Veri kümeleme amacıyla yeni hibrit bir algoritma geliştirilmesi
Yükleniyor...
Dosyalar
Tarih
2018
Yazarlar
Dergi Başlığı
Dergi ISSN
Cilt Başlığı
Yayıncı
Düzce Üniversitesi
Erişim Hakkı
info:eu-repo/semantics/openAccess
Özet
Bu tez çalışmasında, kambur balinaların avlanma davranışlarından esinlenilerek geliştirilmiş global bir optimizasyon algoritması olan Balina Optimizasyon Algoritması (BOA), performansı kaos haritaları ile iyileştirildikten sonra veri kümeleme problemlerinde sıklıkla kullanılan Fuzzy C-Means (FCM) algoritmasıyla hibrit edilmiş ve kaotik BOA algoritmaları önerilmiştir. Önerilen algoritmaların performansları ortalama amaç fonksiyon, standart sapma ve Wilcoxon Sign Rank Test ile 0,05 önem düzeyinde değerlendirilmiş, 13 farklı amaç fonksiyon ile test edilmiştir. Önerilen kaotik BOA algoritmalarının her biri BOA algoritmasıyla karşılaştırılmış, performans gelişimi hem istatistiksel olarak hem de grafiksel olarak gösterilmiştir. Ardından, önerilen kaotik BOA algoritmaları FCM algoritması ile bütünleştirilerek hibrit veri kümeleme algoritmaları önerilmiştir. Hibrit veri kümeleme algoritmalarının kümeleme performansları amaç fonksiyon, Rand İndeks ve Adjust Rand İndeks değerleri ile ölçülmüş, UCI Machine Learning Repository veri tabanından seçilen 7 farklı veri kümesi ile test edilerek FCM algoritması ile karşılaştırılmıştır. Bunlara ek olarak, önerilen hibrit algoritmaların veri kümeleme performanslarını arttırmak amacıyla FCM algoritmasındaki tüm uzaklıklar Öklid yerine Chebyshev uzaklık fonksiyonu ile hesaplanarak yeni hibrit kümeleme algoritmaları önerilmiştir. Önerilen tüm algoritmalar hem birbirleriyle hem de FCM algoritmasıyla karşılaştırılmış, FCM algoritmasından daha iyi veri kümeleme yapabildikleri gözlemlenmiştir. Sonuç olarak kaos fonksiyonlarının BOA algoritmasının optimizasyon performansını geliştirdiği, kaos tabanlı BOA algoritmaları ile FCM algoritmasının bütünleştirilmesinin FCM algoritmasının dezavantajlarını iyileştirdiği, uzaklık fonksiyonunun değiştirilmesinin algoritmaların kümeleme performansını arttırdığı görülmüştür.
In this thesis, Whale Optimization Algorithm (WOA), a global optimization algorithm developed by inspiration from hunting behaviors of humpback whales, has been improved with chaos maps and then hybridized with Fuzzy C-Means (FCM) algorithm which is frequently used in data clustering problems and chaotic BOA algorithms are proposed. The performances of the proposed algorithms are evaluated with mean benchmark function, standard deviation and Wilcoxon Sign Rank Test at 0,05 significance level and tested with 13 different benchmark functions. Each of the proposed chaotic WOA algorithms is compared with the WOA algorithm, and the performance improvement is shown both statistically and graphically. Then, the proposed chaotic WOA algorithms are integrated with the FCM algorithm and hybrid data clustering algorithms are proposed. The clustering performances of hybrid data clustering algorithms measured with objective function, Rand Index and Adjust Rand Index values are compared with the FCM algorithm for 7 different data sets selected from the UCI Repository database. In addition, new hybrid clustering algorithms are improved by using Chebyshev distance function instead of Euclidean distance in FCM algorithm to increase data clustering performance of proposed hybrid algorithms. All proposed algorithms are compared with each other and FCM algorithm, and it is observed that they can cluster data better than FCM algorithm. As a result, it has been seen that chaos functions improve the optimization performance of WOA algorithm, integrating chaos-based WOA algorithms with FCM algorithm improves disadvantages of FCM algorithm, changing distance function increases clustering performance of algorithms.
In this thesis, Whale Optimization Algorithm (WOA), a global optimization algorithm developed by inspiration from hunting behaviors of humpback whales, has been improved with chaos maps and then hybridized with Fuzzy C-Means (FCM) algorithm which is frequently used in data clustering problems and chaotic BOA algorithms are proposed. The performances of the proposed algorithms are evaluated with mean benchmark function, standard deviation and Wilcoxon Sign Rank Test at 0,05 significance level and tested with 13 different benchmark functions. Each of the proposed chaotic WOA algorithms is compared with the WOA algorithm, and the performance improvement is shown both statistically and graphically. Then, the proposed chaotic WOA algorithms are integrated with the FCM algorithm and hybrid data clustering algorithms are proposed. The clustering performances of hybrid data clustering algorithms measured with objective function, Rand Index and Adjust Rand Index values are compared with the FCM algorithm for 7 different data sets selected from the UCI Repository database. In addition, new hybrid clustering algorithms are improved by using Chebyshev distance function instead of Euclidean distance in FCM algorithm to increase data clustering performance of proposed hybrid algorithms. All proposed algorithms are compared with each other and FCM algorithm, and it is observed that they can cluster data better than FCM algorithm. As a result, it has been seen that chaos functions improve the optimization performance of WOA algorithm, integrating chaos-based WOA algorithms with FCM algorithm improves disadvantages of FCM algorithm, changing distance function increases clustering performance of algorithms.
Açıklama
YÖK Tez No: 509903
Anahtar Kelimeler
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
