Yazışmaların yapılacağı yazar: Bilal alataş. balatas

135

Sürü zekâsında yeni bir yaklaşım: Kuş sürüsü algoritması 

Bu  avantajlarından  dolayı  metasezgisel 

algoritmalar;  yönetim  bilimi,  mühendislik, 

bilgisayar gibi birçok farklı alanda yoğun olarak 

kullanılmakta 

ve 

yeni 

versiyonları 

önerilmektedir. Son zamanlarda, canlıların sürü 

halindeki  davranışlarından  esinlenerek  geliştiri-

len sürü zekâsı tabanlı optimizasyon algoritma-

ları  da  matematiksel  model  oluşturulamayan 

veya  oluşturulsa  bile  çözüm  zamanı  çok  uzun 

zaman  alan  birçok  kompleks  problemin 

çözümünde popüler hale gelmeye başlamıştır.  

 

Bu  çalışmada  sürü  zekâsı  optimizasyon 

algoritmalarının  en  güncellerinden  birisi  olan 

Kuş  Sürüsü  Algoritması  (KSA)  incelenmiştir. 

Ayrıca KSA’nın performansı, yine popüler sürü 

zekâsı ve metasezgisel algoritmalardan parçacık 

sürü  optimizasyonu,  yapay  balık  sürü 

optimizasyonu, kırlangıç sürü optimizasyonu ve 

karga  arama  algoritması  ile  tek  ve  çok  modlu 

kalite 

testi 

fonksiyonlarında 

ilk kez 

karşılaştırmalı olarak sunulmuştur. 

 

Materyal ve Yöntem 

Sürü zekâsı merkezi olmayan kontrol, doğal ya 

da yapay kendi kendini organize eden 

sistemlerin  gösterdiği  toplu  davranış  biçimidir 

(Bonabeau  vd., 1999).  Özellikle  bireylerin 

birbirleriyle 

ve 

çevreleriyle 

yerel 

etkileşimlerinden 

kaynaklanan 

kolektif 

davranışlar üzerine odaklanan disiplindir. Hiçbir 

kontrol mekanizması olmadan sürüdeki bireyler 

basit yapı ve özellikte olup basit iletişim yolları 

ile az maliyet  harcayarak,  esnek  ve  sağlam  bir 

yapı oluşturup zekice hareket etmeleri ve kendi 

karşılaştıkları  problemlere  çözüm  getirmeleri 

biyologların  ilgisini  çektiği  gibi  bilgisayar 

bilimcilerin  ve  mühendislerin  de  ilgisini 

çekmektedir.  Çünkü  iletişim,  taşımacılık, 

endüstriyel  üretim  ve  robot-bilimi  gibi  birçok 

alanda çözümler getirmeye çalışan bilgisayar ve 

mühendislik  bilimleri  bu  alanların  birçoğunda 

çözülmesi  oldukça  zor  veya  zaman  ya  da 

maliyet  olarak  masraflı  olan  problemlerle  karşı 

karşıya kalmaktadır. Sürülerin karşılaştıkları ve 

çözümledikleri  problemlerin  birçoğu  bu 

problemlerle  paralellik  göstermektedir.  Bu  da 

sürü zekâsı kavramının geliştirilmesinde önemli 

bir rol oynamıştır. Aşağıda şimdiye kadar farklı 

araştırmacıların  önerdiği  ve  bu  makalede 

performans  karşılaştırması  için  seçilen  sürü 

zekâsı  optimizasyon  algoritmaları  alt  başlıklar 

halinde açıklanmıştır. 

 

Parçacık Sürü Optimizasyon Algoritması 

Parçacık Sürü Optimizasyonu (PSO), ilk olarak 

Kennedy  ve  Eberhart  tarafından  1995  yılında 

geliştirilmiş  bir  optimizasyon  yöntemidir 

(Kennedy ve Eberhart, 1995). PSO balık, böcek, 

kuş  vb.  hayvan  sürülerinin  davranışından 

esinlenerek  geliştirilmiştir.  Yöntem,  genel 

olarak  söz  konusu  sürünün,  besin  kaynağı 

ararken  ortaya  koyduğu  davranış  üzerine 

kuruludur. Tek başlarına bir şey yapamayan bu 

tür  hayvanlar  sürü  halinde  zeki  davranışlar 

sergileyebilmektedir. PSO;  

•  Her bir bireyin kendi hafızalarında yer etmiş 

olan  iyi  konuma  gitme  eğilimi  olarak 

tanımlanabilecek bilişsel davranış biçimi,  

•  Her bir bireyin iyi konumlarda bulunan diğer 

bireyleri 

takip 

etme 

eğilimi 

olarak 

tanımlanabilecek sosyal davranış biçimi,  

•  Her bir bireyin rastgele arama yapma 

eğilimini  tanımlayabilecek  keşifsel  davranış 

biçimleri arasında bir denge olduğu varsayımına 

dayanmaktadır  (Eberhart  ve  Kennedy  1995; 

Karaboğa, 2011). Sürünün bu davranışı formüle 

edilerek optimizasyon problemlerinin 

çözümünde  kullanılmaktadır.  Şekil  1’de 

PSO’nun akış diyagramı görülmektedir. 

 

Algoritma  temel  olarak  aşağıdaki  basamaklar-

dan oluşur.  

 

Adım  1:  Rastgele  üretilen  başlangıç 

pozisyonları  ve  hızları  ile  başlangıç  sürüsü 

oluşturulur.  

Adım  2:  Sürüdeki  parçacıkların  uygunluk 

değerleri hesaplanır. 

Adım 3: Her bir parçacık için mevcut  nesilden 

yerel en iyi bulunur. Sürü içerisinde en iyilerin 

sayısı parçacık sayısı kadardır.  

Adım  4:  Mevcut  nesildeki  yerel eniyiler 

içerisinden global en iyi (gbest) seçilir.   

Adım 5: Pozisyon ve hızlar güncellenir. 

Adım  6:  Durdurma  kriteri  sağlanıncaya  kadar 

Adım 2, 3, 4 ve 5 tekrar edilir. 

---

136

E. Varol, B. Alataş 

 

 

Başlangıç sürüsünü, hızları ve pozisyonları oluştur.

Sürüdeki bütün parçacıkların uygunluk değerlerini 

hesapla.

Her jenerasyonda tüm parçacıkları önceki jenerasyonun 

en iyisi ile karşılaştır. Daha iyi ise yer değiştir.

En iyi yerel değerleri kendi arasında karşılaştır ve en iyi 

olanı küresel en iyi olarak ata.

Hız ve pozisyon değerlerini yenile.

Durdurma kriteri

Sonucu göster.

Evet

Hayır

Şekil 1. PSO’nun akış diyagramı 

 

PSO algoritması, her bir parçacığın problem için 

muhtemel bir çözümü temsil ettiği parçacıkların 

bir  sürüsü  (popülasyonu)  ile  uğraşır.  Evrimsel 

hesaplama paradigmalarına  benzer  olarak,  sürü 

popülasyona  karşılık  gelmekte  ve  parçacıklar 

bireylere benzemektedir. Basit bir ifadeyle, 

parçacıklar çok boyutlu araştırma uzayı boyunca 

akış  içerisindedirler  ve  her  bir  parçacığın 

pozisyonu  kendi  ve  komşularının  tecrübelerine 

göre ayarlanmaktadır. 

 

PSO genel olarak iki ana amaca yönelik olarak 

özelleşmiştir.  Birincisi  global  en iyiyi bulma 

(Global  En  iyi  PSO  ya  da  kısaca  Gbest-PSO), 

ikincisi lokal en iyiyi bulma (Lokal En iyi PSO 

ya da Lbest-PSO). Gbest-PSO  için  her  bir 

parçacığın  komşuluğu  sürünün  bütününü 

kapsamaktadır.  Gbest-PSO’nun  sahip  olduğu 

sosyal  ağ,  yıldız  topolojisini temsil etmektedir. 

Yıldız  komşuluk  topolojisinde  parçacık  hız 

değişiminin  sosyal  bileşeni,  sürüdeki  tüm 

parçacıklardan elde edilen bilgiyi temel almaktadır.  

 

Yapay Balık Sürüsü Optimizasyon 

Algoritması 

Yeni bir evrimsel hesaplama tekniği olan Yapay 

Balık Sürüsü Algoritması (YBSA) ilk kez 2002’ 

de önerilmiştir (Liv vd., 2002). YBSA’nın fikri 

sürü teorisine ve basitleştirilmiş balık sürüsünün 

doğal  sosyal  davranışlarının  simülasyonuna 

dayanmaktadır.  

 

YBSA genetik algoritmada kullanılan mutasyon 

süreçleri  ve  çaprazlamaya  sahip  değildir.  Bu 

yüzden daha kolay bir şekilde yürütülmektedir. 

Sistem  başlangıçta  rastgele  üretilen  bir  dizi 

potansiyel  çözümlerle  başlatılmakta  ve  daha 

sonra  tekrarlı  bir  şekilde  optimum  bir  çözüm 

elde etmek için arama yapmaktadır (Zhang vd., 

2000).  

 

Gerçek  balığın  hayali  bir  varlığı  olan  Yapay 

Balık  (YB),  problemin  açıklanmasında, 

analizinin  yapılmasında  ve  hayvanlar  için 

ekoloji  kavramının  fark  edilebilmesinde  rol 

oynamaktadır.  Kuyruk  ve  yüzgeçlerin  kontrolü 

ile  uyarıcı  bir  tepki  verilmektedir.  Bundan 

sonraki  davranış  onun  çevresinin  durumuna  ve 

bugünkü  durumuna  bağlıdır  (şu  anda  soru 

çözümlerinin  kalitesi  ve  diğer  eşlik  eden 

arkadaşların durumları da dâhil). Bu çevre, onun 

kendi  aktivitelerini  ve  diğer  eşlik  eden 

arkadaşlarının  aktivitelerini  de  etkilemektedir 

(Zhang vd., 2007; Mehdi vd., 2012). 

 

YB’nin 

davranışlarını 

içeren 

temel 

fonksiyonlar;  YB_Av,  YB_Sürü,  YB_Takip, 

YB_Hareket, YB_Atlama ve YB_Değerlendirme’dir. 

 

Balık  genellikle  birçok  yiyecek  ile  bir  yerde 

kalır. Bu  yüzden  YBSA’nın  temel  fikri  olan 

global 

optimumu 

bulmak 

için 

bu 

karakteristiklere  dayalı  balıkların  davranışlarını 

taklit  etmektedirler.  YB’nin  maksimum  amaç 

değeri elde etmek için  temel  davranışları 

aşağıdaki  gibidir  (Bao vd., 2016; Quan vd., 

2016): 

---