An emprical study on multi-meme memetic algorithms which includes Choice Function, Reinforcement Learning and Simple Random Hyper-heuristics *
AYBU Business Journal, cilt.4, sa.1, ss.1-23, 2024 (Hakemli Dergi)
- Yayın Türü: Makale / Tam Makale
- Cilt numarası: 4 Sayı: 1
- Basım Tarihi: 2024
- Doi Numarası: 10.61725/abj.1499654
- Dergi Adı: AYBU Business Journal
- Sayfa Sayıları: ss.1-23
- Ankara Yıldırım Beyazıt Üniversitesi Adresli: Evet
Özet
Hiper sezgisel algoritmalar, karmaşık hesaplama sorunlarını ele almak için yeniden kullanılabilir, alandan bağımsız yöntemler olarak tasarlanmıştır. Belirli sorunlar için iyi çalışan özel yaklaşımlar olsa da, bunlar genellikle parametre ayarlaması gerektirir ve diğer problemlerin çözümlerine aktarılamaz. Memetik Algoritmalar, genetik algoritmaları ve yerel arama tekniklerini birleştiren yöntemlerdir. Memlerin evrimsel etkileşimi, hesaplama problemlerini çözebilen akıllı komplekslerin oluşturulmasına olanak tanır. Hiper sezgisel algoritmalar, çözümü doğrudan ele alan bir dizi düşük seviyeli sezgisel algoritma üzerinde çalışan yüksek seviyeli bir arama tekniğidir. Bu yaklaşımın iki ana bileşeni vardır; sezgisel seçim ve hareket kabul mekanizmaları. Sezgisel seçim yöntemi hangi düşük seviyeli sezgiselin kullanılacağını belirlerken, hareket kabul mekanizması ortaya çıkan çözümün kabul edilip edilmeyeceğine karar verir. Bu çalışmada, birden fazla hiper-sezgisel (Modifiye Seçim Fonksiyonu Tüm Hareketler, Büyük Tufan ile Takviyeli Öğrenme ve Sadece Basit Rastgele İyileştirme) ve sezgisel parametreleri (mutasyon oranları ve arama derinliği gibi) entegre eden ve yöneten bir hiper-sezgisel olarak çok-memli bir memetik algoritma araştırılmıştır. Önerilen hiper sezgiselin iki farklı varyasyonunu test eden deneysel bir çalışma gerçekleştirilmiştir. İlk algoritma hem Takviyeli Öğrenme hem de Basit Rastgele için Sadece İyileştirme kabul tekniğini ve Değiştirilmiş Seçim Fonksiyonu için Tüm Hareketler tekniğini kullanmaktadır. İkinci versiyonda ise Takviyeli Öğrenme için Sadece İyileştirme yerine Büyük Tufan yöntemi kullanılmaktadır. İkinci algoritmanın sonuçları CHeSC2011 yarışmasındaki rakiplerin çoğundan daha iyi performans göstererek dördüncü en iyi hiper-sezgisel performansı elde etmiştir.