Ateşböceği Algoritması — Biyolüminesans Yoluyla Sürü Optimizasyonu
Firefly Algorithm (FA) · Ayrıca şöyle bilinir: FA, Firefly Optimization, Ateşböceği Algoritması (Firefly Algorithm)
Xin-She Yang tarafından 2008'de tanıtılan ve 2010'da resmen yayınlanan Ateşböceği Algoritması (FA), ateşböceklerinin biyolüminesans çekim davranışını modelleyen doğadan ilham alan bir sürü meta-sezgiselidir. Her aday çözüm bir ateşböceğidir ve parlaklığı hedef fonksiyonu değerini temsil eder; daha sönük ateşböcekleri, mesafe ile azalan bir çekim kuvvetiyle daha parlak olanlara doğru hareket eder ve gradyan bilgisi olmadan sürüleri optimumlara doğru yönlendirir.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Ateşböceği Algoritması, sürekli, gradyansız optimizasyon problemleri için uygundur — özellikle birden fazla rakip optimumun bulunduğu çok modlu manzara alanları. Herhangi bir dağılım varsayımı gerektirmez ve herhangi bir popülasyon boyutu ve iterasyon bütçesiyle çalışır, bu da onu minimum örnek kısıtlamaları olmadan uygulanabilir hale getirir. Mühendislik tasarımı, hiper-parametre ayarı ve hedefin pahalı veya türevlenemez olduğu bilimsel model uydurma için çok uygundur. Modifikasyon olmadan tamamen ayrık veya kombinatoryal problemler için uygun değildir.
Güçlü yönler & sınırlılıklar
- Otomatik alt sürü oluşumu: ateşböcekleri doğal olarak aynı anda birden fazla optimum etrafında kümelenir, bu da onu çok modlu problemler için doğal olarak uygun hale getirir.
- Gradyansız: algoritma sadece hedef fonksiyonu değerlendirmeleri gerektirir, türevleri değil, bu nedenle kara kutu ve türevlenemez problemler için geçerlidir.
- Kavramsal olarak basit: sadece iki anahtar parametre (β₀ ve γ) aramayı yönetir, bu da ayarlamayı yapılabilir kılar.
- Arama uzayı veya hedef fonksiyonu üzerinde dağılımsal varsayım yok.
- Tüm çift çekim hesaplaması, popülasyon boyutuna göre karesel olarak büyüdüğü için, çok yüksek boyutlu uzaylara (genellikle birkaç yüz değişkenin ötesinde) kötü ölçeklenir.
- Performans, ışık emilim parametresi γ'nin seçimine duyarlıdır; kötü seçilmiş bir γ, sürüleri erken çökertebilir veya yakınsamayı engelleyebilir.
- Yalnızca sürekli optimizasyon için uygundur; ayrık veya kombinatoryal varyantlar, önemsiz olmayan modifikasyon gerektirir ve doğrudan desteklenmez.
SSS
Işık emilim parametresi γ'yi nasıl seçerim?
γ, çekimin mesafeyle ne kadar hızlı azaldığını kontrol eder. Pratik bir başlangıç kuralı, karakteristik mesafe 1/√γ'nin arama uzayı çapının mertebesinde olacak şekilde γ'yi ayarlamaktır. Ardından, en iyi yakınsamayı veren değeri seçmek için küçük bir grid üzerinde γ'yi tarayın ve temsili bir test çalışmasında seçin.
Ateşböceği Algoritması, Parçacık Sürü Optimizasyonu ile nasıl karşılaştırılır?
Her ikisi de sürü meta-sezgiselidir, ancak PSO hareketi yönlendirmek için küresel ve kişisel en iyi hafızaları kullanırken, FA çift çekim kullanır. FA'nın çift mekanizması, birden fazla optimum etrafında doğal alt sürü oluşumuna izin vererek çok modlu manzara alanlarında doğal bir avantaj sağlar; PSO genellikle tek modlu problemler üzerinde daha hızlı yakınsar.
Ateşböceği Algoritması ayrık veya kombinatoryal problemleri işleyebilir mi?
Standart formu sürekli uzaylar üzerinde tanımlandığı için doğrudan değil. Literatürde ayrık varyantlar (permütasyon temsilleri veya ikili kodlamalar kullanarak) mevcuttur, ancak bunlar probleme özgü adaptasyon gerektirir ve orijinal formülasyonun parçası değildir.
Kaç ateşböceği (popülasyon boyutu) kullanmalıyım?
Orijinal makaleler, orta boyutlu problemler için 25-40 ateşböceği önerir. Daha yüksek boyutlar için, popülasyonu orantılı olarak artırın. Tüm çift çekim adımının popülasyon boyutuna göre O(n²) olduğunu unutmayın, bu nedenle çok büyük popülasyonlar hesaplama süresini önemli ölçüde artırır.
Kaynaklar
- Yang, X.S. (2010). Firefly Algorithm, Stochastic Test Functions and Design Optimisation. International Journal of Bio-Inspired Computation, 2(2), 78-84. DOI: 10.1504/IJBIC.2010.032124 ↗
- Yang, X.S. (2014). Nature-Inspired Optimization Algorithms. Elsevier. ISBN: 978-0-12-416743-8
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 1). Firefly Algorithm (FA). ScholarGate. https://scholargate.app/tr/optimization/firefly-algorithm
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Cuckoo SearchOptimizasyon↔ karşılaştır
- Differential EvolutionOptimizasyon↔ karşılaştır
- Genetik AlgoritmaOptimizasyon↔ karşılaştır
- Grey Wolf OptimizerOptimizasyon↔ karşılaştır
- Parçacık Sürü Optimizasyonu (PSO)Optimizasyon↔ karşılaştır