Küresel optimizasyon için sinirsel bilgi aktarımıyla öğrenme destekli Yapay Arı Kolonisi

Zor problemler için daha akıllı dijital sürüler

Günümüzün en zorlu pek çok problemi—güneş panellerinin ayarlanmasından teslimat rotalarının planlanmasına kadar—en iyi yanıtı bulmak için devasa olasılık uzaylarında arama yapmaya indirgenir. Arı ya da kuş sürülerinin çevrelerini keşfetme biçimlerini taklit eden sürü tabanlı algoritmalar bu tür aramalar için yaygın olarak kullanılır. Ancak klasik sürüler büyük ölçüde hafızadan ziyade şansa dayanır. Bu makale, popüler bir arı tabanlı algoritmayı gerçekten deneyimden “öğrenir” hale getirmenin bir yolunu tanıtarak onu akıllı bir tahmin ediciden veri odaklı bir problem çözücüsüne dönüştürüyor.

Kör dolaşmadan yönlendirilmiş keşfe

Geleneksel arama yöntemleri sisli bir dağ silsilesinde rastgele dolaşan yürüyüşçüler gibi düşünülebilir; en yüksek zirveyi bulmayı umarlar. Basit bir “rastgele arama” her yere yürür ve çok yavaş iyileşir. Yapay Arı Kolonisi (ABC) yöntemi de dahil daha gelişmiş evrimsel algoritmalar doğal seçilim ve besin arama davranışından esinlenen kuralları kullanır: bazı sanal arılar yeni alanları keşfeder, bazıları iyi bölgeleri kullanır ve zayıf konumlar terk edilir. Yine de bu yöntemlerin çoğu daha önce neyin işe yaradığını gösteren zengin geçmişi göz ardı eder. Her yeni hareket, geçmiş başarıların ayrıntılı örüntülerine çok az dikkatle seçilir; bu da ilerlemenin yavaşlamasına veya gerçek zirve yerine vasat bir tepede takılı kalmaya yol açabilir.

Arıları hatırlamaya ve tahmin etmeye öğretmek

Yazarlar, standart arı algoritmasını basit bir yapay sinir ağı—matematiksel bir beyin türü—ile yükselten Öğrenme Destekli Yapay Arı Kolonisi (LA-ABC) yöntemini öneriyor. Dijital arılar arama yaparken algoritma “başarılı hamleleri” kaydeder: yeni bir aday çözüm açıkça daha iyi olduğunda, çift yuvarlanan bir arşive eklenir. Bu örnekler, iyi çözümlerin nasıl evrildiğini yakalayan bir deneyim bankası oluşturur. Sinir ağı, çalışma sırasında çevrimiçi olarak eğitilerek “önce”den “sonra”ya bir eşleme öğrenir: umut verici bir çözüm verildiğinde, onu daha da iyiye nasıl iteceğini tahmin eder.

İki yol: şans mı yoksa öğrenilmiş rehberlik mi

Bu öğrenme motoru devreye girdikten sonra LA-ABC iki dönüşümlü modda çalışır. Bir modda arılar orijinal ABC gibi davranır; keşfi korumak ve aşırı güveni önlemek için rasgeleye yakın kurallar kullanılır. Diğer modda ise algoritma öğrendiği modeli devreye alır. Seçilen bir arı için sinir ağı geliştirilmiş bir konum önerir ve sürünün erken veriye aşırı uyum sağlamaması veya katılaşmaması için hafif bir rastgelelik eklenir. Bir kontrol düğmesi, öğrenme destekli yolun ne sıklıkla kullanılacağını belirler; geniş çaplı arama ile odaklanmış iyileştirme arasında denge kurar. Bu tasarım, sürünün biriktirdiği bilgiden faydalanmasını sağlarken hâlâ yeni, keşfedilmemiş bölgeleri incelemesine izin verir.

Öğrenilmiş sürüleri teste sokmak

Öğrenmenin gerçekten yardımcı olup olmadığını görmek için yazarlar LA-ABC’yi zorlu olduğu bilinen onlarca matematiksel test yatağında değerlendirmişler: düzgün ve engebeli manzaralar, tek tepe ve çok tepe senaryoları ve her ikisinin karmaşık karışımları. Bunu, Geliştirilmiş Diferansiyel Evrim, Parçacık Sürü Optimizasyonu ve diğer bilgi destekli ve takviyeli öğrenme tabanlı sürüler dahil olmak üzere düzineye yakın önde gelen algoritmayla karşılaştırmışlar. Çoğu testte LA-ABC daha iyi çözümlere daha hızlı ve daha güvenilir şekilde ulaşmış; bu sonuç birden fazla istatistiksel incelemeyle doğrulanmış. Yazarlar daha sonra yöntemi pratik bir mühendislik görevine uygulamışlar: fotovoltaik (güneş) modellerinin gizli elektriksel parametrelerini tahmin etmek. Burada LA-ABC, yalnızca gerçekçi dirençler ve diyot davranışı gibi fiziksel beklentilerle uyumlu parametre değerlerini geri kazanmakla kalmamış, aynı zamanda gerçek ölçüm verilerini özellikle düşük hata ile yeniden üretmiş.

Gerçek dünya teknolojisi için neden önemli

Çalışma, sürü algoritmalarına makul bir öğrenme bileşeni eklemenin arama gücünü önemli ölçüde keskinleştirebileceğini, onları hantal hale getirmeden göstergeliyor. LA-ABC, orijinal arı algoritmasını popüler kılan sadelik ve esnekliği korurken geçmiş başarıların bir hafızasını ekleyerek gelecekteki kararları nazikçe yönlendirir. Uzman olmayanlar için çıkarım şudur: mühendislik, enerji, lojistik ve hatta makine öğrenmesi gibi alanlarda perde arkasında kullanılan pek çok optimizasyon aracı, küçük ve odaklı öğrenme modülleri eklenerek daha verimli hale getirilebilir. Sonsuzca tahmin yürütmek yerine, bu dijital sürüler artık nerede bulunduklarını hatırlayan ve o deneyimi daha iyi çözümlere tırmanmak için kullanan deneyimli kaşifler gibi davranmaya başlıyor.

Atıf: Saini, G., Jadon, S.S. & Chaube, S. Learning-aided Artificial Bee Colony with neural knowledge transfer for global optimization. Sci Rep 16, 7019 (2026). https://doi.org/10.1038/s41598-026-38028-2

Anahtar kelimeler: sürü zekası, yapay arı kolonisi, sinir ağları, optimizasyon, güneş enerjisi