3 Metode Swarm Intelligent beserta Kelebihan dan Kekurangannya


1. Ant Colony System

Algoritma Ant Colony Optimization (ACO) merupakan salah satu metode metaheuristik yang menerapkan semut sebagai agen dengan update Pheromone-nya untuk dapat melakukan proses pencarian solusi yang efektif dan efisien. Ant Colony Optimization(ACO) diadopsi dari perilaku koloni semut yang dikenal sebagai system semut. Pada ACO setiap semut ditempatkan di semua titik graph (dalam hal ini titik-titik yang dikunjungi) yang kemudian akan bergerak mengunjungi seluruh titik. Setiap semut akan membuat jalur masing-masing sampai kembali ke tempat semula di mana mereka ditempatkan pertama kali. Jika sudah mencapai keadaan ini, maka semut telah menyelesaikan sebuah siklus (tour). Solusi akhir adalah jalur terpendek dari seluruh jalur yang dihasilkan oleh pencarian semut tersebut.

Kelebihan:
  • Dalam optimasi pencarian jarak terpendek lebih optimal (satu arah maupun bolak balik)
  • Dalam optimasi minimalisir total waktu travel kurang optimal (tergantung jumlah semut)

Kelemahan:
  • Kompleksitas (parameter yang dbebani) cukup banyak
  • Running time cukup lama


2. Particle Swarm Optimization

Algoritma PSO (Particle Swarm Optimization) adalah salah satu metode dari teknik kecerdasan buatan swarm intelligence yang berlandaskan perilaku kolektif (collective beharviour) dan dapat mengatur dirinya sendiri (self-organizing). Dalam swarm intelligence algoritma particle swarm optimization ini merupakan metode yang digunakan untuk penentuan posisi partikel terbaik. Konsep optimasi partikel terdiri dari kerumunan. Pada persamaan dari algoritma PSO dasar yang di perkenalkan oleh oleh Kennedy dan R.Eberhart setiap partikel memiliki nilai fitness yang dievaluasi oleh fungsi yang dioptimasi, selain itu parameter lain yang dimiliki oleh tiap partikel adalah posisi partikel, konstanta, kecepatan partikel, posisi terbaik partikel dan posisi global terbaik. dari beberapa parameter yang di gunakan diatas dapat membentuk update posisi dilakukan secara serempak di tiap-tiap partikel. Sebelum update posisi setiap partikel terlebih dahulu melakukan update kecepatan.

Kelebihan:
  • Algoritma PSO didasari oleh intelligence. Hal ini dapat diterapkan baik kedalam penelitian ilmiah maupun teknik
  • Algoritma PSO tidak memiliki perhitungan mutasi yang tumpang tindih. Pencarian dapat dilakukan dengan kecepatan setiap partikel. partikel yang optimal dapat mengirim informasi sehingga partikel lain dapat cepat melakukan pencarian
  • Perhitungan dari algoritma PSO sangat sederhana dibandingkan dengan perhitungan algoritma yang berkembang lainnya. Algoritma PSO ini memiliki tingkat optimasi yang paling tinggi dan dapat diselesaikan dengan perhitungan yang sederhana
  • Algoritma PSO mengandung bilangan real

Kekurangan:
  • Algoritma ini mudah mengalami optimasi yang parsial yang mengakibatkan kurang tepatnya pengaturan terhadap kecepatan dan tujuan
  • Algoritma ini tidak dapat bekerja di luar masalah optimasi
  • Algoritma ini tidak dapat bekerja di luar masalah sistem koordinat


3. Artificial Bee Colony

Algoritma Artificial Bee Colony (ABC) adalah algoritma metaheuristic yang meniru perilaku koloni lebah dalam mencari makanan (nektar) (Karaboga & Basturk, 2007). Dalam algoritma ABC, koloni lebah dibagi menjadi 3 jenis yaitu:
  • Lebah Employee bertugas untuk mengeksploitasi sumber makanan (solusi).
  • Lebah Onlooker, menunggu di sarang dan kemudian ikut mengeksploitasi sumber makanan berdasarkan informasi tentang sumber makanan yang disampaikan oleh lebah employee melalui waggle dance.
  • Lebah Scout, bertugas mencari sumber makanan baru jika terdapat sumber makanan yang ditinggalkan oleh lebah employee atau lebah onlooker.

Pada algoritma ABC, solusi atas permasalahan yang optimisasi digambarkan sebagai sumber makanan (nektar) (Akay & Karaboga, 2012).  Dan kualitas dari nektar menggambarkan nilai objective function dari suatu solusi. Jumlah sumber makanan sama dengan jumlah lebah employee, sedangkan jumlah lebah employee sama dengan jumlah lebah onlooker. Perilaku lebah dalam mencari makan dapat digambarkan sebagai berikut (Akay & Karaboga, 2012):
  • Pada tahapan awal mencari sumber makanan, lebah mulai menjelajah wilayah sekitar sarang secara acak untuk mendapatkan sumber makanan.
  • Setelah menemukan sumber makanan, lebah mulai menjadi lebah employee dan mulai mengeksploitasi sumber makanan yang ditemukan. Setelah itu lebah employee akan kembali ke dalam sarang dengan membawa nektar dan menurunkan nektar. Setelah menurunkan nektar, lebah employee tersebut dapat langsung kembali ke sumber makanan yang dia temukan atau lebah tersebut dapat membagikan informasi tentang sumber makanan yang dia temukan ke lebah lainnya dengan melakukan waggle dance. Banyaknya gerakan dalam tarian menunjukkan kualitas dari nektar. Apabila nektar telah habis, maka lebah employee akan menjadi lebah scout dan mulai mencari sumber makanan lain secara acak.

Lebah onlooker yang menunggu di dalam sarang dapat memilih sumber makan setelah melihat waggle dance yang dilakukan oleh lebah employee.

Belum ada Komentar untuk "3 Metode Swarm Intelligent beserta Kelebihan dan Kekurangannya"

Posting Komentar

Iklan Atas Artikel

Iklan Tengah Artikel 1

Iklan Tengah Artikel 2

Iklan Bawah Artikel