LESSON REPORT

Nama
Kendali Robotika/RE703
Matakuliah:
Nama Tangg 03/10/2022
Mahasiswa: Fahrezi Miftahul Afif al:
Student Name: Date:
NIM:
4221911015
Student ID:
Judul Materi:
Lesson Name: Particle Swarm Optimization – Week 6

1. Pendahuluan

Memaksimalkan keuntungan atau meminimalkan kerugian selalu menjadi perhatian dalam masalah
rekayasa. Untuk berbagai bidang pengetahuan, kompleksitas masalah optimasi meningkat seiring
dengan berkembangnya ilmu pengetahuan dan teknologi. Seringkali, contoh masalah teknik yang
mungkin memerlukan pendekatan optimasi adalah dalam konversi dan distribusi energi, dalam desain
mekanik, dalam logistik, dan dalam pengisian ulang reaktor nuklir.
Untuk memaksimumkan atau meminimumkan suatu fungsi guna mencari yang optimum, ada beberapa
pendekatan yang dapat dilakukan. Terlepas dari berbagai macam algoritma optimasi yang dapat
digunakan, tidak ada yang utama yang dianggap terbaik untuk kasus apa pun. Satu metode optimasi
yang cocok untuk suatu masalah mungkin tidak cocok untuk yang lain; itu tergantung pada beberapa
fitur, misalnya, apakah fungsinya terdiferensiasi dan kecekungannya (cembung atau cekung). Untuk
memecahkan masalah, seseorang harus memahami metode optimasi yang berbeda sehingga orang ini
dapat memilih algoritma yang paling sesuai dengan masalah fitur.
Algoritma Particle Swarm Optimization (PSO), yang diusulkan oleh Kennedy dan Eberhart , adalah
algoritma metaheuristik berdasarkan konsep kecerdasan swarm yang mampu memecahkan masalah
matematika kompleks yang ada dalam rekayasa . Sangat penting untuk dicatat bahwa berurusan dengan
PSO memiliki beberapa keunggulan jika dibandingkan dengan algoritma optimasi lainnya, setelah
memiliki parameter yang lebih sedikit untuk disesuaikan, dan yang harus ditetapkan secara luas dibahas
dalam literatur .

2. Particle swarm optimization: an overview

Pada awal 1990-an, beberapa penelitian tentang perilaku sosial kelompok hewan dikembangkan. Studi-
studi ini menunjukkan bahwa beberapa hewan yang termasuk dalam kelompok tertentu, yaitu burung
dan ikan, dapat berbagi informasi di antara kelompok mereka, dan kemampuan seperti itu memberi
hewan-hewan ini keuntungan bertahan hidup yang besar. Terinspirasi oleh karya-karya ini, Kennedy
dan Eberhart mengusulkan pada tahun 1995 algoritma PSO, sebuah algoritma metaheuristik yang sesuai
untuk mengoptimalkan fungsi kontinu nonlinier. Penulis memperoleh algoritme yang terinspirasi oleh
konsep kecerdasan kawanan, yang sering terlihat pada kelompok hewan, seperti kawanan dan kawanan.

Untuk menjelaskan bagaimana PSO telah mengilhami perumusan algoritma optimasi untuk
memecahkan masalah matematika yang kompleks, diskusi tentang perilaku kawanan disajikan.
Kawanan burung yang terbang di atas suatu tempat harus menemukan titik untuk mendarat dan, dalam
hal ini, definisi titik mana seluruh kawanan harus mendarat adalah masalah yang kompleks, karena
tergantung pada beberapa masalah, yaitu memaksimalkan ketersediaan makanan. dan meminimalkan

http://www.polibatam.ac.id ©2022 ROBOTICS ENGINEERING

 risiko keberadaan predator. Dalam konteks ini, seseorang dapat memahami gerakan burung sebagai
koreografi; burung-burung secara sinkron bergerak untuk suatu periode sampai tempat terbaik untuk
mendarat ditentukan dan semua kawanan mendarat sekaligus.
Untuk menjelaskan bagaimana PSO telah mengilhami perumusan algoritma optimasi untuk
memecahkan masalah matematika yang kompleks, diskusi tentang perilaku kawanan disajikan.
Kawanan burung yang terbang di atas suatu tempat harus menemukan titik untuk mendarat dan, dalam
hal ini, definisi titik mana seluruh kawanan harus mendarat adalah masalah yang kompleks, karena
tergantung pada beberapa masalah, yaitu memaksimalkan ketersediaan makanan. dan meminimalkan
risiko keberadaan predator. Dalam konteks ini, seseorang dapat memahami gerakan burung sebagai
koreografi; burung-burung secara sinkron bergerak untuk suatu periode sampai tempat terbaik untuk
mendarat ditentukan dan semua kawanan mendarat sekaligus.
Dalam contoh yang diberikan, pergerakan kawanan hanya terjadi seperti yang dijelaskan setelah semua
anggota kawanan dapat berbagi informasi di antara mereka sendiri; jika tidak, setiap hewan
kemungkinan besar akan mendarat di titik dan waktu yang berbeda. Studi tentang perilaku sosial hewan
dari awal 1990-an yang dinyatakan sebelumnya dalam teks ini menunjukkan bahwa semua burung dari
kawanan yang mencari titik yang baik untuk mendarat dapat mengetahui titik terbaik sampai ditemukan
oleh salah satu anggota kawanan. Dengan cara itu, setiap anggota kawanan menyeimbangkan
pengalaman pengetahuan individu dan kawanannya, yang dikenal sebagai pengetahuan sosial.
Seseorang mungkin memperhatikan bahwa kriteria untuk menilai apakah suatu titik baik atau tidak
dalam kasus ini adalah kondisi kelangsungan hidup yang ditemukan di titik pendaratan yang
memungkinkan, seperti yang disebutkan sebelumnya dalam teks ini.

Masalah untuk menemukan titik terbaik ke tanah yang dijelaskan memiliki masalah optimasi. Kawanan
harus mengidentifikasi titik terbaik, misalnya, garis lintang dan garis bujur, untuk memaksimalkan
kondisi kelangsungan hidup anggotanya. Untuk melakukannya, setiap burung terbang mencari dan
menilai titik-titik yang berbeda menggunakan beberapa kriteria bertahan hidup pada saat yang sama.
Masing-masing memiliki keunggulan untuk mengetahui di mana titik lokasi terbaik ditemukan hingga
diketahui oleh seluruh swarm.

Kennedy dan Eberhart terinspirasi oleh perilaku sosial burung, yang memberi mereka keuntungan besar
untuk bertahan hidup ketika memecahkan masalah menemukan titik aman ke daratan, mengusulkan
sebuah algoritma yang disebut PSO yang dapat meniru perilaku ini. Versi inersia, juga dikenal sebagai
versi klasik, dari algoritma diusulkan pada tahun 1995. Sejak itu, versi lain telah diusulkan sebagai
variasi dari formulasi klasik, yaitu, penurunan berat inersia linier , berat faktor penyempitan , inersia
dinamis dan pengurangan kecepatan maksimum, juga dalam Ref. , selain model hybrid atau bahkan
teknik optimasi pendekatan yang terinspirasi kuantum yang dapat diterapkan pada PSO. Bab ini hanya
akan menyajikan model inersia PSO, karena ini adalah algoritma mutakhir, dan untuk lebih memahami
turunan dari PSO, pertama-tama kita harus memahami versi klasiknya.

http://www.polibatam.ac.id ©2022 ROBOTICS ENGINEERING

 Tujuan dari masalah optimasi adalah untuk menentukan variabel yang diwakili oleh vector
X=[x1x2x3…xn]X=x1x2x3…xn yang meminimalkan atau memaksimalkan tergantung pada formulasi
optimasi yang diusulkan dari fungsif( X)fX. Vektor variable X dikenal sebagai vektor posisi; vektor ini
mewakili model variabel dan itu adalahnnvektor dimensi, di manannmewakili jumlah variabel yang
dapat ditentukan dalam suatu masalah, yaitu garis lintang dan garis bujur dalam masalah penentuan titik
ke daratan oleh kawanan. Di sisi lain, fungsif( X)fXdisebut fungsi fitness atau fungsi tujuan, yaitu fungsi
yang dapat menilai seberapa baik atau buruk suatu posisi X yaitu, seberapa baik titik pendaratan tertentu
yang dipikirkan burung setelah hewan ini menemukannya, dan evaluasi tersebut dalam hal ini dilakukan
melalui beberapa kriteria kelangsungan hidup.Mengingat segerombolan dengan partikel P, ada vektor
posisiXti= (xi1xi2xi3…xin)T vektor kecepatan Vti=(vi1,vi2,vi3…….Vin)T terasi untuk masing-masing i par
tikel yang menyusunnya. Vektor-vektor ini diperbarui melalui dimensijmenurut persamaan berikut:

Dimana i = 1,2,…,P dan j = 1,2,…,n.

http://www.polibatam.ac.id ©2022 ROBOTICS ENGINEERING

 Vektor kecepatan pada iterasi disusun oleh dua komponen mengenai masalah dua dimensi.

Vektor posisi diperbarui pada iterasi sebagai terdiri dari dua komponen mengenai masalah dua
dimensi.

Algorithma Particle Swarm Optimization

http://www.polibatam.ac.id ©2022 ROBOTICS ENGINEERING

 3. Kesimpulan
Dimungkinkan untuk menyajikan dasar-dasar yang melibatkan metode PSO. Keuntungan dan kerugian
dari metode ini dibahas, serta interpretasi diberikan untuk algoritmanya. Dimungkinkan juga untuk
membahas tentang metode hibrida yang menggabungkan metode deterministik dan heuristik untuk
mengekstrak keuntungan dari masing-masing metode.

Seperti dibahas sebelumnya, tidak praktis untuk mengatakan bahwa hasil yang diperoleh dengan metode
optimasi seperti PSO adalah maksimum atau minimum global, sehingga beberapa penulis menyebut
hasil sebagai global optimal yang paling mungkin. Dengan demikian, beberapa strategi dapat digunakan
untuk memverifikasi validitas hasil optimal yang diperoleh. Salah satu strateginya adalah
membandingkan dengan hasil yang diperoleh oleh algoritma optimasi lainnya, seperti yang digunakan
dalam pekerjaan ini. Dengan tidak adanya data optimal yang tersedia, baik karena keterbatasan
komputasi atau bahkan kurangnya hasil subjek, dimungkinkan untuk menggunakan strategi
perbandingan informasi dari model fisik nyata, yaitu, yang tidak diperoleh melalui algoritma optimasi,
tetapi alih-alih praktik rekayasa yang baik dan penilaian yang diperoleh melalui pengalaman teknis.
Selain itu, dimungkinkan untuk menerapkan algoritma PSO untuk masalah teknik yang berbeda. Yang
pertama melibatkan grid spacer dari elemen bahan bakar dan yang kedua melibatkan optimalisasi fungsi
biaya dari sistem kogenerasi. Dalam kedua masalah tersebut, diperoleh hasil yang memuaskan yang
menunjukkan efisiensi metode PSO.

http://www.polibatam.ac.id ©2022 ROBOTICS ENGINEERING