Sayısal görüntülerin sıkıştırılıp arşivlenmesi günümüz teknolojisinde çok önemli bir ihtiyaç haline gelmiştir. Son
yıllarda doğadan esinlenerek geliştirilen PSO(Parçacık sürü optimizasyonu), MSO(Meyve sineği optimizasyonu),
ABO(Ateşböceği optimizasyonu), GA(Genetik Algoritma) gibi sezgisel metodlar da vektör tabanlı görüntü
sıkıştırma için kullanılmaya başlamıştır. Bu çalışmada MSO, meyve sineklerinin sorunsuz bir şekilde global
optimum noktaya ulaşabilmesi için Levy Uçuşu tekniği ile birleştirilmiştir. MSO algoritmasının en büyük
sorunlarından biri de lokal minimum noktaya takılıp global minimuma ulaşamamasıdır. Çoğu zaman küçük
nadiren de büyük yarıçap değeri veren Levy Fonksiyonu yardımı ile meyve sineği lokal minimum noktaya hiç
takılmayıp global minimum noktayı garantilemektedir. Bu yeni geliştirilen LMSO(Levy uçuşlu meyve sineği
optimizasyonu) tekniği standart görüntüler üzerinde test edilmiş ve aynı sıkıştırma oranlarında MSE, PSNR
ölçütleri kullanıldığında diğer sezgisel algoritmalardan üstün olduğu gösterilmiştir.
It has become an important requirement to compress and archive digital images in nowaday technology. The
bioinspired algorithms such as Particle Swarm Optimization (PSO), Fruit Fly Optimization (FFO), Firefly
Optimization(FO), Bat Optimization(BO) algorithms have started to be used for vector-based image compression.
In this paper, the Fruitfly algorithm is combined with the Lévy flight distribution in order to reach the global
optimum point without encountering any problem. One of the FFO problems is to be captured the fruit flies by a
local minimum and cannot reach the global optimum point. With the help of Levy function, which results in small
values rarely and big values generally, the fruit flies guarantee the global minimum point without getting captured
by any local minimum. This new proposed Levy Flight Fruit Fly Optimization (LFFO) technique is applied on
the standard images and it is seen that at the same and compression rates, the proposed new LFFO technique is
better than the other metaheuristic optimization methods
