Verimli küresel optimizasyon için Sekant Optimizasyon Algoritması

Zor Sorular İçin Daha Akıllı Arama

Daha temiz güneş panelleri tasarlamaktan doğru görüntü tanıma sistemleri eğitmeye kadar, bugünün birçok zorluğu aynı göreve indirgenebilir: iyi bir çözüm bulmak için çok geniş olasılık alanlarında arama yapmak. Bu makale, bu aramayı daha verimli yürütmenin yeni bir yolunu sunuyor: Sekant Optimizasyon Algoritması (SOA). Kalkülustan alınmış klasik bir fikirden esinlenmiş ama dağınık, gerçek dünya verileri için mühendislik yapılmış olan SOA, geleneksel yöntemlerin zorlandığı durumlarda hem hızlı hem de güvenilir olmayı hedefliyor.

Optimizasyonun Yeni Fikirlere İhtiyacı Neden Var

Modern mühendislik ve veri bilimi sorunları genellikle onlarca ya da yüzlerce ayarlanabilir parametre, birden çok hedef ve basit formüllerle yazılması zor karmaşık ilişkiler içerir. Kesin gradyanları takip eden klasik teknikler (ör. en dik iniş), yüzey pürüzlü olduğunda, çok sayıda yerel tuzak bulunduğunda veya türevler hesaplanmasının zor/olanaksız olduğu durumlarda başarısız olabilir. Buna karşılık araştırmacılar, zorlu bu manzaraları keşfetmek için doğayı, fiziği veya matematiği taklit eden "meta-sezgisel" algoritmalar geliştirdiler. Genetik algoritmalar veya sürü optimizasyonları gibi bu yöntemler son derece esnek olduğunu kanıtladı, ancak genişçe dolaşma ile hassaslaştırma arasında hâlâ ödünler vardır.

Bir Ders Kitabı Hilesini Arama Motoruna Dönüştürmek

SOA’nın özü, türev gerektirmeden bir eğrinin sıfırı nerede kestiğini bulmak için kullanılan eski bir nümerik hile olan sekant yöntemidir. Kalkülustan hesaplanan bir eğim yerine, sekant yöntemi eğri üzerindeki iki yakın nokta arasında düz bir çizgi çizer ve bu çizgiyi kaba bir eğim olarak kullanır. SOA bu fikri çok boyuta ve aynı anda birçok aday çözüme genelleyerek uyguluyor. Bir çözüm popülasyonu (olası cevap vektörleri) tutar ve bunları yalnızca fonksiyon değerlerinden eğilimi yaklaşık alan sekant-benzeri adımlarla tekrar tekrar günceller. Bu, doğruların gürültülü, pahalı veya tanımsız olduğu ayarlarda—örneğin doğrulama hatasına bakarak sinir ağlarının hiperparametrelerini ayarlarken—yöntemi cazip kılar.

Geniş Keşif ile Keskin Odak Arasında Denge Kurmak

SOA’nın tasarımı keşfetme ile iyileştirmeyi açıkça ayırır. Keşif aşamasında, her aday mevcut en iyi çözüm, mevcut vektör ve rastgele seçilmiş bir eşten gelen bilgileri birleştiren sekant-tabanlı bir kuralla ayarlanır. Bu, aramayı tamamen rastgele olmadan umut verici görünen yönlere doğru yönlendirir. Sömürü (exploitation) aşamasında ise SOA bir "genişletme faktörü" ve kontrollü rasgelelik getirir. Çözümleri en iyiye, ortalamaya, en yakın ve hatta en uzak noktalara doğru iteler ve rastgele yürüyüşleri karıştırır. Basit bir mutasyon kuralı zaman zaman yeni konum yerine eski konumu koruyarak çeşitliliği muhafaza eder. Birlikte bu mekanikler SOA’nın yerel tuzaklardan kaçmasına ve yine de yüksek kaliteli çözümlere odaklanmasına yardımcı olur.

Benchmark’larda ve Gerçek Cihazlarda Test Etme

SOA’nın kağıt üzerinde yaratıcı bir fikirten öte olup olmadığını görmek için yazarlar, CEC2021 ve CEC2020 olarak bilinen yaygın benchmark aileleri üzerinde test ediyorlar. Bu fonksiyonlar cezası ağır olacak şekilde tasarlanmıştır: bazıları düşük boyutlu olup sahte minimumlarla dolu; diğerleri ise 50 veya 100 boyuta kadar uzanır. Bu testler boyunca SOA, 11 matematik-esinli yöntem ve 9 güncel veya varyant optimizatörden oluşan iki rakip grubu ile karşılaştırılıyor. Ortalama hata, değişkenlik, yakınsama eğrileri ve sıra-temelli testler gibi istatistikler kullanıldığında, SOA çoğu rakiple karşılaştırılabilir veya onları geride bırakarak özellikle iyi çözümlere hızlı ve güvenilir şekilde ulaşmada öne çıkıyor. Yazarlar daha sonra sentetik testlerin ötesine geçip iki zorlu gerçek dünya görevine odaklanıyor: fotovoltaik (PV) modellerinde anahtar parametrelerin tahmin edilmesi ve birkaç görüntü veri seti için konvolüsyonel sinir ağlarının hiperparametrelerinin otomatik olarak ayarlanması.

Güneş Panellerinden Sinir Ağlarına

Güneş enerjisinde PV hücreleri ve modüllerinin doğru modelleri, çıktı tahmini ve işletme optimizasyonu için esastır. Ekip, tek-diyot, çift-diyot ve tam modül tanımları dahil olmak üzere birkaç standart PV modeline SOA uyguluyor. Ölçülen akım–gerilim verilerini kullanarak SOA, model parametrelerini hatayı minimize edecek şekilde ayarlıyor ve bir dizi yerleşik optimizatöre kıyasla daha düşük veya karşılaştırılabilir karekök-ortalama-kare (RMSE) hatası elde ettiği gösteriliyor. Makine öğrenmesi deneylerinde ise SOA, MNIST ve ilgili görüntü veri setleri üzerinde bir konvolüsyonel sinir ağının mimarisini ve eğitim ayarlarını ayarlamak için kullanılıyor. Burada da algoritma, diğer otomatik arama stratejilerine kıyasla rekabetçi veya üstün sınıflandırma doğrulukları sağlayan hiperparametre kombinasyonları buluyor.

Pratikte Bunun Anlamı

Uzman olmayanlar için ana mesaj şudur: SOA, yüzeyin pürüzlü olduğu ve gradyanların mevcut olmadığı zor optimizasyon problemleri için pratik bir yeni "arama motoru" sunar. Sekant yönteminin geometrisinden yararlanıp bunu iyi dengelenmiş rastgelelik içeren popülasyon tabanlı bir aramaya yerleştirerek, algoritma genellikle birçok güncel alternatife kıyasla daha hızlı ve daha doğru yakınsama sağlar. Nispeten basit, türevsiz ve az sayıda ayarlanması gereken parametreye sahip olduğundan, SOA daha verimli güneş enerjisi sistemleri tasarımından derin öğrenme modellerinin yapılandırılmasına kadar çeşitli uygulamalara kolayca entegre edilebilir ve mühendisler ile veri bilimciler için umut vadeden bir araç seti eklentisi olur.

Atıf: Ibrahim, M.Q., Qaraad, M., Hussein, N.K. et al. Secant Optimization Algorithm for efficient global optimization. Sci Rep 16, 6659 (2026). https://doi.org/10.1038/s41598-026-36691-z

Anahtar kelimeler: küresel optimizasyon, meta-sezgisel algoritmalar, sekant optimizasyon algoritması, fotovoltaik modelleme, hiperparametre ayarlama