22-08-2017
Machine Learning
• Pada awalnya, SI memang didesain untuk menyelesaikan masalah optimasi, baik kontinu
maupun diskrit
• Satu kekuatan SI adalah sangat cepat menemukan solusi yang (mendekati) optimum, apalagi
jika diimplementasikan menggunakan komputasi paralel maupun terdistribusi
Jika d = 10, berapa luas lingkaran?
r 2 (22 / 7)(52 )
78,57
10
Luas = (12/16).100
= 75
Luas = (12/20).100
= 60
Model matematis ??
10
Luas = (16/20).100
= 80
10
Jumlah domba = ? 7 x 5 = 35
Presisi atau kecepatan?
• Kurang atau bahkan tidak ada sama sekali pengetahuan untuk merepresentasikan masalah
ke dalam ruang pencarian yang lebih sempit
• Terdapat batasan waktu, misalnya dalam sistem waktu nyata (real time system)
• Solusi yang diharapkan tidak harus paling optimum, tetapi bisa diterima oleh pengguna
Di Mana Menggunakan SI?
• Apa inti dari semua masalah komputasi?
• Optimasi (optimization)
• Optimasi bisa berupa pencarian nilai maksimum (maksimasi) atau nilai minimum (minimasi)
• Sejauh ini belum ada satupun formula matematis yang dapat digunakan untuk menentukan,
atau setidaknya mengestimasi, nilai-nilai parameter tersebut.
Optimum
-8 -7 -6 -5 -4 -3 -2 -1 1 2 3 4 5 6 7 8
-1
-2
-3
-4
-5
5
P5
P1
4
2 P6
P3 Optimum
-8 -7 -6 -5 -4 -3 -2 -1 1 2 3 4 5 6 7 8
-1
P4
-2 Best
-3
P2
-4
-5
P5
P1
P6
P3 Optimum
P4
Best
P2
P1 P5
Best
P3 P6
Optimum
P4
P2
P1 P5
Best
P3 P6
Optimum
P4
P2
P1
P5
P3
Optimum P6
Best
P2
P4
P1
P5
P3
Optimum P6
Best
P2
P4
P1
P3 P5
P6
P2 Best
P4
P5
P3
P1
P2 P6
P4
Fungsi multimodal: Drop Wave
1 cos12 x12 x 22
f ( x1 , x 2 )
1 2
2
2
x1 x 2 2
Global Minimum = -1
x1 = 0, x2 = 0
1 cos12 x12 x 22
f ( x1 , x 2 )
1 2
2
x1 x 22 2
PSO = Single-leader organization
PSO = Some static-leaders
PSO untuk TSP?
• Satu Particle = satu solusi
• Partikel = vektor bernilai riil
• Urutkan nilai-nilai riil secara descending (dari besar ke kecil)
• Ranking = urutan kunjungan
• Indeks vektor = nomor kota
[Craig Reynolds, www.red3d.com/cwr/boids]
Firefly Algorithm (FA)
PSO
2 2
𝑓 = 𝑥 +𝑥
1 2
5
Optimum
-8 -7 -6 -5 -4 -3 -2 -1 1 2 3 4 5 6 7 8
-1
-2
-3
-4
-5
5
F5
F1
4
2 F6
F3 Optimum
-8 -7 -6 -5 -4 -3 -2 -1 1 2 3 4 5 6 7 8
-1
F4
-2
-3
F2
-4
-5
F5
F1
F6
F3 Optimum
F4
F2
F5
F1
F6
F3 Optimum
F4
F2
F5
F6
F1
F3 Optimum
F4
F2
F5
F6
F1
F3 Optimum
F4
F2
F5
F6
F1
F3 Optimum
F2
F4
F5
F6
F1
F3 Optimum
F2
F4
F5
F6
F1
F3 Optimum
F2
F4
F5
F6
F1
F3
Optimum
F2
F4
F5
F6
F1
Optimum
F3
F2
F4
F5
F6
F1
Optimum
F3
F2
F4
F5
F6
F1
Optimum
F4
F3
F2
F5
F6
F1
Optimum
F4
F3
F2
F5
F6
F1
F4
F3
F2
F6
F1
F5
F4
F3
F2
F6
F1
F5
F4
F3
F2
F5F1F6
F2
F4
F3
Fungsi multimodal: Drop Wave
1 cos12 x12 x 22
f ( x1 , x 2 )
1 2
2
2
x1 x 2 2
Global Minimum = -1
x1 = 0, x2 = 0
FA = Dynamic-leader organization
A firefly just follows any brighter
PSO FA
-0.93
-0.82
-0.84 -0.94
-0.86 -0.95
-0.88
Best Cost
Best Cost
-0.96
-0.9
-0.97
-0.92
-0.94 -0.98
-0.96
-0.99
-0.98
-1
0 10 20 30 40 50 60 70 80 90 100 0 10 20 30 40 50 60 70 80 90 100
Iteration Iteration
Ukuran Performansi
S 100 90
P 1 100% P 1 100% 90%
G 100
P = persentase solusi SI
G = maksimum global
S = selisih antara solusi yang dihasilkan SI dengan maksimum global
Efektivitas
S 100 110
P 1 100% P 1 100% 90%
G 100
P = persentase solusi SI
G = minimum global
S = selisih antara solusi yang dihasilkan SI dengan minimum global
Efektivitas
F 95
Q 100% Q 100% 95%
R 100