Erken Yakınsamayı Aşmak: Meta-Sezgisel Algoritmalarda Gelişmiş Popülasyon Kontrolü

EPM, NSM ve FDB çerçevelerinin yüksek boyutlu mühendislik optimizasyonlarında yerel optimum tuzaklarını nasıl azalttığına dair teknik bir rehber.

Meta-sezgisel arama algoritmaları, Starfish Optimization veya Dhole Optimization gibi biyolojik sürü davranışlarından ilham alarak global optimum noktalarını bulmaya çalışır. Ancak yüksek boyutlu problem yüzeylerinde sık görülen bir sorun vardır: erken yakınsama.

Parçacıklar ilk buldukları yerel tepenin çevresinde hızla toplanır ve genetik çeşitlilik çöker. Bu durumda algoritma çalışmaya devam ediyor gibi görünse de gerçek arama kapasitesi büyük ölçüde kaybolur.

Bu problemi azaltmak için Evolutionary Population Management (EPM), Natural Survivor Method (NSM) ve Fitness-Distance Balance (FDB) gibi yaklaşımlar kullanılabilir. Bu yazı, bu çerçevelerin mühendislik mantığını açıklar.

---

1. Epoch Tabanlı Güncellemeler (EPM)

Standart sürü algoritmalarında yeni bireyler her iterasyonda ebeveynlerin yerini alabilir. Bu açgözlü yaklaşım, yeni bireylerin çok erken rehber haline gelmesine yol açar ve durgunluğu hızlandırır.

EPM, güncelleme ve değerlendirme adımlarını birbirinden ayırır. Ayrı bir ebeveyn matrisi $P$ ve çocuk matrisi $P_{child}$ tanımlanır. Epoch boyunca çocuk bireyler ayrı tutulur ve mutasyon rehberi olarak kullanılmaz. Epoch tamamlandığında seçim birleşik havuz üzerinden yapılır:

       Parent Matrix (P)           Offspring Matrix (P_child)
             │                                │
             └───────────────┬────────────────┘
                             ▼
                    Merged Pool (U)
                             │
                             ├───────────────┐
                             ▼               ▼
                       Top 50% (Leaders)  Remaining Pool
                             │               │
                             ▼               ▼
                        Select Mate via FDB Selection
                             │
                             ▼
                    Next Generation (P_new)

Çeşitliliği korumak için bir Forbidden List uygulanabilir. Bir birey lider olarak seçildiyse doğrudan eşleşen akrabası aynı döngüde eşleşmeden dışlanır. Bu, kopya seviyesinde çaprazlamayı engeller.

---

2. Dinamik Rehberler ve FDB Metrikleri

EPM, parçacıkları farklı eşlerle eşleştirerek yönlendirir. Bir parçacık, yalnızca global en iyiye doğru değil, aynı zamanda seçilen eşin konumuna doğru da hareket eder:

$X_{new} = X + r_1 \cdot (Best - X) + r_2 \cdot (Mate - X)$

Fitness-Distance Balance (FDB) Matematiği

FDB, aday seçiminde uygunluk değerini ve global en iyiye olan uzamsal uzaklığı birlikte değerlendirir. Amaç, exploitation ve exploration dengesini korumaktır.

Bir aday havuzu $P = \{x_1, x_2, \dots, x_N\}$ olsun. Her aday için normalize edilmiş uygunluk skoru $F(x_i)$ ve uzaklık skoru $D(x_i)$ hesaplanır:

$F(x_i) = \frac{\text{fit}(x_i) - \text{min\_fit}}{\text{max\_fit} - \text{min\_fit}}$

$D(x_i) = \frac{\text{dist}(x_i, X_{best}) - \text{min\_dist}}{\text{max\_dist} - \text{min\_dist}}$

Bu iki değer $w$ ağırlığıyla birleştirilir:

$\text{Score}(x_i) = w \cdot (1 - F(x_i)) + (1 - w) \cdot D(x_i)$

En yüksek birleşik skora sahip aday rehber olarak seçilir.

Erken nesillerde keşfi, geç nesillerde yakınsamayı artırmak için Dynamic FDB (dFDB) kullanılabilir:

$w = \left(\frac{t}{T} \cdot -0.6\right) + 0.6$

Burada $t$ mevcut nesil, $T$ ise maksimum nesil sayısıdır. Ağırlık zamanla $0.6$ değerinden $0.0$ değerine iner ve odak keşiften yerel yakınsamaya kayar.

Uzaklık skoru farklı arama uzaylarında farklı metriklerle hesaplanabilir:

1. Manhattan ($L_1$): Izgara benzeri arama uzaylarında dayanıklıdır.
2. Euclidean ($L_2$): Varsayılan düz çizgi uzaklığıdır.
3. Chebyshev ($L_\infty$): Tek koordinattaki maksimum farkı vurgular.
4. Cosine: Yüksek boyutlarda yön benzerliği için kullanışlıdır.

---

3. Natural Survivor Method (NSM) Kapısı

EPM'e alternatif olarak Natural Survivor Method (NSM) kullanılabilir. Geleneksel seçim açgözlüdür; daha kötü adaylar elenir. NSM ise adayları çok amaçlı bir kabul kapısından geçirir:

1. Fitness: Hedef fonksiyona yakınlık.
2. Global Uzaklık: Global en iyi $X_{best}$ noktasına uzaklık.
3. Merkez Uzaklığı: Popülasyon ortalama merkezine uzaklık.

Bir adayın fitness değeri kötü olsa bile çeşitliliğe katkısı yüksekse kabul edilebilir. Bu sayede sürü, henüz keşfedilmemiş bölgeleri araştırmaya devam eder.

---

Benchmark ve İstatistiksel Doğrulama

Bu tür algoritmaları tek çalıştırma sonucu ile değerlendirmek yanıltıcıdır. MATLAB üzerinde paralel çalışan bir test çerçevesi kurulabilir ve IEEE CEC 2022 Benchmark Suite fonksiyonları üzerinde çoklu bağımsız denemeler yapılabilir:

% Otomatik paralel benchmark döngüsü
parfor run = 1:21
    try
        [best_fit, convergence] = run_sfoa_epm(func_num, dimensions, max_fe);
        results(run) = best_fit;
    catch ME
        warning('Convergence instability at run %d: %s', run, ME.message);
    end
end

Wilcoxon Rank-Sum Test ve Friedman Test gibi parametrik olmayan testler, iyileşmenin tekil bir şanslı koşudan mı yoksa sistematik bir farktan mı kaynaklandığını anlamayı sağlar.

---

Mühendislik Çıkarımları

1. Değerlendirmeyi güncellemeden ayırın: Epoch tabanlı güncellemeler, açgözlü anlık değişimlerin neden olduğu erken yakınsamayı azaltır.
2. Genetik kısıtlar uygulayın: Evrimsel algoritmalarda çeşitlilik, fitness kadar önemlidir.
3. İstatistiksel doğrulama yapın: Stokastik algoritmalar çoklu bağımsız deneme ve Wilcoxon/Friedman gibi testlerle değerlendirilmelidir.