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