Penjelasan detail Artificial Intelligence Particle Swarm Optimizer (PSO)

Algoritma Algoritma Particle Swarm Optimization (PSO) diperkenalkan oleh Kennedy dan Eberhart pada tahun 1995, proses algoritmanya terinspirasi oleh tingkah laku sosial pada kawanan burung yang terbang bersama-sama. Perilaku sosial ini terdiri dari tindakan individu dan pengaruh dari individu individu lain dalam suatu kelompok. Setiap individu atau partikel berperilaku secara terdistribusi dengan menggunakan kecerdasannya (intelligence) sendiri dan juga dipengaruhi kelompok kolektifnya. Dengan demikian, jika satu partikel atau seekor burung menemukan jalan yang tepat (optimal) menuju sumber makanan, maka sisa anggota kelompok yang lainnya juga akan mengikuti jalan tersebut meskipun lokasi mereka didalam kelompok tersebut tidak saling berdekatan.Beberapa istilah umum yang digunakan dalam PSO dapat didefinisikan sebagai berikut :

1. Swarm : populasi dari suatu algoritma
2. Particle : anggota (individu) pada suatu swarm. Setiap particle mempresentasikan suatu solusi yang potensial pada permasalahan yang diselesaikan .Posisi dari suatu particle adalah ditentukan oleh representasi solusi saat itu.
3. Pbest (Personal Best) : posisi Pbest suatu particle yang menunjukkan posisi particle yang dipersiapkan untuk mendapatkan suatu solusi yang terbaik.
4. Gbest (Global Best) : posisi terbaik particle pada swarm atau posisi terbaik diantara Pbest yang ada.
5. Velocity (kecepatan) : kecepatan atau vector yang menggerakkan proses optimisasi yang menentukan arah dimana suatu particle diperlukan untuk berpindah (move) untuk memperbaiki posisinya semula.
6. Inertia Weight (θ) : parameter yang digunakan untuk mengontrol dampak dari adanya velocity yang diberikan oleh suatu particle.

Simulasi Pergerakan Partikel PSO

Berikut ini adalah langkah - langkah dari proses PSO :

1. Menentukan ukuran swarm dan menentukan nilai awal posisi dan kecepatan partikel secara random
2. Mengevaluasi nilai fungsi tujuan untuk setiap partikel
3. Menentukan Pbest dan Gbest mula-mula
4. Menghitung kecepatan pada iterasi berikutnya dengan Persamaan

​Vj(i) = θVj(i - 1)+c1r1[Pbest,j - Xj(i-1)]+c2r2 [Gbest - Xj(i-1)]

i = iterasi

j = 1,2,3,...,N

1. 1 dan r2 =  bilangan random

1. Menentukan posisi partikel pada iterasi berikutnya menggunakan persamaan Xj(i) = Xj(i – 1) + Vj(i)
2. Mengevaluasi nilai fungsi tujuan pada iterasiselanjutnya
3. Mengupdate Pbest dan Gbest
4. Memeriksa apakah solusi sudah optimal atau belum. Jika sudah optimal, maka proses algoritma berhenti, namun bila belum optimal maka kembali ke langkah 4.

Sekian dulu ya penjelasan dari kami mengenai PSO jika anda membutuhkan bantuan projek yang mengenai Kecerdasan buatan (Artificial Intelligence)  langsung saja teman-teman hubungi kita ya, akan kita bantu semaksimal mungkin. 

Kontak Kami Langsung Melalui WA