Abstract
Bu çalışmada denizanalarının okyanustaki yiyecek arama davranışının modellenmesi ile oluşturulan yapay denizanası arama algoritmasının (JS) performansını geliştirmek amacıyla yeni gelişmiş bir algoritma önerilmiştir. Bunun için JS’ye karşıt tabanlı öğrenme yaklaşımı dahil edilerek popülasyondaki bireylerin arama uzayına daha doğru şekilde dağıtılması sağlanmıştır. Geliştirilmiş algoritma(KJS), standart kıyaslama fonksiyonları üzerinde 10,30,50,100,500 ve 1000 boyut için test edilmiştir. Elde edilen sonuçlar JS ve literatürdeki algoritmalarla karşılaştırılmış, istatistik testler ile yorumlanmıştır. Sonuçlar değerlendirildiğinde önerilen KJS algoritmasının başarılı ve kabul edilebilir sonuçlar ürettiği tespit edilmiştir.
Publisher
European Journal of Science and Technology
Subject
General Earth and Planetary Sciences,General Environmental Science
Reference21 articles.
1. Abdel-Basset, M., Mohamed, R., Abouhawwash, M., Chakrabortty, R. K., Ryan, M. J., & Nam, Y. (2021). An Improved Jellyfish Algorithm for Multilevel Thresholding of Magnetic Resonance Brain Image Segmentations.
2. Almodfer, R., Zayed, M. E., Abd Elaziz, M., Aboelmaaref, M. M., Mohammed, M., & Elsheikh, A. H. (2022). Modeling of a solar-powered thermoelectric air-conditioning system using a random vector functional link network integrated with jellyfish search algorithm. Case Studies in Thermal Engineering, 101797.
3. Chou, J.-S., & Truong, D.-N. (2021). A novel metaheuristic optimizer inspired by behavior of jellyfish in ocean. Applied Mathematics and Computation, 389, 125535.
4. Dhevanandhini, G., & Yamuna, G. An Efficient Lossless Video Watermarking With Multiple Watermarks Using Artificial Jellyfish Algorithm.
5. Gandomi, A. H., Yang, X.-S., Talatahari, S., & Alavi, A. H. (2013). Firefly algorithm with chaos. Communications in Nonlinear Science and Numerical Simulation, 18(1), 89-98.