Hibrit guguk kuşu arama algoritması ve elit karşıt-tabanlı öğrenmeye dayalı geliştirilmiş uyarlanabilir fil sürüsü optimizasyonu

Zor Problemler İçin Daha Akıllı Arama

Makine öğrenmesi modellerinin ayarlanmasından daha ucuz köprüler tasarlamaya kadar birçok modern zorluk sayısız olasılık arasından en iyi seçimi aramaya dayanır. Bu makale, fil sürülerinden, dolanan kuşlardan ve “karşıt” tahminlere akıllıca bakma yönteminden alınmış fikirleri birleştiren daha akıllı bir arama yöntemi sunuyor. Sonuç, geniş bir test problemi ve pratik mühendislik görevleri yelpazesinde iyi cevapları daha hızlı ve daha güvenilir şekilde bulan bir bilgisayar aracıdır.

En İyi Cevabı Bulmak Neden Bu Kadar Zor?

Mühendisler veya bilim insanları bir tasarımı optimize etmeye çalıştığında, her noktanın farklı bir çözümü temsil ettiği tepeler ve vadilerle dolu bir manzarayla karşılaşırlar. Standart arama yöntemleri yakındaki bir vadiye kolayca takılıp kalabilir ve gerçekten en derin vadiyi, yani en iyi cevabı kaçırabilir. Fil Sürüsü Optimizasyonu gibi önceki doğadan esinlenmiş yöntemler, fil sürülerinin klan liderlerini takip etmesini ve sürüde çeşitliliği korumasını taklit ederek makul bir performans gösterdi. Ancak bu önceki yöntemin üç ana zayıflığı vardı: vasat bir çözüme erken yerleşme eğilimi, geniş keşiften ince ayara düzgün bir geçiş yapamama ve aramanın son aşamalarında yavaşlama.

Üç Basit Fikrin Karışımı

Yazarlar bu sorunları ele almak için AEHOCSEOBL adında yeni bir algoritma öneriyor ve üç fikri harmanlıyor. Birincisi, her filin klan liderini takip etme gücünü zaman içinde uyarlanabilir bir programla ayarlıyorlar. Başlangıçta filler genişçe dolaşır, böylece algoritma geniş bölgeleri tarayabilir; daha sonra sürü en umut verici noktalara yaklaşarak nihai cevabı cilalar. İkincisi, Guguk Kuşu Araması yönteminden bir davranış ödünç alıyorlar: sadece klan liderlerine uygulanan zaman zaman yapılan uzun sıçramalar, kuşların düzensiz yollarından esinlenir. Bu büyük adımlar liderlerin kötü bölgelerden kaçmasını sağlar ve takipçilerini tüm sürüyü karıştırmadan daha iyi vadilere taşır.

Meraklı Kalmak İçin “Karşıt” Tahminler Eklemek

Üçüncü fikir elit karşıt-tabanlı öğrenme olarak adlandırılıyor, ancak özü sezgiseldir. Algoritma özellikle iyi aday çözümler bulduğunda, izin verilen aralık içinde bunların kontrollü “karşıtları” olan yeni tahminler de üretiyor. Hem elit tahminleri hem de karşıtlarını kontrol ederek yöntem, en umut verici bölgelerin etrafında seçeneklerini açık tutuyor; böylece dar bir köşeye sıkışmak yerine daha çok yönlü arama devam ediyor. Bu ek merak, aramanın küçük yerel vadilere takılmasını önlemeye yardımcı olurken yine de yüksek kaliteli bölgelere doğru yönelmesini sağlıyor.

Matematik Bulmacaları ve Gerçek Tasarımlar Üzerinde Test

Bu birleşik stratejinin ne kadar iyi çalıştığını görmek için yazarlar, optimizasyon yöntemlerini değerlendirmede yaygın olarak kullanılan on standart matematiksel bulmaca üzerinde test yaptı. Bu testlerin bazıları bir yöntemin tek, düzgün bir vadide ne kadar hızlı kayabildiğini ölçerken, diğerleri dikkatsiz bir aramayı tuzağa düşürebilecek pek çok tepe ve çukura sahip. Tüm bu testler boyunca yeni yaklaşım, Parçacık Sürüsü Optimizasyonu, Sine Cosine Algoritması ve birkaç önceki fil tabanlı hibrit gibi iyi bilinen rakiplere kıyasla daha düşük hatalara ve daha kararlı davranışa sürekli olarak ulaştı. Bazı durumlarda bilinen en iyi değere tam olarak ulaştı ya da çok daha düşük ortalama hata gösterdi.

Teoriden Pratik Mühendisliğe

Sentetik testlerin ötesinde araştırmacılar yöntemlerini iki gerçek mühendislik problemine uyguladı. Bunlardan biri, gürültülü sinyaller temizlenirken bozulmanın önlenmesi için birçok birbirine bağlı ayarın düzeltilmesinin hedeflendiği özel bir sinyal işleme filtresinin tasarımı. Diğeri ise malzeme maliyetinin gerilme, eğilme ve boşalmaya ilişkin güvenlik sınırlarına uyarken minimize edilmesi gereken klasik bir kaynaklı kiriş tasarım problemi. Her iki durumda da yeni algoritma, sonuçları tekrarlı çalışmalarda tutarlı tutarken daha ucuz veya daha doğru tasarımlar buldu; bu da yöntemin sadece akıllı matematik olmadığını, pratikte de işe yaradığını gösteriyor.

Uzman Olmayanlar İçin Anlamı

Basitçe söylemek gerekirse, bu çalışma büyük olasılık alanlarını aramak zorunda olanlar için daha güvenilir bir “hazine haritası” sunuyor. Geniş başlayarak, liderlerin cesur sıçramalar yapmasına izin vererek ve akıllıca seçilmiş karşıt tahminleri sürekli kontrol ederek yöntem, eski araçları yavaşlatan veya yanıltan birçok tuzaktan kaçınıyor. Yazarlar bunun her durum için mükemmel olduğunu iddia etmiyor; çok yüksek boyutlu ya da oldukça kısıtlı problemler hâlâ zorluklar teşkil ediyor. Yine de AEHOCSEOBL, enerji sistemleri, makine öğrenmesi, imalat ve ötesindeki görevler için uyarlanabilecek esnek ve genel bir reçete sunuyor ve bilgisayarların daha az deneme yanılma ile daha iyi çözümler keşfetmesine yardımcı oluyor.

Atıf: Mohamed, Z.E., Dabour, W. An enhanced adaptive elephant herding optimization based on hybrid cuckoo search algorithm and elite opposition-based learning. Sci Rep 16, 15221 (2026). https://doi.org/10.1038/s41598-026-48615-y

Anahtar kelimeler: meta-sezgisel optimizasyon, fil sürüsü optimizasyonu, guguk kuşu araması, karşıt-tabanlı öğrenme, mühendislik tasarımı