Balina Optimizasyon Algoritması (WOA)
Whale Optimization Algorithm (WOA) · Ayrıca şöyle bilinir: WOA, Balina Optimizasyon Algoritması (WOA), bubble-net attacking method
Balina Optimizasyon Algoritması (WOA), Mirjalili ve Lewis tarafından 2016'da tanıtılan sürü tabanlı bir meta-sezgiseldir. Algoritma, bir grup balinanın avın etrafında spiraller çizerek giderek daha sıkı bir çevreleme oluşturduğu kambur balinaların baloncuk-ağ avlanma stratejisini modeller. Algoritma, az sayıda parametre aracılığıyla küresel keşif ve yerel sömürü arasında denge kurar ve sürekli mühendislik optimizasyon problemlerinde yaygın olarak kullanılmaktadır.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
WOA, amaç fonksiyonunun maliyetli veya analitik olarak çözülemez olduğu sürekli optimizasyon problemleri için uygundur — mühendislik tasarımı, yapısal optimizasyon, özellik seçimi ve hiperparametre ayarlama. Gradyan bilgisi gerektirmez ve normal dağılım varsayımı yapmaz. Algoritma tüm veri yapıları üzerinde çalışır ve özellikle büyük bir arama uzayının keşfinin ince yerel iyileştirmeden önce gelmesi gereken problemler için uygundur. Karar değişkenleri ayrık veya kombinatoryal ise, WOA'nın uyarlanması gerekebilir; bu tür problemler için Tabu Search veya Genetik Algoritmalar daha doğrudan uygulanabilir.
Güçlü yönler & sınırlılıklar
- Çok küçük parametre seti — popülasyon büyüklüğü ve iterasyon sayısı ana kontrollerdir — yapılandırmayı basitleştirir.
- Çevreyi daraltma ve spiral mekanizmaları aracılığıyla keşif ve sömürü arasında, bu dengenin manuel olarak ayarlanmasını gerektirmeden denge kurar.
- Normal dağılım varsayımı ve gradyan gerektirmez; doğrudan kara kutu amaç fonksiyonlarına uygulanır.
- Tekdüze ve çok modlu kıyaslama fonksiyonları üzerinde rekabetçi performans, Mirjalili ve Lewis (2016) tarafından PSO, GSA ve DE'ye karşı doğrulanmıştır.
- Tüm popülasyon tabanlı meta-sezgiseller gibi, WOA da küresel optimumu bulma garantisi vermez; bu bir sezgiselliktir.
- Küçük bir popülasyon veya sıkı bir iterasyon bütçesi varsa, yüksek derecede çok modlu manzaralarda erken yakınsama meydana gelebilir.
- Ayrık ve kombinatoryal problemler üzerindeki performans, probleme özgü kodlama ve komşuluk operatörleri gerektirir.
- Logaritmik spiral parametresi b, bir çalıştırma sırasında sabittir; değeri yakınsama hızını etkiler ancak sınırlı teorik rehberlik alır.
SSS
WOA, Parçacık Sürü Optimizasyonu'ndan (PSO) nasıl farklıdır?
Her ikisi de sürü tabanlıdır ve her ajanın konumunu en iyi bilinen çözüme göre günceller, ancak WOA, balina avından esinlenen bir spiral yörünge ve çevreyi daraltma mekanizması ekler; bu ikisi birlikte küresel aramadan yerel iyileştirmeye yapılandırılmış bir geçiş sağlar. PSO hız belleği kullanır; WOA hızları korumaz. Mirjalili ve Lewis (2016), WOA'nın PSO'dan birkaç kıyaslama fonksiyonunda daha iyi performans gösterdiğini göstermiştir, ancak sonuçlar probleme bağlıdır.
Temel parametreler nelerdir ve nasıl ayarlanmalıdır?
İki ana parametre popülasyon büyüklüğü (genellikle 20-50 ajan) ve maksimum iterasyon sayısıdır (genellikle değerlendirme maliyetine bağlı olarak 100-1000). Logaritmik spiral sabiti b, orijinal makaleye uygun olarak tipik olarak 1 olarak ayarlanır. Çevreyi daraltma katsayısı a, çalıştırma boyunca doğrusal olarak 2'den 0'a düşer ve manuel olarak ayarlanmaz. Varsayılan değerlerle başlayın ve erken yakınsama şüphesi varsa popülasyon büyüklüğünü artırın.
WOA çok amaçlı problemleri ele alabilir mi?
2016'da yayınlanan standart WOA, tek amaçlı bir algoritmadır. Pareto arşivlemeyi ve kalabalık mesafesi seçimini içeren çok amaçlı varyantlar (MOWOA) sonraki literatürde önerilmiştir, ancak bunlar orijinal algoritmanın ötesinde uzantılardır.
Güvenilir bir sonuç için kaç çalıştırma gereklidir?
WOA stokastik olduğundan, tek bir çalıştırma tipik davranışı temsil etmeyebilir. Farklı rastgele tohumlarla 20-30 bağımsız deneme çalıştırmak ve ortalama, standart sapma, en iyi ve en kötü amaç değerlerini raporlamak, meta-sezgisel kıyaslamada standart uygulamadır ve Mirjalili ve Lewis (2016) tarafından kullanılan karşılaştırma metodolojisiyle tutarlıdır.
Kaynaklar
- Mirjalili, S. & Lewis, A. (2016). The Whale Optimization Algorithm. Advances in Engineering Software, 95, 51-67. DOI: 10.1016/j.advengsoft.2016.01.008 ↗
- Chakraborty, S. et al. (2023). A Comprehensive Review of the Whale Optimization Algorithm: Modifications, Variants, and Applications. Artificial Intelligence Review. link ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 1). Whale Optimization Algorithm (WOA). ScholarGate. https://scholargate.app/tr/optimization/whale-optimization
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Bayesçi OptimizasyonOptimizasyon↔ karşılaştır
- Genetik AlgoritmaOptimizasyon↔ karşılaştır
- Grey Wolf OptimizerOptimizasyon↔ karşılaştır
- Parçacık Sürü Optimizasyonu (PSO)Optimizasyon↔ karşılaştır
- Simulated AnnealingOptimizasyon↔ karşılaştır