PSO merupakan metode metaheuristik yang pencarian solusi berdasarkan populasi dari kawanan burung atau ikan, di mana setiap populasi memiliki individu yang dapat mempengaruhi individu lain. Sedangkan kawanan diasumsikan mempunyai ukuran tertentu dengan setiap partikel posisi awalnya terletak di suatu lokasi yang acak dalam ruang multidimensi.
PSO dikembangkan oleh Kennedy dan Eberchart pada tahun 1995, algoritma Ini didasarkan pada perilaku sekawanan burung atau ikan. Setiap individu atau partikel berperilaku dengan cara menggunakan kecerdasannya sendiri dan juga dipengaruhi perilaku kelompok kolektif nya. Oleh karena itu, bahkan ketika anggota kelompok lainnya tersebar, mereka semua dapat segera mengikuti jalur yang ditemukan oleh satu partikel atau burung yang mengarah ke persediaan makanan.
PSO membuat asumsi bahwa kawanan adalah ukuran tertentu dan bahwa setiap partikel pertama-tama tersebar secara acak di seluruh wilayah multidimensi. Posisi dan kecepatan dianggap sebagai dua sifat yang dimiliki setiap partikel. Setiap partikel bergerak melalui ruang atau ruang tertentu dan mempertahankan tempat terbaik yang pernah ditemuinya dalam kaitannya dengan sumber makanan atau nilai fungsi objektif.
Partikel-partikel tersebut akan menyampaikan informasi atau posisi terbaiknya kepada partikel yang lain dan menyesuaikan posisi dan kecepatan masing-masing berdasarkan informasi yang diterima mengenai posisi tersebut.
Algoritma Particle Swarm Optimization
Algoritma ini dikembangkan dengan berdasarkan pada model berikut:
- Ketika seekor burung mendekati target atau makananan (atau bisa Minimum atau maksimum suatu fungsi tujuan an) secara cepat Mengirim informasi kepada burung-burung yang lain dalam kawasan tertentu.
- Meski tidak secara langsung, burung lain akan mengikuti petunjuk untuk makan.
- Ada komponen yang bergantung pada pikiran setiap burung yaitu memorinya tentang apa yang sudah dilewati pada waktu sebelumnya nya
Melalui 3 hal diatas pada akhirnya muncullah algoritma dibawah ini:
Bermula dari inisialisasi posisi awal sejumlah partikel sekaligus kecepatan awalnya secara random lalu mengevaluasi fitness dari masing-masing partikel berdasarkan posisinya dan berakhir pilih partikel yang memiliki fitness tertinggi dan atur sebagai Gbest (Pbest awal untuk setiap partikel akan sama dengan posisi awal)
Parameter dalam Algoritme PSO
- Jumlah partikel (Number of particles)
- Bobot Inersia (Inertia Weight)
- Faktor pembelajaran (Learning factors)
- Dimensi partikel
- Kecepatan (Velocity)
Nah itulah serba – serbi hal yang harus Anda ketahui dalam memahami PSO pada software Matlab. Jika masih mengalami kesulitan dalam mengaplikasikannya, hubungi saja Gama Statistika
Komentar Terbaru