Jihan Elena

Grasshopper 04151019

Optimization Algorithm
DALAM PENYELESAIAN ECONOMIC DISPATCH
TANPA LOSSES

Creative Single Image Portfolio Options

Bear claw croissant apple pie. Croissant cake tart liquorice tart pastry. Tiramisu apple pie
biscuit sweet oat cake sweet icing brownie. Chocolate bar brownie carrot cake bear claw
muffin. Chocolate macaroon lollipop
01.
0 Pseudocode GOA

03. Permasalahan

04 Hasil Run Program

 Filosofi

Grasshopper Optimization Algorithm (GOA) ditemukan oleh

Shahrzad Saremi, Sayedali Mirjalili, Andrew Lewis dan dipublikasikan
pada tahun 2017.
Inspirasi dari penemua GOA ini adalah kebiasaan dari
perkumpulan belalang dalam mencari daerah nyaman atau comfort zone
dalam suatu perkumpulan
 Filosofi
GRASSHOPPER OPTIMIZATION ALGORITHM
Filosofi Alam
1. Belalang saat dalam perkumpulan memiliki gaya tarik dan gaya
tolak masing-masing individu yang disebut gaya interaksi social

2. Terdapat pula pengaruh grafitasi dan angin terhadap comfort zone

belalang
Kharakteristik
Filosofi Belalang
GRASSHOPPER OPTIMIZATION ALGORITHM
Filosofi AI

1. Pada GOA variabel yang di optimalkan adalah posisi dari belalang ke-i
2. Posisi optimal yang di cari oleh masing-masing belalang disebut comfort zone
 Filosofi
GRASSHOPPER OPTIMIZATION ALGORITHM

Faktor dan Komponen gaya yang mempengaruhi posisi belalang:

Gaya
Gaya Pengaruh
Interaksi
Gravitasi Angin
Sosial
 Filosofi
GRASSHOPPER OPTIMIZATION ALGORITHM

GAYA INTERAKSI SOSIAL

Faktor utama yang mempengaruhi comfort zone adalah gaya interaksi social.
Setiap belalang memiliki gaya tarikan yang menyebabkan belalang lain
mendekat. Skala tarikan dari masing-masing belalang pun berbeda-beda.

Keterangan Persamaan:
s = fungsi untuk mendefinisikan
𝑆𝑖 = σ𝑁 ෢
𝑗=1.𝑗≠𝑖 𝑠 (𝑑𝑖𝑗 )(𝑑𝑖𝑗 ) 1 kekuatan dari gaya social
f = intensitas dari tarikan
−𝑟 l = besar skala tarikan
𝑠 (𝑟) = 𝑓𝑒 𝑙 − 𝑒 −𝑟 2 dij= jarak belalang i dan j
𝑑෢𝑖𝑗 = vektor unit dari jarak
belalang I dan j
 Filosofi
GRASSHOPPER OPTIMIZATION ALGORITHM

GAYA GRAVITASI PENGARUH ANGIN

𝐺𝑖 = − 𝑔ෞ
𝑒𝑔 3 𝐴𝑖 = 𝑢𝑒ෞ
𝑤
4

Keterangan Persamaan:
Keterangan Persamaan:
g = besar konstanta gravitasi
u = besar konstanta angin
𝑒ෞ
𝑔 = vektor unit agen menuju inti
𝑒ෞ
𝑤 = vektor unit dari arah angin.
bumi

Sehingga Persamaan Pencarian Posisi dari Belalang adalah sebagai berikut.

𝑋𝑖 = 𝑆𝑖 + 𝐺𝑖 + 𝐴𝑖 5

𝑵
𝒙𝒋 − 𝒙 𝒊
𝑿𝒊 = ෍ 𝒔 ( 𝒙 𝒋 − 𝒙 𝒊 ) ෣
− 𝒈𝒆𝒈 + 𝒖𝒆ෞ
𝒘 6
𝒅𝒊𝒋
𝒋=𝟏.𝒋≠𝒊
 Filosofi
GRASSHOPPER OPTIMIZATION ALGORITHM

Pada persamaan sebelumnya, belalang akan dengan mudah mencapai comfort zone,
dan kumpulan tidak akan mencapai konvergen di posisi yang spesifik, sehingga
persamaan harus dimodifikasi menjadi:

Keterangan Persamaan:
𝑢𝑏𝑑 =batas atas pada dimensi-d
𝑙𝑏𝑑 = batas bawah pada dimensi-d
Td = nilai posisi terbaik yang telah
ditemukan sebelumnya
8
c =koefisien penurunan untuk
mengecilkan daerah pencarian
l = Iterasi ke-
L = Jumlah Iterasi
 Pseudo codes
GRASSHOPPER OPTIMIZATION ALGORITHM

Inisialisasi kumpulan
Inisialisasi cmax, cmin, and jumlah iterasi maksimum
Hitung fitness dari masing masing agen pencari
T=posisi dari agen pencari terbaik
While (1 <Jumlah Iterasi)
Update c menggunakan persamaan (8)
For masing-masing agen pencari
Update posisi dariagen pencari menggunakan persamaan(7)
Bawa agen pencari kembali apabila telah melewati batas.
End for
Update T apabila ada solusi yang lebih baik
l=l+1
End while
Kembalikan T
(Saremi, 2017)
 Pseudo codes
GRASSHOPPER OPTIMIZATION ALGORITHM

STEP 1: Inisialisasi Kumpulan, cmax, cmin, dan Iterasi Maksimum

Parameter Nilai Inisiasi Posisi Awal Belalang:
l 0.5
Xi= lb + (ub - lb)* rand[0,1]
f 1.5
Cmax 1
Cmin 0.00001
L (Iterasi Max) 10000
G 30
 Pseudo codes
GRASSHOPPER OPTIMIZATION ALGORITHM

STEP 2: Hitung fitness dari masing masing agen pencari

T=posisi dari agen pencari terbaik
pada langkah ini, dicari nilai fitness dari masing-masing
belalang. Selanjutnya dicari fitness terbaik. Untuk
permasalahan ED fitness terbaik adalah fitness minimum.
Kemudian Fitnes terbaik dari semua belalang di simpan
sebagai T.
 Pseudo codes
GRASSHOPPER OPTIMIZATION ALGORITHM

STEP 3: Iterasi untuk mencari posisi optimal

While (1 <Jumlah Iterasi)
Update c menggunakan persamaan (2)
For masing-masing agen pencari
Update posisi dari agen pencari menggunakan persamaan(1)
Bawa agen pencari kembali apabila telah melewati batas.
End for
Update T apabila ada solusi yang lebih baik
l=l+1
end
Kembalikan T.
PERMASALAHAN:
Economic Dispatch Tanpa Rugi Transmisi
 HASIL RUN PROGRAM

Fitmin 8194.366311
Pgg 1 432.9881673
Pgg 2 263.6787383
Pgg 3 153.3330944
334.9338792
Gbest
122.0546327

Mean 8194.366311
std.dev 0.026107147
Min Fitness 8194.35614
Max Fitness 8194.42637
Waktu Iterasi 198.562 s
Kurva Konvergensi
Biru: GOA
Merah: ABC
Kuning: BA
Ungu : CSO
 KESIMPULAN DAN SARAN

Kesimpulan Saran

• GOA merupakan salah satu metode Dalam penyelesaian permasalahan ED

algoritma heuristis yang dapat tanpa losses, lebih baik digunakan
menyelesaikan permasalahan Economic CSO
Dispatch.
• Berdasarkan hasil simulasi didapatkan
bahwa untuk menyelesaikan
permasalahan ED tanpa Losses GOA
lebih baik dari algoritm BA dan ABC.
Untuk hasil terbaik didapatkan dengan
CSO.
 DAFTAR PUSTAKA

Shahrzad Saremi, Seyedali Mirjalili Andrew Lewis. Grasshopper

Optimization Algorithm: Theory and application.Advances in
Engineering Software 105 (2017) 30–47
Wood, Alan J.2014. POWER GENERATION, OPERATION, AND
CONTROL. John Wiley & Sons, Inc: Canada
Terima kasih