Ateşböceği Programlama Yöntemi İle Otomatik Programlama Problemlerinin Çözülmesi

Abstract

Klasik regresyon yöntemleri, verimlilik ve doğru çözümler bulma yetenekleri nedeniyle farklı problemlerin çözümünde yaygın olarak kullanılmaktadır. Klasik yöntemlerin çoğu özelleşmiş olarak kabul edilmesine rağmen, farklı problemleri çözmelerini engelleyen bazı kısıtlamalara sahiptir. Otomatik programlama veya sembolik regresyon yöntemleri, önceden belirlenmiş herhangi bir desen veya yapı kullanmadan karmaşık veriye dayalı problemleri çözebilen makine öğrenme teknikleridir. Otomatik programlama yöntemleri, optimal modeli oluşturmak için farklı matematiksel ifadeleri ve sabitleri birleştirir. Bu tez, sembolik regresyon prensiplerini kullanarak karmaşık problemleri çözebilen yeni bir otomatik programlama yöntemi sunmayı amaçlamaktadır. Bu tez kapsamında, sembolik regresyon problemlerini çözebilmek için ateşböceği algoritmasını modifiye eden ilk otomatik programlama yöntemi olarak ateşböceği programlama önerilmiştir. Ateşböceği programlama süreçlerinin iyileştirilmesi sonucunda, farka dayalı ateşböceği programlama adlı geliştirilmiş bir versiyon da önerilmiştir. Yeni önerilen yöntemler, performanslarını iki farklı problem kullanarak test etmeden önce ayrıntılı olarak açıklanmıştır. Önerilen ateşböceği programlama yöntemleri, farklı sembolik regresyon kıyaslama problemlerinin çözümlemesinde ve Box-Jenkins zaman serilerinin modellemesinde kullanılmıştır. Deneysel testlerin sonuçları, yeni önerilen yöntemlerin veriye dayalı farklı problemleri ne kadar iyi çözebileceğini göstermektedir.

Classical regression methods are used widely to solve different problems due to their efficiency and ability to find accurate solutions. Although most of the classical methods are considered specialized, they have some limitations that prevent them from solving various problems. Automatic programming or symbolic regression methods are machine learning techniques that can solve complex data-driven problems without using any pre-defined pattern or structure. Automatic programming methods are usually based on evolutionary computation algorithms that search among several candidate solutions to find the best one. Automatic programming methods combine different mathematical expressions and constants to form the optimal model. This thesis aims to present a new automatic programming method that can solve complex problems using the principles of symbolic regression. In the scope of this thesis, firefly programming is proposed as the first automatic programming method that modifies the firefly algorithm to be able to solve symbolic regression problems. As a result of improving the processes of firefly programming, an improved version called difference-based firefly programming is proposed also. The newly proposed methods are described in detail before testing their performance using two different problems. The proposed firefly programming methods were used in solving different symbolic regression benchmark problems, and modeling Box-Jenkins time series. The results of the experimental tests show how well the newly proposed methods can solve different data-driven problems.