Veri kümeleme problemleri için bal porsuğu algoritmasının geliştirilmiş bir sürümü

Online Makale

Online Hizmetlere Toplu Bakış Online Kayıt ve Konaklama Online Bilimsel Program Dernekler İçin... Referanslarımız Telefon ve e-posta Desteği Bildiri özeti nedir? Bildiri özeti nasıl hazırlanır? Bildiri özeti örnekleri Kabul mektubu örnekleri

Pamukkale Üniversitesi Mühendislik Bilimleri Dergisi

Veri kümeleme problemleri için bal porsuğu algoritmasının geliştirilmiş bir sürümü [Pamukkale Univ Muh Bilim Derg]

Pamukkale Univ Muh Bilim Derg. Baskıdaki Makaleler: PAJES-99402 | DOI: 10.5505/pajes.2025.99402

Veri kümeleme problemleri için bal porsuğu algoritmasının geliştirilmiş bir sürümü

HARUN GEZICI
Kırklareli Üniversitesi

Bu çalışma, kümeleme problemlerinin çözümüne yönelik olarak Bal Porsuğu Algoritmasının (HBA) geliştirilmiş bir versiyonu olan Kümeleme Bal Porsuğu Algoritması (CHBA)’yı önermektedir. Yapılan temel iyileştirme, avın koku yoğunluğunu modellemek için kullanılan ters kare yasası yerine eksponansiyel azalma fonksiyonunun uygulanmasıdır. Bu sayede algoritmanın yerel minimumlara takılma olasılığı azaltılmış ve keşif yeteneği artırılmıştır. CHBA, yedi farklı kümeleme veri kümesi üzerinde, orijinal HBA dahil altı güncel meta-sezgisel algoritma ile karşılaştırılmıştır. Karşılaştırmalar doğruluk, F-skor, keskinlik, duyarlılık ve küme içi mesafe olmak üzere beş yaygın dış performans metriğine göre yapılmıştır. Elde edilen sonuçlara göre, CHBA, özellikle Cancer (%94,86 doğruluk), Iris (%93,94 doğruluk) ve Ecoli (%84,52 doğruluk) veri kümelerinde en yüksek başarıyı göstermiştir. Ayrıca, tüm performans metrikleri için yapılan Friedman testinde CHBA’nın ortalama sıralama değeri en düşük algoritma olduğu ve p-değerlerinin tümünde <0.005 olduğu görülmüştür. Bu bulgular, CHBA’nın karmaşık ve dengesiz veri kümelerinde kullanılabilecek rekabetçi ve güvenilir bir kümeleme algoritması olduğunu göstermektedir.

Anahtar Kelimeler: Bal porsuğu algoritması, Kümeleme problemleri, Meta sezgisel algoritmalar, Sürü zekâsı

An enhanced version of honey badger algorithm for data clustering problems

HARUN GEZICI
Kırklareli University

This study proposes an improved version of the Honey Badger Algorithm (HBA) for solving clustering problems, called the Clustering Honey Badger Algorithm (CHBA). The main enhancement involves modeling the smell intensity using an exponential decay function instead of the inverse square law. This modification reduces the likelihood of getting trapped in local optima and improves the algorithm’s exploratory behavior. CHBA was compared against six state-of-the-art meta-heuristic algorithms, including the original HBA, on seven benchmark clustering datasets. The evaluation was based on five common external performance metrics: accuracy, F-score, precision, sensitivity, and intra-cluster distance. According to the results, CHBA achieved the highest performance on datasets such as Cancer (94.86% accuracy), Iris (93.94% accuracy), and Ecoli (84.52% accuracy). Furthermore, Friedman test results showed that CHBA consistently ranked first in all performance metrics, with p-values less than 0.005, indicating statistically significant superiority. These findings demonstrate that CHBA is a competitive and reliable clustering algorithm, especially in complex and imbalanced data scenarios.

Keywords: Honey badger algorithm, Clustering problem, Meta-Heuristic algorithm, Swarm intelligence

Sorumlu Yazar: HARUN GEZICI, Türkiye

ARAÇLAR