Teaching–Learning-Based Optimization (TLBO) algorithm has become an alternative
optimization method in a great number of applications in different fields of engineering
and science since it has been introduced in 2011. Teaching-learning-based
optimization (TLBO) is a population-based metaheuristic examination algorithm
stimulated by the teaching and learning procedure in a classroom environment. TLBO
with its comparatively reasonable performances outperforms some of the well-known
metaheuristics concerning constrained benchmark tasks, controlled mechanical
schemes, and nonstop non-linear numerical optimization problems. In the TLBO
algorithm’s variants, all the learners have an equal chance of receiving information
from the teacher and from each other as learners by interacting with each other in the
class. The Experimental results of the TLBO method are tested on the set of CEC2018
dynamic multi-objective optimization benchmark problems and the computed results
show that TLBO offers promising outcomes with diverse dynamic features and
changing environments compared with other algorithms. It works well with producing
a good class of population when alterations happen for pursuing the influential Paretooptimal set efficiently for refining population conjunction and multiplicity. TLBO
extracted improved or equal quality solutions compared to other evolutionary
algorithms. It is a promising alternative for the solution of difficult dynamic multiobjective optimization problems.
ÖZ:
Öğretme-Öğrenme Tabanlı Optimizasyon (TLBO) algoritması, 2011 yılında
tanıtıldığından beri mühendislik ve bilimin önemli sayıdaki farklı alanlarında altenatif
bir optimizasyon yöntemi olmuştur. Öğretme-öğrenme tabanlı optimizasyon (TLBO),
sınıf ortamında öğretme ve öğrenme süreci üzerine kurgulanan popülasyon tabanlı bir
metasezgisel arama algoritmasıdır. Karşılaştırmalı makul başarımlarıyla TLBO,
kısıtlamalı kalite testi problemleri, kontrollü mekanik şemalar ve kesintisiz doğrusal
olmayan sayısal optimizasyon problemlerinin çözülmesinde iyi bilinen bazı
metasezgisel yöntemlerden daha üstün başarım göstermektedir. TLBO algoritmasının
değişik uygulamalarında, tüm öğrenenler sınıfta birbirleriyle etkileşime girerek
öğretmenden ve birbirlerinden eşit bilgi alma şansına sahiptirler. TLBO yönteminin
deneysel sonuçları, CEC2018 konferansında yayınlanan dinamik çok amaçlı kalite
testi optimizasyon problemleri kümesi üzerinde sınanmıştır ve hesaplanan sonuçlar
TLBO'nun diğer algoritmalara kıyasla çeşitli dinamik özellikler ve değişen ortamlarla
umut verici sonuçlar sunduğunu göstermektedir. Problem koşulları değiştiğinde,
algoritma iyi bir nüfus yapısı ve çeşitliliği sağlayarak Pareto-optimal çözümler
kümesini verimli bir şekilde takip eder. TLBO’nun başarımı diğer evrimsel
algoritmalarla karşılaştırıldığında iyileştirilmiş veya aynı kalitede çözümler elde ettiği
görülür. Algoritma zor dinamik çok amaçlı optimizasyon problemlerinin çözümü için
iyi bir alternatiftir.
