Loading presentation...

Present Remotely

Send the link below via email or IM

Copy

Present to your audience

Start remote presentation

  • Invited audience members will follow you as you navigate and present
  • People invited to a presentation do not need a Prezi account
  • This link expires 10 minutes after you close the presentation
  • A maximum of 30 users can follow your presentation
  • Learn more about this feature in our knowledge base article

Do you really want to delete this prezi?

Neither you, nor the coeditors you shared it with will be able to recover it again.

DeleteCancel

Make your likes visible on Facebook?

Connect your Facebook account to Prezi and let your likes appear on your timeline.
You can change this under Settings & Account at any time.

No, thanks

Untitled Prezi

No description
by

Dedi Apriyanto

on 16 May 2013

Comments (0)

Please log in to add your comment.

Report abuse

Transcript of Untitled Prezi

Introduction Algorithm Tugas Metaheuristik - Presentasi Jurnal MPSO : Median-oriented Particle Swarm Optimization Reviewed by:
Dedi Apriyanto 2509100154
Hans Roberto W. 2510100131 Industrial Computation & Optimization Laboratory
Department of Industrial Engineering
Institut Teknologi Sepuluh Nopember Surabaya 2013 Particle Swarm Optimization merupakan salah satu metode metaheuristik dalam optimasi yang terinspirasi dari perilaku kawanan burung atau ikan

algoritma PSO, di dalam pencariaannya menemukan titik optimal, dibangun dengan mempertimbangkan kecerdasan individu serta perilaku sosial dari setiap individu

Hal ini dapat dijelaskan pada kawanan burung dimana apabila seekor burung menemukan jalan terdekat menuju sumber makanan, maka kawanan yang lain akan bergerak ke arah yang sama meskipun posisi mereka berada berjauhan Palung Mariana Russia France Brazil Tanzania Indonesia Particle Swarm Optimization dalam pengaplikasiannya PSO dimanfaatkan untuk menyelesaikan problem optimasi untuk permasalahan yang kompleks, baik itu continous optimization maupun discrete optimization

sayangnya ada 2 kelemahan utama dalam metode ini, yaitu setiap partikel sangat mudah terjebak di dalam lokal optimal, serta kecepatan konvergensi yang tidak cukup bagus di dalam pencarian solusi

banyak metode-metode yang kemudian dikembangkan untuk memperbaiki kinerja dari PSO Algoritma PSO Secara Umum 1. Mengasumsikan ukuran kelompok sejumlah N
2. Membangkitkan populasi awal x dengan rentang x(B) ke x(A) secara random sehingga didapatkan Xi = (xi1, xi2, ..., xid) dengan i = 1, 2, ..., N sedangkan d adalah dimensi ruang pencarian. Menghitung F(X) untuk setiap posisi partikel.
3. Menentukan kecepatan partikel yaitu Vi = (vi1, vi2, ..., vid). Kecepatan awal partikel adalah sama dengan nol. Set iterasi t=1
4. (a) nilai terbaik sejauh ini untuk setiap partikel xj(i) dinyatakan dalam Pi sedangkan nilai f(x) terbaik dari keseluruhan kawanan dinyatakan dalam Pg
(b) menghitung kecepatan setiap partikel dan posisi yang baru dengan rumus:
vid(t+1) = w(t) x vid + C1 x rand x (pid(t) -xid(t)) + C2 x rand x (pgd(t) -xid(t))
xid(t+1) = xid(t) + vid(t+1)
(c) menghitung nilai fungsi tujuan terhadap posisi yang baru setiap partikel yang dinyatakan dalam F(X)(t)
5. Cek solusi apakah sudah konvergen atau memenuhi stopping criteria atau belum, kalo sudah stop kalo belum memperbarui iterasi t = t +1 Algoritma MPSO Secara Umum 1. Mengasumsikan ukuran kelompok sejumlah N
2. Membangkitkan populasi awal x dengan rentang x(B) ke x(A) secara random sehingga didapatkan Xi = (xi1, xi2, ..., xid) dengan i = 1, 2, ..., N sedangkan d adalah dimensi ruang pencarian. Menghitung F(X) untuk setiap posisi partikel.
3. Menentukan kecepatan partikel yaitu Vi = (vi1, vi2, ..., vid). Kecepatan awal partikel adalah sama dengan nol. Set iterasi t=1
4. (a) nilai terbaik sejauh ini untuk setiap partikel xj(i) dinyatakan dalam Pi sedangkan nilai f(x) terbaik dari keseluruhan kawanan dinyatakan dalam Pg
(b) menghitung kecepatan setiap partikel dan posisi yang baru dengan rumus:
vid(t+1) = a(t) x vid + C1 x rand x (pid(t) - pmd(t) - xid(t)) + C2 x rand x (pgd(t) - pmd(t) - xid(t))
xid(t+1) = xid(t) + vid(t+1) + 1/2 x [rand x (pid(t) - xid(t) + rand x (pgd(t) - xid(t)]
(c) menghitung nilai fungsi tujuan terhadap posisi yang baru setiap partikel yang dinyatakan dalam F(X)(t)
5. Cek solusi apakah sudah konvergen atau memenuhi stopping criteria atau belum, kalau sudah stop kalau belum memperbarui iterasi t = t +1 MPSO Algorithm Experiment 1) Experiment dilakukan pada 20 jenis fungsi baik unimodal maupun multimodal, dan dilakukan pada 3 keadaan yaitu jumlah iterasi = 5000 & n = 30, jumlah iterasi = 7000 & n = 100, dan jumlah iterasi = 9000 & n = 200

2) Terdapat 4 metode yang dibandingkan yaitu PSO, LMPSO, LPSO, dan MPSO Analysist Experiment lain-lain Convergence Performance Convergence Performance Conclusion TERIMA KASIH KESIMPULAN > Pada Jurnal ini telah berhasil dibentuk pengembangan baru dari metode PSO yaitu MPSO : Median Orienthed Particle Swarm Optimization
> Algoritma MPSO sendiri berdasarkan pada standart PSO dan posisi median dari particle. Serta mempertimbangkan nilai fitness yang terburuk dan mediannya.
> Setelah dilakukan sejumlah percobaan didapatkan hasil bahwa MPSO menunjukkan hasil yang terbaik dibandingkan dengan beberapa metode PSO lainnya. buat data judul jurnal Pseudo Code Algorithm Grafik pencarian Solusi
Full transcript