Comparative Performance Analysis of Particle Swarm-Artificial Bee Colony (PS-ABC) and Particle Swarm-ant Colony (PSACO) Hybrid Optimization Algorithms

Abstract

Optimizasyon, mühendislikten finansmana kadar geniş bir uygulama alanında kritik rol oynayan disiplinlerarası bir araştırma konusudur. Geleneksel optimizasyon yöntemlerinin karmaşık ve yüksek boyutlu problemlerde yetersiz kalması, metasezgisel algoritmaların ve hibrit yaklaşımların geliştirilmesini zorunlu kılmıştır. Bu çalışma, Parçacık Sürü Optimizasyonu (PSO) temelli iki hibrit algoritma olan Parçacık Sürü Yapay Arı Kolonisi (PS-ABC) ve Parçacık Sürü-Karınca Kolonisi (PSACO) algoritmalarını karşılaştırmalı olarak analiz etmeyi amaçlamaktadır. Hibrit algoritmalar, farklı algoritmaların avantajlarını birleştirerek yerel optimumlara takılma riskini azaltmayı, yakınsama hızını artırmayı ve çözüm kalitesini iyileştirmeyi hedefler. PS-ABC, PSO'nun sosyal öğrenme yeteneği ile Yapay Arı Kolonisi (ABC) algoritmasının keşif mekanizmasını entegre eder. PSACO ise PSO'nun sömürü yeteneğini Karınca Kolonisi Optimizasyonu (ACO) ile destekleyerek feromon rehberli bir arama stratejisi sunar. Her iki algoritma da literatürden seçilen 16 karşılaştırma fonksiyonu üzerinde test edilmiştir. Bu fonksiyonlar, modalite, boyutluluk, ayrılabilirlik ve ölçeklenebilirlik gibi çeşitli zorlukları simüle etmek üzere seçilmiştir. Deneysel sonuçlar, PSACO'nun özellikle yüksek boyutlu ve çok modlu fonksiyonlarda üstün performans sergilediğini göstermiştir. ACO'nun feromon tabanlı keşif mekanizması, yerel minimumlardan kaçınma ve küresel optimuma hızlı yakınsama konusunda kritik bir avantaj sağlamıştır. PS-ABC ise düşük boyutlu ve düzgün yapılı fonksiyonlarda dengeli bir performans göstermiş ancak yüksek boyutlarda keşif yeteneği bazı fonksiyonlarda sınırlı kalmıştır. Standart sapma değerleri, PSACO'nun tekrarlı çalışmalarda daha güvenilir sonuçlar ürettiğini kanıtlamıştır. Karşılaştırma fonksiyonları üzerindeki analizler, hibrit algoritmaların problem tipine bağlı davranışlarını netleştirmiştir.Optimization is an interdisciplinary research field that plays a critical role in a wide range of applications, from engineering to finance. The inadequacy of traditional optimization methods in solving complex and high-dimensional problems has necessitated the development of metaheuristic algorithms and hybrid approaches. This study aims to comparatively analyze two particle swarm optimization (PSO)-based hybrid methods: Particle Swarm-Artificial Bee Colony (PS-ABC) and Particle Swarm-Ant Colony Optimization (PSACO). Hybrid algorithms aim to reduce the risk of getting trapped in local optima, enhance convergence speed, and improve solution quality by combining the advantages of different algorithms. PS-ABC integrates the social learning capability of Particle Swarm Optimization (PSO) with the exploration mechanism of the Artificial Bee Colony (ABC) algorithm. Similarly, PSACO combines the exploitation ability of PSO with Ant Colony Optimization (ACO) to provide a pheromone-guided search strategy. Both algorithms have been tested on 16 benchmark functions selected from the literature. These functions were chosen to simulate various challenges, including modality, dimensionality, separability, and scalability. Experimental results demonstrate that PSACO exhibits superior performance, particularly in high-dimensional and multimodal functions. The pheromone-based exploration mechanism of ACO provides a critical advantage in avoiding local minima and rapidly converging to the global optimum. PS-ABC has demonstrated balanced performance in low-dimensional and well-structured functions; however, its exploration capability has been limited in some high-dimensional functions. Standard deviation values confirm that PSACO produces more reliable results in repeated trials. Analyses on the benchmark functions clarify the problem-dependent behavior of hybrid methods.