Bu tez çalışmasında, kambur balinaların avlanma davranışlarından esinlenilerek geliştirilmiş global bir optimizasyon algoritması olan Balina Optimizasyon Algoritması (BOA) performansı iyileştirildikten sonra veri kümeleme problemlerinde sıklıkla kullanılan Fuzzy C-Means (FCM) algoritmasıyla hibrit edilmiştir. BOA algoritmasının performansını geliştirmek için, algoritmanın rastgele olarak seçilen bir parametresi (a) her biri normalizasyon sürecinden geçirildikten sonra a değeri ile toplanan 10 farklı kaos haritası ile değiştirilmiş, kaotik BOA algoritmaları önerilmiştir. Önerilen algoritmaların performansları ortalama amaç fonksiyon, standart sapma ve Wilcoxon Sign Rank Test ile 0,05 önem düzeyinde değerlendirilmiş, 13 farklı amaç fonksiyon ile test edilmiştir. Önerilen kaotik BOA algoritmalarının her biri BOA algoritmasıyla karşılaştırılmış, performans gelişimi hem istatistiksel olarak hem de grafiksel olarak gösterilmiştir. Ardından, önerilen kaotik BOA algoritmaları FCM algoritması ile bütünleştirilerek FCM- KBOA1, FCM-KBOA2, …, FCM-KBOA10 isimli hibrit veri kümeleme algoritmaları önerilmiştir. Hibrit veri kümeleme algoritmalarının kümeleme performansları amaç fonksiyon, Rand İndeks ve Adjust Rand İndeks değerleri ile ölçülmüş, UCI Repository veri tabanından seçilen 7 farklı veri kümesi ile test edilerek FCM algoritması ile karşılaştırılmıştır. Önerilen hibrit algoritmaların veri kümeleme performanslarını arttırmak amacıyla FCM algoritmasındaki tüm uzaklıklar Öklid yerine Chebyshev uzaklık fonksiyonu ile hesaplanarak FKBOA1-c, FKBOA2-c, …, FKBOA10-c isimli yeni hibrit kümeleme algoritmaları önerilmiştir. Önerilen tüm algoritmalar hem birbirleriyle hem de FCM algoritmasıyla karşılaştırılmış, FCM algoritmasından daha iyi veri kümeleme yapabildikleri gözlemlenmiştir. Sonuç olarak kaos fonksiyonlarının BOA algoritmasının optimizasyon performansını geliştirdiği, kaos tabanlı BOA algoritmaları ile FCM algoritmasının bütünleştirilmesinin FCM algoritmasının dezavantajlarını kısmen giderebildiği, uzaklık fonksiyonunun değiştirilmesinin algoritmaların kümeleme performansını arttırdığı görülmüştür.
Tez çalışmasının literatüre katkıları aşağıdaki şekilde sıralanabilir.
• BOA algoritmasının performansı kaos haritaları yardımıyla geliştirilmiş ve kaotik BOA algoritmaları önerilmiştir.
48
• FCM ile kaotik BOA algoritmaları hibrit edilerek KBOA tabanlı veri kümeleme algoritmaları önerilmiştir.
• Önerilen kümeleme algoritmalarının performansını arttırmak amacıyla FCM algoritmasının uzaklık fonksiyonu değiştirilmiş ve Chebyshev uzaklık fonksiyonu tabanlı yeni kümeleme algoritmaları önerilmiştir.
• Ayrıca, önerilen tez çalışması kapsamında 2 tane uluslararası tam metin sözlü bildiri yayımlanmıştır.
Bunların yanında yapılan çalışmaya ek olarak aşağıdaki çalışma konuları önerilebilir: • BOA algoritmasının rastgele olarak seçilen başka bir parametresine kaos
fonksiyonları uygulanıp, performans analizi yapılabilir.
• FCM algoritmasının uzaklık fonksiyonları mevcut diğer uzaklık fonksiyonları ile değiştirilip kümeleme performansına olan etkisi analiz edilebilir.
• Önerilen hibrit veri kümeleme algoritmaları optimum küme sayısı bulma problemine uyarlanabilir.
• Benzer şekilde önerilen hibrit veri kümeleme algoritmalarının görüntü kümeleme problemlerindeki performansları analiz edilebilir.
49
6. KAYNAKLAR
[1] M. Bramer, Principles of Data Mining, 2 th. ed., London, England: Springer, 2013. [2] D. T. Larose and C. D. Larose, Discovering Knowledge in Data, Hoboken, New
Jersey: John Wiley & Sons, 2005.
[3] X. H. Han, L. Quan, X. Y. Xiong, M. Almeter, J. Xiang, and Y. Lan, “A novel data clustering algorithm based on modified gravitational search algorithm,”
Engineering Applications of Artifical Intelligence., vol. 61, pp. 1–7, 2017.
[4] J. Han, M. Kamber, and J. Pei, Data Mining: Concepts and Techniques, Waltham, USA: Elselvier, 2012.
[5] J. Nayak, B. Naik, D. P. Kanungo, and H. S. Behera. (2017, April 14). “A hybrid elicit teaching learning based optimization with fuzzy c-means (ETLBO-FCM) algorithm for data clustering,” Ain Shams Engineering Journal [Online]. Available: https://doi.org/10.1016/j.asej.2016.01.010.
[6] Y. C. Yeh, W. J. Wang, and C. W. Chiou, “A novel fuzzy c-means method for classifying heartbeat cases from ECG signals,” Journal of International
Measurement Confederation, vol. 43, no. 10, pp. 1542–1555, 2010.
[7] J. C. Dunn, “A fuzzy relative of the ISODATA process and its use in detecting compact well-separated clusters,” Journal of Cybernetics, vol. 3, no. 3, pp. 32–57, 1973.
[8] J. C. Bezdek, R. Ehrlich, and W. Full, “FCM: The fuzzy c-means clustering algorithm,” Computers & Geosciences, vol. 10, no. 2–3, pp. 191–203, 1984. [9] H. Izakian and A. Abraham, “Fuzzy C-means and fuzzy swarm for fuzzy clustering
problem,” Expert Systems with Applications, vol. 38, no. 3, pp. 1835–1838, 2011. [10] B. Zhao, “An ant colony clustering algorithm,” Proceedings of the Sixth
International Conference on Machine Learning and Cybernetics, Hong Kong,
China, 2007, pp. 19–22.
[11] Y. Yang, G. Chen, and Y. Guo, “SVM combined with FCM and PSO for fuzzy clustering,” Seventh International Conference on Computational Intelligence and
Security, Hainan, China, 2011, no. 1, pp. 1370–1373.
[12] D. Wang, B. Han, and M. Huang, “Application of Fuzzy C-Means clustering algorithm based on Particle Swarm Optimization in computer forensics,” Physics
Procedia, vol. 24, pp. 1186–1191, 2012.
[13] W. Zhu, J. Jiang, C. Song, and L. Bao, “Clustering algorithm based on fuzzy c- means and artificial fish swarm,” Procedia Engineering, vol. 29, pp. 3307–3311, 2012.
[14] I. B. Aydilek and A. Arslan, “A hybrid method for imputation of missing values using optimized fuzzy c-means with support vector regression and a genetic algorithm,” Information Sciences, vol. 233, pp. 25–35, 2013.
50
on modified stem cells and Fuzzy C-means algorithms,” Engineering Applications
of Artifical Intelligence, vol. 26, no. 5–6, pp. 1493–1502, 2013.
[16] M. Sabzekar and M. Naghibzadeh, “Fuzzy c-means improvement using relaxed constraints support vector machines,” Applied Soft Computing, vol. 13, no. 2, pp. 881–890, 2013.
[17] S. Karthikeyan and T. Christopher, “A hybrid clustering approach using Artificial Bee Colony (ABC) and Particle Swarm Optimization,” International Journal of
Computer Applications, vol. 100, no. 15, pp. 1–6, 2014.
[18] S. Chen, Z. Xu, and Y. Tang, “A hybrid clustering algorithm based on Fuzzy c- Means and ımproved Particle Swarm Optimization,” Arab Journal for Science
Engineering, vol. 39, no. 12, pp. 8875–8887, 2014.
[19] T. M. Silva Filho, B. A. Pimentel, R. M. C. R. Souza, and A. L. I. Oliveira, “Hybrid methods for fuzzy clustering based on fuzzy c-means and improved particle swarm optimization,” Expert Systems with Applications, vol. 42, no. 17–18, pp. 6315– 6328, 2015.
[20] E. Esme and B. Karlık, “Fuzzy c-means based support vector machines classifier for perfume recognition,” Applied Soft Computing, vol. 46, pp. 452–458, 2016. [21] G. Toz, P. Erdoğmuş, “g-BSAFCM : Yeni bir hibrit kümeleme algoritması g-
BSAFCM ,” IEEE 24th Signal Processing and Communication Application Conference, Zonguldak, Türkiye, 2016, ss. 1–4.
[22] J. Arora, “Hybrid FCM PSO algorithm with City Block distance,” 3rd
International Conference on Computing for Sustainable Global Development,
New Delhi, India, 2016, pp. 2609–2614.
[23] H. Sheykhi, R. Bagherpour, E. Ghasemi, and H. Kalhori, “Forecasting ground vibration due to rock blasting: a hybrid intelligent approach using support vector regression and fuzzy C-means clustering,” Engineering with Computers, vol. 34, no. 2, pp. 357–365, 2017.
[24] A. Chaghari, M. R. Feizi-Derakhshi, and M. A. Balafar, “Fuzzy clustering based on Forest Optimization Algorithm,” Journal of King Saud University – Computer
and Information Sciences, vol. 30, no. 1, pp. 25–32, 2018.
[25] S. Sengupta, R. Alan, and P. Ii, “Data clustering using a hybrid of Fuzzy C-Means and Quantum-behaved Particle Swarm Optimization,” IEEE 8th Annual
Computing and Communication Workshop and Conference, 2018, pp. 137–142.
[26] D. H. Wolpert and W. G. Macready, “No free lunch theorems for optimization,”
IEEE Transactions on Evolutionary Computation, vol. 1, no. 1, pp. 67–82, 1997.
[27] J. Zhang, Y. Yang, and Q. Zhang, “The Particle Swarm Optimization Algorithm based on Dynamic Chaotic Perturbations and its application to K-Means,” CIS '09.
International Conference on Computational Intelligence and Security, Beijing,
China, 2009, pp. 282–286.
[28] Y. Wang and M. Yao, “A new hybrid Genetic Algorithm based on chaos and PSO,”
IEEE International Conference on Intelligent Computing and Intelligent Systems,
Shanghai, China, 2009, pp. 699-703.
[29] B. Alatas, E. Akin, and A. B. Ozer, “Chaos embedded particle swarm optimization algorithms,” Chaos, Solitons and Fractals, vol. 40, no. 4, pp. 1715–1734, 2009.
51
[30] B. Alatas, “Chaotic bee colony algorithms for global numerical optimization,”
Expert Systems with Applications, vol. 37, no. 8, pp. 5682–5687, 2010.
[31] B. Alatas, “Chaotic harmony search algorithms,” Applied Mathematicts and
Computation., vol. 216, no. 9, pp. 2687–2699, 2010.
[32] H. Yan, Z. Lv, Y. Zhao, G. Qiao, L. Xiao, and Z. Yang, “Chaos Genetic Algorithm Optimization design based on Linear Motor,” 17th International Conference on
Electrical Machines and Systems, Hongzhou, China, 2014, vol. 2, pp. 2265–2268.
[33] J. Mingjun and T. Huanwen, “Application of chaos in simulated annealing,”
Chaos, Solitons and Fractals, vol. 21, no. 4, pp. 933–941, 2004.
[34] G. Zhenyu, C. Bo, Y. Min, and C. Binggang, “Self-adaptive chaos differential evolution,” Advances in Natural Computation, no. 1, pp. 972–975, 2006.
[35] G. G. Wang, L. Guo, A. H. Gandomi, G. S. Hao, and H. Wang, “Chaotic Krill Herd Algorithm,” Information Sciences, vol. 274, pp. 17–34, 2014.
[36] S. Mirjalili and A. Lewis, “The Whale Optimization Algorithm,” Advance
Engineering Software, vol. 95, pp. 51–67, 2016.
[37] E. Alba and B. Dorronsoro, “The exploration/exploitation tradeoff in dynamic cellular genetic algorithms,” IEEE Transactions on Evolutionary Computation, vol. 9, no. 2, pp. 126–142, 2005.
[38] S. Mirjalili and A. H. Gandomi, “Chaotic gravitational constants for the gravitational search algorithm,” Applied Soft Computation, vol. 53, pp. 407–419, 2017.
[39] T. Tanyıldızı, E. Cigal, “Kaotik haritalı Balina Optimizasyon Algoritmaları,” Fırat
Üniversitesi Mühendislik Bilimleri Dergisi, c. 29, s. 1, ss. 309–319, 2017.
[40] W. Z. Sun and J. S. Wang, “Elman neural network soft-sensor model of conversion velocity in polymerization process optimized by Chaos Whale Optimization Algorithm,” IEEE Access, vol. 5, pp. 13062–13076, 2017.
[41] D. Oliva, M. Abd El Aziz, and A. Ella Hassanien, “Parameter estimation of photovoltaic cells using an improved chaotic whale optimization algorithm,”
Appied Energy, vol. 200, pp. 141–154, 2017.
[42] M. Canayaz and R. Özdağ, “Data clustering based on the Whale Optimization,”
Middle East Journal of Technic, vol. 2, no. 2, pp. 178–187, 2017.
[43] W. M. Rand, “Objective criteria for the evaluation of clustering methods,” Journal
of the American Statistical Association, vol. 66, no. 336, pp. 846–850, 1971.
[44] L. Hubert and P. Arabie, “Comparing partitions,” Journal of Classification, vol. 2, no. 1, pp. 193–218, 1985.
[45] J. Feng, J. Zhang, X. Zhu, and W. Lian, “A novel chaos optimization algorithm,”
Multimedia Tools and Applications, vol. 76, no. 16, pp. 17405–17436, 2017.
[46] M. Lichman. (2018, February 28).,UCI Machine Learning Repository [Online]. Available: http://archive.ics.uci.edu/ml.
ÖZGEÇMİŞ
KİŞİSEL BİLGİLER
Adı Soyadı : Hatice Arslan Doğum Tarihi ve Yeri : 26.04.1990 Yabancı Dili : İngilizce
E-posta : haticearslan8154@gmail.com
ÖĞRENİM DURUMU
Derece Alan Okul/Üniversite Mezuniyet Yılı
Y. Lisans Elektrik-Elektronik ve
Bilgisayar Müh. Düzce Üniversitesi 2018
Lisans Matematik Sakarya Üniversitesi 2013
Lise Fen Bilimleri Figen Sakallıoğlu