Particle Swarm Optimization

Swarm Intelligence adalah kecerdasan kolektif yang muncul dari sekelompok agent atau individu mahluk hidup. Salah satu metode yang dapat diterapkan adalah particle swarm optimization (PSO). PSO diperkenalkan oleh Kennedy dan Eberhart pada tahun 1995, terinspirasi dari perilaku sosial hewan, seperti segerombolan burung.

Penggunaan metode PSO ini didasarkan pada penggunaan operasi matematika primitif dan secara komputasional tidak besar dalam hal pemanfaatan memori serta kecepatan pemrosesan, algoritma yang sangat sederhana, dan paradigma dapat diimplementasikan hanya dalam beberapa baris kode. Metode ini meniru kemampuan binatang yang mencari sumber makanan, setiap individu dalam PSO akan dianggap sebagai sebuah partikel. Algoritma PSO berfokus pada penyelesaian masalah optimasi dalam pencarian ruang untuk mendapatkan solusi.

Algoritma ini adalah salah satu dari teknik komputasi evolusioner, yang mana populasi pada PSO didasarkan pada penelusuran algortima dan diawali dengan suatu populasi yang random yang disebut dengan particle. Berbeda dengan teknik komputasi evolusioner lainnya, setiap particle di dalam PSO juga berhubungan dengan suatu velocity. Partikel-partikel tersebut bergerak melalui penelusuran ruang dengan velocity yang dinamis yang disesuaikan menurut perilaku historisnya. Oleh karena itu, partikel-partikel mempunyai kecenderungan untuk bergerak ke area penelusuran yang lebih baik setelah melewati proses penelusuran.

dXmfi

Illustrasi pergerakan Algoritma PSO

Perhatikan Illustrasi PSO, setiap partikel setara dengan burung, mereka terus-menerus memperbarui mereka posisi dan velocity. Mereka mencapai solusi optimal melalui iterasi terus menerus. Menentukan sendiri posisi dan kualitas velocity oleh dua nilai “extremes” dalam setiap iterasi. Nilai ekstrim pertama adalah solusi optimal ditemukan oleh partikel itu sendiri, disebut local best, Dan ekstrem yang lain adalah solusi optimal yang ditemukan oleh seluruh partikel, yang disebut global best. Sehingga posisi optimal dan kecepatan bisa dipilih secara tepat.

Pada dasarnya, PSO dimulai dengan menghasilkan populasi solusi secara acak. Hal itu dapat mewakili populasi menjadi dua dimensi matriks, dimana baris mewakili partikel sedangkan kolom berisi nilai masing-masing variabel. Kecepatan setiap partikel ditentukan oleh dua nilai yang diperoleh sebagai solusi, yang pertama adalah global best (Gbest) yang terkait dengan solusi terbaik yang pernah dicapai oleh partikel dan yang kedua adalah local best (Lbest) mewakili solusi terbaik untuk populasi dari iterasi tertentu. Misalnya, dalam masalah minimisasi global best (Gbest) akan diperbarui oleh local best (Lbest) jika pada iterasi tertentu Lbest < Gbest. Proses ini diulang sampai kriteria yang diberikan terpenuhi. Dalam penelitian ini, kita menggunakan PSO dengan inertia weight (w). Hal ini dapat dilihat bahwa perlu menyediakan parameter diantaranya fungsi tujuan F(x), jumlah partikel, nilai awal dari global best dan dua percepatan koefisien.

Kesederhanaan algoritma dan performansinya yang baik, menjadikan PSO telah menarik banyak perhatian dikalangan para peneliti dan telah diaplikasikan dalam berbagai persoalan optimasi. PSO telah populer menjadi optimisasi global dengan sebagian besar permasalahan dapat diselesaikan dengan baik di mana variabel-variabelnya adalah bilangan real. Implementasi dari PSO ini dapat menangani banyak masalah, seperti di kontrol frekuensi pemuatan energi, optimal penjadwalan beberapa satelit dalam pengisian bahan bakar, dan model alokasi optimum untuk tempat penampungan darurat gempa.

pso

Diagram Alir Algoritma PSO

Seperti pada Gambar Diagram Alir, prosedur standar untuk menerapkan algoritma PSO dapat dijelaskan sebagai berikut:

  1. Inisialisasi populasi dari partikel-partikel degan posisi dan velocity secara random dalam suatu ruang dimensi penelusuran.
  2. Evaluasi fungsi fitness yang telah ditentukan sebelumnya.
  3. Membandingkan evaluasi fitness dengan Local Best.
  4. Identifikasi partikel dalam lingkungan dengan hasil terbaik sejauh ini.
  5. Update velocity dan posisi partikel.
  6. Kembali ke langkah 2 sampai kriteria terpenuhi, biasanya berhenti sampai nilai fungsinya yang cukup baik atau Global Best yang mendekati sama dengan 0, artinya sampai pada jumlah iterasi maksimum.

Seperti halnya dengan algortima evolusioner yang lain, algortima PSO adalah sebuah populasi yang didasarkam penelusuran inisialisasi partikel secara random dan adanya interaksi diantara partikel dalam populasi. Di dalam PSO setiap partikel bergerak melalui ruang solusi dan mempunyai kemampuan untuk mengingat posis terbaik sebelumnya dan dapat bertahan dari generasi ke generasi.

Iklan

Tinggalkan Balasan

Isikan data di bawah atau klik salah satu ikon untuk log in:

Logo WordPress.com

You are commenting using your WordPress.com account. Logout / Ubah )

Gambar Twitter

You are commenting using your Twitter account. Logout / Ubah )

Foto Facebook

You are commenting using your Facebook account. Logout / Ubah )

Foto Google+

You are commenting using your Google+ account. Logout / Ubah )

Connecting to %s