. Yerel optimumdan kaçınma: PSO, yerel optimumlara sıkışma riskini minimize etmek için birden fazla bölgede arama yapar. Bu, algoritmanın global optimuma yaklaşma kabiliyetini artırır.
5. Esneklik: PSO, farklı optimizasyon problemlerine uyacak şekilde esnek bir şekilde uyarlanabilir. Bu, algoritmanın geniş bir uygulama yelpazesi sunmasını sağlar.

PSO Çalışma Prensibi

PSO algoritmasının çalışma prensibi, bir grup çözüm adayının belirli bir problemi çözmek için bir araya gelerek, problem çözümü için en iyi yönde hareket etmelerini sağlamaktadır.

PSO’nun çalışma prensibi, birçok bireyin birbirleriyle etkileşim içinde olduğu bir sürü mekanizmasıdır. Bu bireyler, belirli bir problemin çözümü için gerekli olan parametrelerin değerlerini temsil ederler. PSO’da, her bir birey bir “parçacık” olarak adlandırılır ve bir parçacık, çözüm alanında rastgele bir konumla başlar. Parçacıklar, sürünün bir üyesi olarak hareket eder ve problemi çözmek için bir araya gelirler.

PSO’nun temel fikri, bireyler arasındaki etkileşimlerin ve hareketlerin optimal bir çözümü bulmak için kullanılmasıdır. Her bir parçacık, mevcut konumundan ve hızından etkilenir ve konumunu ve hızını günceller. Bu güncelleme işlemi, parçacığın kendi konumunun ve sürünün en iyi konumunun bir kombinasyonunu kullanarak yeni bir konum ve hız hesaplamasıdır. Bu hesaplama, her parçacık için yapılır ve en uygun konum ve hız, sürünün en iyi konumu olarak kaydedilir.

PSO algoritması, belirli bir iterasyon sayısı veya durma kriterleri elde edilene kadar devam eder. Her iterasyonda, parçacıkların konum ve hızları güncellenir ve en uygun çözüm için bir arama yapılır. Algoritma, global en iyi çözüme yaklaşmak için iterasyonlar devam ettikçe parçacıkların hareketlerini optimize eder.

Bu şekilde, PSO, birçok bireyin birbirleriyle etkileşim içinde olduğu bir mekanizma kullanarak, global optimumu aramak için sürü davranışını taklit eder. PSO, global optimizasyon problemlerinde ve karmaşık non-lineer problemlerde etkili bir şekilde kullanılabilecek bir meta-sezgisel optimizasyon algoritmasıdır.

PSO Uygulama Adımları

Şekil 3 Parçacık Sürü Optimizasyonu akış diyagramı

PSO algoritmasının uygulanması, aşağıdaki adımlardan oluşur:

1. Başlangıçta, her parçacığın konum ve hızı rastgele belirlenir.
2. Her parçacığın uygunluk değeri hesaplanır. Bu değer, nesne fonksiyonunun parçacık için aldığı değerdir.
3. Parçacıkların uygunluk değerleri karşılaştırılır ve en iyi konum kaydedilir.
4. Her parçacığın hızı hesaplanır. Hız vektörü, parçacığın mevcut konumundan ve en iyi konumdan etkilenir.
5. Yeni konumlar, hız vektörleri kullanılarak hesaplanır ve parçacıklar yeni konumlarına hareket eder.
6. Yeni konumlar için uygunluk değerleri hesaplanır ve en iyi konum kaydedilir.
7. En iyi konum, optimum çözüme ulaşılıncaya kadar tekrarlanan işlemlerle güncellenir.

PSO alirken, bazı önemli parametreler de belirlenmelidir. Bu parametreler şunlardır:

1. İterasyon sayısı: PSO algoritmasının kaç kez tekrarlanacağı belirlenir. Bu sayı, optimum çözüme ulaşmak için yeterli olacak kadar büyük seçilmelidir.
2. W ağırlık faktörü: Bu faktör, parçacıkların hızını hesaplarken kullanılır. Bu faktör, parçacığın mevcut hızı ile en iyi konumunun etkisini ayarlar. Genellikle, W değeri 0.4–0.9 arasında seçilir.
3. C1 ve C2 sabitleri: Bu sabitler, parçacıkların hızını hesaplamak için kullanılır. C1 sabiti, parçacığın mevcut hızına etkisi olan en iyi konumun ağırlığını belirler. C2 sabiti, en iyi konumun hızına etkisi olan en iyi konumun ağırlığını belirler. Bu sabitlerin genellikle 2 olarak seçilmesi önerilir.
4. İyi konumun yerel veya küresel olması: PSO algoritması, her parçacığın en iyi konumunu kaydederek optimize etmeye çalışır. Bu konumun yerel mi yoksa küresel mi olduğu da belirlenmelidir. Yerel en iyi konumlar, her parçacığın kendi bölgesindeki en iyi konumlarıdır. Küresel en iyi konum, tüm parçacıkların en iyi konumudur.

PSO algoritması, belirlenen parametrelerle birlikte uygulandığında, optimum çözüme ulaşabilir. Ancak, algoritmanın bazı dezavantajları da vardır. Örneğin, algoritmanın yakınsama hızı düşük olabilir ve bazı durumlarda lokal minimumlara takılıp kalabilir. Bu nedenle, PSO algoritması diğer optimizasyon yöntemleriyle birlikte kullanılabilir veya iyileştirilmiş versiyonları geliştirilebilir.

PSO Varyasyonları

PSO algoritmaları, optimize edilmesi gereken problemlerin özelliklerine göre farklı varyasyonlarla kullanılabilir. Bazı PSO varyasyonları şunlardır:

1. Global PSO (GPSO): Tüm parçacıkların en iyi konumu takip edilir ve bu konuma doğru hareket ederler. Genellikle küçük boyutlu problemlerde kullanılır.
2. Yerel PSO (LPSO): Parçacıkların sadece yakınlarında bulunan diğer parçacıkların konumunu takip eder ve optimum çözüme ulaşmak için birbirleriyle etkileşirler. Genellikle büyük boyutlu problemlerde kullanılır.
3. Hızlandırıcı PSO (APSO): Parçacıkların hareketi, mevcut hızlarından ziyade hızlandırıcıların belirlediği bir düzenleme ile hesaplanır. Bu düzenleme, optimum çözüme ulaşma sürecini hızlandırır.
4. Karışık PSO (MPSO): Birden fazla PSO varyasyonunu bir arada kullanarak optimum çözüme daha hızlı ulaşmayı hedefler.
5. Konumsal PSO (CPSO): Parçacıkların konumları, bir kümelenme algoritması kullanarak belirlenir. Bu sayede, parçacıkların birbirleriyle çakışması engellenir ve daha homojen bir dağılım elde edilir.
6. Kuantum PSO (QPSO): Parçacıkların hareketi, kuantum teorisi prensiplerine dayanarak hesaplanır. Bu sayede, daha iyi bir global arama yapılabilir.

Bu ve benzeri PSO varyasyonları, farklı optimizasyon problemlerine uygun olarak seçilerek daha etkili sonuçlar elde edilebilir.

Aşağıda, PSO’nun bazı önemli avantajları ve dezavantajları özetlenmiştir:

Avantajları:

1. Basit ve hızlı bir algoritma: PSO, basit bir algoritmaya sahiptir ve doğru şekilde yapılandırıldığında hızlı sonuçlar elde edilebilir.
2. Global optimizasyon: PSO, genellikle global optimizasyon problemlerinde başarılıdır ve birçok durumda diğer meta-sezgisel algoritmalardan daha iyi sonuçlar verir.
3. Paralelleştirilebilir: PSO, paralelleştirilebilir bir algoritmadır, bu nedenle yüksek performanslı bilgi işlem ortamlarında çalıştırılabilir.
4. Az parametreli: PSO, diğer bazı meta-sezgisel algoritmalara kıyasla az sayıda parametre kullanır, bu nedenle parametre ayarlaması daha kolaydır.

Dezavantajları:

1. Yerel minimum problemleri: PSO, yerel minimumlarda sıkışabilir ve global minimumdan uzaklaşabilir.
2. Parametre hassasiyeti: PSO’nun performansı, parametrelerin doğru şekilde ayarlanmasına bağlıdır ve yanlış ayarlandığında sonuçları önemli ölçüde etkileyebilir.
3. Tutarlılığın eksikliği: PSO’nun çözümü rastgeleleştirilir ve bu nedenle tekrarlanan çalışmaların sonuçları arasında tutarlılık eksikliği olabilir.
4. Boyut problemleri: PSO, yüksek boyutlu optimizasyon problemlerinde zorluk yaşayabilir ve daha uzun süre çalışması gerekebilir.

PSO’nun avantajları ve dezavantajları, algoritmanın doğru şekilde kullanılması için dikkate alınmalıdır.

KANAKÇA

1-Kennedy, J.; Eberhart, R. C., “Particle Swarm Applied Mathematics 209:160–166, 2007. Optimization”, Proc. of the IEEE Int. Conference on Neural Networks, 4, 1942–1948, 1995.