Search

Endüstriyel ortamlarda giderek daha fazla kullanılan mobil robotlar için yol planlanması önemli bir problemdir. Bu problem, engelli bir ortamda başlangıç düğümünden hedef düğüme kadar mesafe ve süre gibi bazı kriterler dikkate alınarak engellere çarpmadan uygun bir yolun bulunmasıdır. Alternatif yolların üretilmesinde doğrusal (düz çizgi) veya doğrusal olmayan (eğri) amaç fonksiyonlarının kullanılması performansı önemli ölçüde etkilemektedir. Bu çalışmada, küresel yol planlama için farklı zorluk derecelerine sahip ortamlarda doğrusal ve doğrusal olmayan amaç fonksiyonlarının kullanımı karşılaştırmalı incelenmiştir. Uygun yolların bulunmasında evrimsel algoritmalardan biri olan genetik algoritma (Genetic Algorithm, GA) kullanılmıştır. Simülasyon sonuçları, mobil robotların yol planlamasında doğrusal amaç fonksiyonu kullanılmasının hem mesafe hem de algoritma çalışma süresi açısından avantajlı olduğunu göstermiştir., Path planning is an important problem for mobile robots, which are increasingly used in industrial environments. This problem is to find a suitable path from a starting node to a target node without colliding obstacles, taking into account some criteria such as distance and time. The use of linear (straight line) or nonlinear (curve) objective functions in the generation of alternative paths significantly affects the performance. In this study, the use of linear and nonlinear objective functions for global path planning in environments with different degrees of difficulty has been comparatively examined. Genetic algorithm (GA), one of the evolutionary algorithms, was used to find suitable paths. The simulation results showed that using the linear objective function in path planning of mobile robots is advantageous in terms of both distance and algorithm running time.

Günümüzde mobil robotların hedef noktalara optimum maliyetle ulaşma problemi önemli bir çalışma sahası haline gelmiştir. Optimum maliyet çalışmalarda farklılık göstermekle beraber genel olarak, hedefe ulaşmak için geçen süre, mesafe, harcanan enerji veya bunların bir arada değerlendirildiği değişik kombinasyonlar olabilmektedir. Özellikle çok engelli karmaşık ortamlarda problemlerin çözümünün kabul edilebilir sürelerde gerçekleştirilebilmesi büyük önem taşımaktadır. Bu sürelerde çözümlere ulaşabilmek için algoritmaların daha hızlı çalışması gerekebilmektedir. Ancak bunun için genelde algoritma tarafında iyileştirmeler yapılmaktadır. Bu çalışmada ise problem tarafında iyileştirmeye odaklanılmıştır. Bu doğrultuda, statik engelli ve iki boyutlu ortamlarda engellerin kümelenmesiyle ortam karmaşıklığının azaltılması ve bu sayede optimizasyon algoritmalarının çalışma hızının artırılması amacıyla, parçacık sürü optimizasyonu (Particle Swarm Optimization, PSO) ve k-ortalamalar kümeleme algoritmalarının bir arada kullanıldığı yeni bir model önerilmektedir. K-ortalamalar kümeleme algoritması ile orijinal ortamdaki engeller kümelenip yeni bir ortam oluşturulmaktadır. PSO algoritması ile bu yeni ortamda optimum yol planlanmaktadır. Geliştirilen model çeşitli kümeleme oranları ile test edilmiş ve kümeleme yaklaşımının etkisi değerlendirilmiştir. Değerlendirme sonucunda, kümeleme oranı arttıkça en kısa mesafeli yol açısından küçük kayıplar elde edilmiş ancak algoritmanın çalışma hızı bu kayıpları fazlasıyla telafi edebilecek seviyede artmıştır. Ayrıca optimum çalışma hızı için kümeleme oranlarının orta seviyelerde belirlenmesi gerektiği de tespit edilmiştir. Sonuç olarak, rastgele dağılımlı çok sayıda engelin bulunduğu iki boyutlu ortamlar için yol planlama algoritmalarının çalışma hızı geliştirilen model sayesinde artırılabilir.

The great improvement in the current technology, particularly in the field of artificial intelligence, has effectively contributed to solving many problems, especially in the medical field. More recently, skin cancer (melanoma) has become one of the most dangerous cancers threatening human life, although it can be treated more frequently at early detection. Unfortunately, only highly-trained specialists can diagnose the disease accurately. Therefore, in this paper we have introduced various software technologies to detect and diagnose skin cancer through images, thus saving lives and reducing the spread of the disease, as well as reducing unnecessary traditional eradication of non-carcinogenic areas. Our method combines image processing techniques (image enhancement, hair removal and segmentation using Otsu's thresholding), feature extraction techniques (Gray Level Co-Occurrence Matrix (GLCM) features and color moments features) and commonly used classification methods, such as Weighted KNN, Cubic SVM, Medium Gaussian SVM, and Multi-Layer Perceptron (MLP) trained by some of the common swarm intelligent techniques like Artificial Bee Colony (ABC), Genetic Algorithm (GA), Particle Swarm Optimization (PSO), Teaching Learning Based Artificial Bee Colony (TLABC), and Modified Teaching Learning Based Artificial Bee Colony (MTLABC) which is the proposed algorithm in this paper. Experimental results for 996 dermoscopy dataset images, show that the classification accuracy and the convergence of the trained Neural Network (NN) using the proposed MTLABC is better than the other evolutionary algorithms used in this study for the same purpose. At the same time, the experimental results show that the classification accuracy of the trained NN using the proposed MTLABC is better than the results of commonly used classification methods.

Using Wi-Fi signal strengthfor detecting objects in an indoor environment has different types ofapplications, such as, locating perpetrator in finite areas, and detecting thenumber of users on an access point. In this work, we propose a hybridoptimization algorithm to train training Multi-Layer Perceptron Neural Network thatcould be distributed in monitoring and tracking devices used for determiningthe location of users based on the Wi-Fi signal strength which their personaldevices receive. This hybrid algorithm combines Artificial Bee Colony (ABC) andLevy Flight (LF) algorithm, called ABCLF. ABCLF increases the exploration andexploitation capabilities of ABC so that it can be used efficiency for thepurpose of training Multi-Layer Perceptron “MLP” Neural Network. The proposedABCLF algorithm guarantees the enhancing of accuracy with the increasing in iterations because it hasthe powerfull of the frame work of Artificial Bee Colony algorithm “threephases whith different strategies of searching” and the powerfull of the LevyFlight local search algorithm which has been used in both onlooker bee phase with a short step size walk to guarantee the enhancing in theexploitation and in scout bee phase with a long step size walk to guarantee the enhancing inthe exploration. The results of ourstudy show that the classification accuracy of the trained neural network usingABCLF is better than the other evolutionary algorithms used in this study forthe same purpose like ABC, Genetic Algorithm (GA), Biogeography-BasedOptimization (BBO), Probability Based Incremental Learning (PBIL) and ParticleSwarm Optimization (PSO)., Using Wi-Fi signal strength for detecting objects in an indoor environment has different types of applications, such as, locating perpetrator in finite areas, and detecting the number of users on an access point. In this work, we propose a hybrid optimization algorithm to train training Multi-Layer Perceptron Neural Network that could be distributed in monitoring and tracking devices used for determining the location of users based on the Wi-Fi signal strength which their personal devices receive. This hybrid algorithm combines Artificial Bee Colony (ABC) and Levy Flight (LF) algorithm, called ABCLF. ABCLF increases the exploration and exploitation capabilities of ABC so that it can be used efficiency for the purpose of training Multi-Layer Perceptron “MLP” Neural Network. The proposed ABCLF algorithm guarantees the enhancing of accuracy with the increasing in iterations because it has the powerfull of the frame work of Artificial Bee Colony algorithm “three phases whith different strategies of searching” and the powerfull of the Levy Flight local search algorithm which has been used in both onlooker bee phase with a short step size walk to guarantee the enhancing in the exploitation and in scout bee phase with a long step size walk to guarantee the enhancing in the exploration. The results of our study show that the classification accuracy of the trained neural network using ABCLF is better than the other evolutionary algorithms used in this study for the same purpose like ABC, Genetic Algorithm (GA), Biogeography-Based Optimization (BBO), Probability Based Incremental Learning (PBIL) and Particle Swarm Optimization (PSO).

Url:http://sujest.selcuk.edu.tr/sumbtd/article/view/489 DOI: 10.15317/Scitech.2018.127, We consider the problem of accurate in-body ranging for localization of a wireless capsule endoscope utilizing ultra-wide band (UWB) signaling. In this context, we explore the joint use of neural network structures and learning algorithms based on metaheuristics, an example of which is particle swarm optimization (PSO). The contributions of this paper are three-fold. First, we undertake a systematic performance analysis of the PSO technique for UWB-based in-body ranging and propose an improved version of the PSO algorithm. Second, we quantitatively compare the performance of PSO techniques against more traditional learning algorithms, such as Bayesian Regularization, Levenberg-Marquardt and Single Conjugate Gradient. Third, we quantify the impact of activation functions used to define the neural network structure on performance. Our results indicate that PSO-based techniques can outperform traditional techniques by as much as 44%, depending on the activation functions used in the neural network., Bu makalede, ultra geniş bant (UWB) sinyalleri kullanan bir kablosuz kapsül endoskopunun lokalizasyonu için hassas vücut içi mesafe ölçümü problemi ele alınmaktadır. Bu bağlamda, yapay sinir ağları ve metaheuristik temelli öğrenme algoritmalarının (örnek olarak parçacık sürüsü optimizasyonu (PSO) ortak kullanımı irdelenmektedir. Makalenin literatüre katkıları şu şekilde özetlenebilir. İlk olarak, UWB tabanlı vücut içi mesafe ölçümü için PSO algoritmasının sistematik bir performans analizi yapılmış ve söz konusu problemin çözümü için PSO algoritmasının geliştirilmiş bir versiyonu önerilmiştir. İkinci olarak, önerilen PSO algoritmasının performansı Bayesian Regularization, Levenberg-Marquardt ve Single Conjugate Gradient gibi geleneksel öğrenme algoritmaları ile karşılaştırılmıştır. Son olarak, yapay sinir ağlarında kullanılan aktivasyon fonksiyonlarının performans üzerindeki etkileri incelenmiştir. Elde edilen sonuçlar, önerilen PSO algoritması vasıtası ile geleneksel tekniklere nazaran % 44’e varan performans artışları elde edilebileceğini göstermektedir