Kar Erime Optimizasyonu Algoritması ile Çok Katmanlı Yapay Sinir Ağının Eğitimi

Abstract

Kar erime optimizasyonu (snow ablation optimizer, SAO) algoritması, karın erimesinden ilham alınarak 2023 yılında önerilen yeni bir metasezgisel algoritmadır. Bu çalışmada, yapay sinir ağının ağırlıklarının güncellenmesi amacıyla SAO algoritması ile hibrit bir model geliştirilmiştir. Geliştirilen hibrit model aggregation, balance, liver, pathbased ve wine adlı beş farklı veri seti üzerinde gri kurt, sürüngen arama, guguk kuşu ve sinüs kosinüs algoritmaları ile oluşturulan hibrit modeller ile karşılaştırılmıştır. Modellerin başarısını ölçmek için duyarlılık, özgüllük, kesinlik ve f1-puanı adı verilen dört farklı metrik kullanılmıştır. Modellerin her veri seti için başarı sıralaması ve tüm veri setleri için ortalama başarı sıralaması verilmiştir. Sonuçlar incelendiğinde, SAO modelinin tüm metrikler için wine veri setinde 2., diğer tüm veri setlerinde 1. olduğu görülmektedir. Ortalama başarı sırası açısından ise SAO modeli tüm metriklerde 1.2 değeri ile en iyi sonucu elde etmiştir. Ayrıca hibrit modellerin, eğitim aşamasındaki ortalama karesel hata değerlerinin yakınsama grafikleri çizdirilmiş ve SAO hibrit modelinin wine hariç diğer tüm veri setlerinde karşılaştırılan modellerden daha hızlı bir yakınsama performansına sahip olduğu gözlenmiştir. Son olarak popülasyondaki parçacık sayısının hibrit SAO modelinin başarısına etkisi analiz edilmiş ve birey sayısının 100 olması durumunda başarının arttığı gözlenmiştir.