24
secara
acak.
Di
daerah
tersebut
hanya
ada
satu
potong
makanan.
Semua
burung
tidak
tahu dimana makanan tersebut berada. Tetapi mereka tahu seberapa jauh makanan
tersebut
dengan
setiap
perulangan.
Jadi strategi
yang
baik
untuk
menemukan
makanan
tersebut adalah dengan mengikuti posisi burung yang terdekat dengan makanan.
PSO
dilakukan
dengan
mengikuti
skenario
seperti
di
atas dan
digunakan
untuk
mencari optimalisasi dari sebuah permasalahan.
Dalam PSO, setiap solusi adalah sebuah
“burung”
dalam area
pencarian.
Akan
selanjutnya
disebut
sebagai
partikel.
Semua
partikel
mempunyai
nilai fitness
yang
akan
dievaluasi
oleh
sebuah
fungsi fitness, dan
mempunyai
kecepatan
yang
akan
mengarahkan jalannya
dari
partikel
tersebut.
Partikel
tersebut akan berjalan di daerah permasalahan dengan mengikuti partikel terbaik yang
ada.
PSO diinisialisasi dengan sebuah grup partikel(solusi) secara acak dan
selanjutnya
mencari
hasil
terbaik.
Dalam
setiap
perulangan,
setiap
partikel
diperbaiki
oleh
dua
nilai
“best”.
Yang
pertama
adalah
solusi
terbaik
yang
partikel tersebut
pernah
capai sampai
saat
ini. Nilai
ini
disebut P
best
.
Nilai
“best”
yang
lain
yang dilihat dalam
PSO adalah
nilai terbaik dari seluruh partikel
yang ada sampai saat
ini. Nilai
ini disebut
G
best
.
Model
optimalisasi
global
yang
diajukan
oleh
Shi
dan
Eberhart
(1999)
seperti
berikut:
V
id
= W × V
id
+ C1 × Rand × (P
best
-X
id
)
+ C2 × rand × (G
best
-
X
id
)
(11)
X
id
= X
id
+V
id
(12)
di
mana
V
id
adalah
kecepatan
dari
partikel
i,
X
id
adalah
posisi
partikel,
W
adalah
berat
inersia.
C1 dan
C2 adalah
faktor
learning
yang
menunjukkan
pergerakan
dari
partikel
yang
cenderung
ke
arah
P
best
(C1)
atau
cenderung
ke
arah
G
best
(C2)
sehingga
nilai
yang
 |