PSO

https://staff.blog.ui.ac.id/komarudin74/2012/02/22/optimasi-kontinyu-dengan-particle-swarmoptimization-pso/
Particle swarm optimization
Particle swarm optimization (PSO) adalah teknik optimisasi stokastik berbasis populasi yang telah dikembangkan
oleh Dr. Eberhart dan Dr. Kennedy pada tahun 1995. PSO muncul dari hasil inspirasi mengenai sifat sosial
sekelompok burung yang sedang bersama dalam suatu formasi tertentu atau gerombolan ikan yang bergerak
bersama sama.
PSO memiliki kesamaan sifat denga teknik komputasi seperti Algoritma Genetik (Genetic Algorithm). Sistem
PSO diinisiasi oleh sebuah populasi solusi acak dan selanjutnya mencari titik optimum dengan cara meng-update
tiap hasil pembangkitan. Namun, tidak seperti GA, tidak memiliki operator crossover dan mutasi.
PSO adalah suatu algoritma metaheuristik yang melakukan pencarian solusi meniru perilaku swarm (kumpulan
kawanan makhluk hidup, contohnya burung). Tiap-tiap makhluk hidup (selanjutnya disebut particle) akan disebar
di ruang solusi secara acak yang uniform. Kemudian setiap particle akan berusaha berpindah posisi untuk
mencari posisi lain yang dapat menghasilkan fungsi tujuan yang lebih baik. Setiap pergerakan particle akan
dipandu oleh dua hal, posisi terbaik yang pernah ditempati particle tsb dan posisi terbaik yang pernah ditemui
oleh seluruh particle. Sehingga, particle-particle tersebut akan bekerja sama dalam mencari solusi optimal.
Selain itu, banyak modifikasi dan varians yang bisa dirancang untuk PSO ini.
Skema dari PSO dapat digambarkan pada gambar di bawah ini:
Salah satu contoh permasalahan optimasi nonlinear sederhana adalah permasalahan Rosenbrock.
Permasalahan ini adalah mencari nilai dari dua variable sehingga dapat meminimumkan fungsi:
f(x,y)=(1x)2+100(yx2)2
Fungsi tujuan di atas akan memiliki tipologi solusi sebagai berikut:

article Swarm Optimization

PSO terinspirasi dari perilaku gerakan kawanan hewan seperti ikan (school of fish), hewan herbivor
(herd), dan burung (flock) yang kemudian tiap objek hewan disederhanakan menjadi sebuah
partikel. Suatu partikel dalam ruang memiliki posisi yang dikodekan sebagai vektor koordinat.
Vektor posisi ini dianggap sebagai keadaan yang sedang ditempati oleh suatu partikel di ruang

pencarian. Setiap posisi dalam ruang pencarian merupakan alternatif solusi yang dapat dievaluasi
menggunakan fungsi objektif. Setiap partikel bergerak dengan kecepatan v.
Ciri khas dari PSO adalah pengaturan kecepatan partikel secara heuristik dan probabilistik. Jika
suatu partikel memiliki kecepatan yang konstan maka jika jejak posisi suatu partikel
divisualisasikan akan membentuk garis lurus. Dengan adanya faktor eksternal yang membelokkan
garis tersebut yang kemudian menggerakkan partikel dalam ruang pencarian maka diharapkan
partikel dapat mengarah, mendekati, dan pada akhirnya mencapai titik optimal. faktor eksternal
yang dimaksud antara lain posisi terbaik yang pernah dikunjungi suatu partikel, posisi terbaik
seluruh partikel (diasumsikan setiap partikel mengetahui posisi terbaik setiap partikel lainnya),
serta faktor kreativitas untuk melakukan eksplorasi. Secara matematis deskripsi di atas ditampilkan
sebagai berikut :
vi(t) = u1.k1.vi(t-1) + u2.k2.(xbesti-xi) + u3.k3.(xbestg-xi) + u4.vacak
xbest di atas merupakan catatan khusus mengenai posisi terbaik yang pernah dikunjungi tiap
partikel. Indeks g menyatakan partikel yang posisi terbaiknya merupakan posisi terbaik
dibandingkan posisi partikel lainnya. vacak merupakan vektor arah acak yang diinterpretasi sebagai
faktor kreativitas untuk melakukan eksplorasi. nilai skalar u1 hingga u4 merupakan variabel acak
(random variate) yang terdistribusi merata (uniform distribution) sedangkan a1 hingga a4
merupakan koefisien pengaruh masing-masing suku.