Buradasınız

Anasayfa » Content

COMBINATORIAL OPTIMIZATION USING ARTIFICIAL BEE COLONY ALGORITHM AND PARTICLE SWARM OPTIMIZATION SUPPORTED GENETIC ALGORITHM

YAPAY ARI KOLONİ ALGORİTMASI ve PARÇACIK SÜRÜ OPTİMİZASYONU DESTEKLİ GENETİK ALGORİTMA İLE KOMBİNATORYAL OPTİMİZASYON

Journal Name:

  • Kafkas Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi

Publication Year:

  • 2013

Key Words:

Keywords (Original Language):

Author NameUniversity of AuthorFaculty of Author
Abstract (2. Language): 
Kombinatoryal optimizasyon problemleri genellikle NP-zor sınıfında yer alan ve çözüm uzayları çok büyük olan problemlerdir. Bu nedenle çözüm uzayında yer alan bütün çözümlerin tek tek denenmesi mümkün değildir. Yapay Arı Kolonisi (YAK), Parçacık Sürü Optimizasyonu (PSO) ve Genetik Algoritma (GA) kombinatoryal optimizasyon problemlerinin çözümü için geliştirilmiş olan meta-sezgisel tekniklerdir. YAK ve PSO doğadan esinlenilmiş sürü zekâsı temelli algoritmalardır. Bu çalışmada YAK ve PSO ile desteklenmiş GA tekniği bütün şehirlerin dolaşılması ve başlangıç şehrine dönmek koşuluyla en kısa rotanın bulunmasında kullanılacaktır.Problem herkesçe bilinen Simetrik Gezen Satıcı Problemi (SGSP)’dir. Bu çalışmada yer alan Gezen Satıcı Problemi (GSP) Türkiye’deki 81 şehirden oluşmaktadır. YAK ve PSO ile desteklenmiş GA tekniği GSP’nin çözümü için kullanılmış ve elde edilen sonuçlar Karınca Kolonisi Algoritması (KKA) ile elde edilen sonuçlar ile karşılaştırılmıştır. Araştırmamız YAK ve PSO ile desteklenmiş GA tekniği ile kombinatoryal optimizasyon probleminin çözümüne dayanmaktadır. Elde edilen sonuçlar göstermektedir ki YAK ve PSO ile desteklenmiş GA tekniği ile elde edilmiş olan sonuçlar KKO ile karşılaştırıldığında oldukça etkili ve iyi sonuçlardır.
Bookmark/Search this post with
Abstract (Original Language): 
Combinatorial optimization problems are usually NP-hard and the solution space of them is very large. Therefore the set of feasible solutions cannot be evaluated one by one. Artificial Bee Colony (ABC), Particle Swarm Optimization (PSO) and Genetic Algorithms (GA) are metaheuristic techniques for combinatorial optimization problems. ABC and PSO are swarm intelligence based approaches and they are nature-inspired optimization algorithms. In this study ABC and PSO supported GA techniques were used for finding the shortest route in condition of to visit every city one time but the starting city twice. The problem is a well-known Symmetric Travelling Salesman Problem. Our travelling salesman problem (TSP) consists of 81 cities of Turkey. ABC and PSO-based GA algorithms are applied to solve the travelling salesman problem and results are compared with ant colony optimization (ACO) solution. Our research mainly focused on the application of ABC and PSO based GA algorithms in combinatorial optimization problem. Numerical experiments show that ABC and PSO supported GA are very competitive and have good results compared with the ACO, when it is applied to the regarding problem.
FULL TEXT (PDF): 
PDF icon arastirmax-combinatorial-optimization-using-artificial-bee-colony-algorithm-and-particle-swarm-optimization-supported-genetic-algorithm.pdf
  • 4
59
70
  • Turkish

JEL Codes:

REFERENCES

References: 

Akay Bahriye, Karaboğa Derviş, A modified Artificial Bee Colony algorithm for real-parameter
optimization, Information Sciences, 192, pp. 120–142, 2012
Chen, C.Y., Ye, F., Particle Swarm Optimization Algorithm and Its Application to Clustering Analysis,
Proceedings of the 2004 IEEE, International Conference of Networking, Sensing and Control,
Taipei, Taiwan, March, 2004, 789-79
Diwold K., Aderhold A., Scheidler A., Middendorf M., Performance evaluation of artificial bee colony
optimization and new selection scheme, Memetic Computing, Volume 3, Issue 3, Sayfa 149–162,
2011
http://www.kgm.gov.tr/Sayfalar/KGM/SiteTr/Root/Uzakliklar.aspx
Karaboğa Derviş, Akay Bahriye, A Comparative Study of Artificial Bee Colony Algorithm, Applied
Mathematics and Computation 214, pp. 108-132, 2009
Karaboğa Derviş, An Idea Based On Honey Bee Swarm For Numerical Optimization, Technical Report,
pp. 1-10, 2005
Kennedy J., Eberhart R. C., Particle swarm optimization, in Proc. of the IEEE International Conference
on Neural Networks, Piscataway, NJ, pp. 1942–1948, 1995
Kıran, Mustafa Servet, İşcan Hazım, Gündüz Mesut, The analysis of discrete artificial bee colony
ÖNDER, ÖZDEMİR, YILDIRIM | Combinatorial Optimization Using Particle Swarm Optimization Suppor...
Kafkas University Journal of Economics and Administrative Sciences Faculty
KAU EASF Journal | Vol 4 * Issue 6 * Year 2013
70
algorithm with neighborhood operator on traveling salesman problem, Neural Computing and
Applications, pp. 1–13. doi:10.1007/s00521-011-0794-0, 2012
Liao Y.-F., Yau D.-H., Chen C.-L., Evolutionary algorithm to traveling salesman problems, Computers &
Mathematics with Applications, Volume 64, Issue 5, 788–797, doi:10.1016/j.camwa.2011.12.018,
2012
Marinakis, Y., Marinaki, M., Dounias, G., Honey bees mating optimization algorithm for the Euclidean
traveling salesman problem, Information Sciences, 181(20), pp. 4684–4698, doi:10.1016/j.
ins.2010.06.032, 2011
Republic of Turkey General Directorate of Highways web site (2013)
Söyler Hasan, Keskintürk Timur, Karinca Kolonisi Algoritmasi ile Gezen Satici Probleminin Çözümü, 8.
Türkiye Ekonometri ve İstatistik Kongresi, 2007
Wen-liang Zhong, Jun Zhang, W. C., A Novel Discrete Particle Swarm Optimization to Solve Traveling
Salesman Problem, Evolutionary Computation pp. 3283–3287, 2007
Yen-Far Liao, Dun-Han Yau, Chieh-Li Chen, Evolutionary algorithm to traveling salesman problems,
Computer and Mathematics with Applications 64, 788-797, 2012

Thank you for copying data from http://www.arastirmax.com