PARTICLE SWARM OPTIMIZATION

Pada tahun 1995, Russel Eberhart dan James kennedy mempresentasikan metode optimasi temuannya karena terinspirasi oleh tingkah laku dari sekelompok burung atau ikan (bird or fish flocking) yang kemudian dikenal dengan nama Partice Swarm Optimization (PSO).

Why named as Particle, not points? Both Kennedy and Eberhart felt that velocities and accelerations are more appropriately applied to particles.
PSO ini merupakan metode optimasi stokastik berdasarkan pada konsep populasi (sekumpulan burung, ikan, lebah, dll) yang bisa digunakan untuk menyelesaikan permasalahan non linier dan memiliki berbagai keunggulan yaitu lebih cepatnya mencapai konvergensi bila dibandingkan dengan metode heuristik yang lain. PSO diinisialisasi dengan sebuah populasi dari solusi-solusi acak dan mencari solusi yang paling optimal dengan membaharui anggota populasi. Setiap partikel diasumsikan memiliki dua karakteristik: posisi dan kecepatan. Setiap partikel bergerak dalam ruang/space tertentu dan mengingat posisi terbaik yang pernah dilalui atau ditemukan terhadap sumber makanan atau nilai fungsi objektif. Setiap partikel menyampaikan informasi atau posisi bagusnya kepada partikel yang lain dan menyesuaikan posisi dan kecepatan masing-masing berdasarkan informasi yang diterima mengenai posisi yang bagus tersebut. Sebagai contoh, misalnya perilaku burung-burung

dalam dalam kawanan burung. Meskipun setiap burung mempunyai keterbatasan dalam hal kecerdasan, biasanya ia akan mengikuti kebiasaan (rule) seperti berikut : 1. Seekor burung tidak berada terlalu dekat dengan burung yang lain (separation)

2. Burung tersebut akan mengarahkan terbangnya ke arah rata-rata keseluruhan burung (alignment)

3. Akan memposisikan diri dengan rata-rata posisi burung yang lain dengan menjaga sehingga jarak antar burung dalam kawanan itu tidak terlalu jauh (cohesion)

Jadi PSO dikembangkan dengan berdasarkan pada model berikut: 1) Ketika seekor burung mendekati target atau makanan (atau bisa mnimum atau maximum suatu fungsi tujuan) secara cepat mengirim informasi kepada burung-burung yang lain dalam kawanan tertentu 2) Burung yang lain akan mengikuti arah menuju ke makanan tetapi tidak secara langsung 3) Ada komponen yang tergantung pada pikiran setiap burung, yaitu memorinya tentang apa yang sudah dilewati pada waktu sebelumnya.

Analoginya seperti ini : Dimisalkan terdapat sekelompok burung yang secara acak sedang mencari makanan dalam suatu daerah tertentu Hanya ada satu potong makanan di daerah yang dicari. Tidak ada satu ekor burungpun yang tahu dimana makanan tersebut berada, tetapi burung-burung tersebut tahu seberapa jauh makanan itu melalui masingmasing iterasinya. Lalu strategi apa yang terbaik ??? Jalan yang paling efektif adalah dengan mengikuti burung yang posisinya paling dekat dengan makanan. Itulah jalan algoritma dari Particle Swarm optimization ini. Setiap solusi acak pada permasalahan populasi ini disebut sebagai particle dimana : o o Setiap particle tersebut bergerak dalam suatu ruang masalah. Satu particle memiliki nilai terbaiknya yang telah dicapai yang disebut dengan pbest (position best) o o Nilai terbaik yang dicapai dalam populasi disebut sebagai gbest (global best) Particle memiliki velocity yang akan mengubah arah dari particle pada setiap iterasinya Algoritma PSO yang mendasar memiliki persamaan velocity : () ( ) [ ( )] [ ( )]

dan posisi: () dimana : = index particle, dengan = iterasi = velocity dari particle ke-j ( ) ()

= posisi dari particle ke-j = posisi terbaik dari partikel ke-j (pbest) = posisi terbaik dari swarm (gbest, terbaik dari semua particle) = Learning rates = bilangan acak dengan interval [0,1]