Particle Swarm Optimization

Top PDF Particle Swarm Optimization:

Particle Swarm Optimization

Particle Swarm Optimization

Particle Swarm Optimization | Particle Swarm Optimization (PSO) adalah salah satu teknik optimasi dan termasuk jenis teknik komputasi evolusi yang dikembangkan oleh Dr. Eberhart dan Dr. Kennedy pada tahun 1995. Metode ini memiliki sifat robust yang bagus untuk memecahkan persoalan yang mempunyai karakteristik nonlinear dan nondifferentiability, multiple optima, dimensi besar melalui adaptasi yang diturunkan dari teori psychology-sosial.

2 Baca lebih lajut

i HALAMAN JUDUL - Prediksi Cuaca Untuk Peningkatan Keselamatan Penerbangan dengan Menggunakan Jaringan Saraf Tiruan dan Particle Swarm Optimization - ITS Repository

i HALAMAN JUDUL - Prediksi Cuaca Untuk Peningkatan Keselamatan Penerbangan dengan Menggunakan Jaringan Saraf Tiruan dan Particle Swarm Optimization - ITS Repository

Cuaca memiliki peran yang signifikan pada kecelakaan penerbangan yaitu sebesar 23% dari seluruh penerbangan yang ada. Dalam upaya mengurangi kecelakaan dibutuhkan sebuah metode yang tepat dan akurat dalam melakukan prediksi cuaca, sehingga dapat membantu dalam membuat suatu keputusan pada waktu sebelum penerbangan ataupun saat penerbangan sedang berlangsung. Untuk mengatasi masalah ini dilakukan penelitian mengenai prediksi cuaca dengan menggunakan metode gabungan jaringan saraf tiruan dan particle swarm optimization (JST-PSO). Nilai RMSE terbaik menggunakan metode gabungan JST-PSO terdapat pada hidden node berjumlah 6 node pada prediksi kecepatan angin yaitu sebesar 0,0721 dan 9 node pada prediksi visibilitas yaitu sebesar 0,0837. Dapat disimpulkan dari hasil tersebut bahwa metode Particle Swarm Optimization dapat menghasilkan bobot yang optimum dan dapat melakukan prediksi cuaca untuk meningkatkan keselamatan penerbangan, dilihat dari nilai RMSE yang dihasilkan metode gabungan hampir sama dengan tanpa menggunakan metode Particle Swarm Optimization.
Baca lebih lanjut

186 Baca lebih lajut

Penerapan Particle Swarm Optimization Untuk Balancing Ability Pada Team Battle Game RPG

Penerapan Particle Swarm Optimization Untuk Balancing Ability Pada Team Battle Game RPG

Pada Game RPG terdapat 3 profesi yang paling umum yaitu Fighter, Mage, dan Cleric. Dari 3 profesi tersebut terdapat perbedaan yang kompleks yang dapat mempengaruhi permainan RPG. Untuk melakukan penelitian mengenai keseimbangan profesi pada Game RPG, percobaan tersebut memakan waktu yang lama dan cost yang tinggi. Maka dari itu sebuah metode yang mengurangi cost untuk melakukan kegiatan testing ability pada profesi-profesi karakter RPG. Maka dari itu, penelitian ini membahas mengenai bagaimana kita menerapkan sebuah algoritme yang secara umum dapat dipakai dengan mudah yaitu Particle swarm optimization(PSO) dalam melakukan testing ability karakter pada Game RPG secara otomatis sehingga mengurangi cost pada development Game. Penelitian ini menghasilkan sebuah AI bot yang dapat meniru perilaku manusia pada umumnya yang sesuai dengan rules pada Game sehingga dapat membantu Game designer dalam menentukan balancing ability pada Game yang mereka buat. Penelitian ini membahas mengenai penggunaan Artificial neural network(ANN) untuk mengontrol sebuah karakter pada game agar dapat mensimulasikan pertandingan sebagai ukuran balance dari sebuah battle. Kontroler ANN tersebut dilatih tanpa diajari atau belajar sendiri untuk mengerti pergerakan musuh mereka dan dievaluasi untuk dijadikan sebagai kontroler utama pada penelitian ini. Metode pembelajaran ANN sendiri menggunakan PSO untuk menentukan kontroler terbaik dalam masa training. Penelitian ini dilakukan pada game turn based – RPG. Hasil dari penelitian ini adalah proses balancing skill set baru beserta konfigurasi PSO yang mempengaruhi penelitian ini.
Baca lebih lanjut

Baca lebih lajut

TEKNIK PENALTI PADA OPTIMISASI BERKENDALA MENGGUNAKAN PARTICLE SWARM OPTIMIZATION

TEKNIK PENALTI PADA OPTIMISASI BERKENDALA MENGGUNAKAN PARTICLE SWARM OPTIMIZATION

Constrained optimization is searching optimal solution by satisfying any constraints. Constrained optimization can be solved by exact method or heuristic method. In this research, we will apply heuristic method like Particle Swarm Optimization (PSO). PSO is optimization method inspired from the flock of fish or bird in searching food source. PSO can be applied on constrained optimization. In update particle position, in order that satisfying constraints, particle will be given penalty if the constraint isn’t satisfied. Simulations are applied on two optimization models. The simulations show that penalty technique can find the approaching optimal solution in constrained optimization.
Baca lebih lanjut

9 Baca lebih lajut

PENENTUAN RUTE PARIWISATA KOTA BANDUNG MENGGUNAKAN ALGORITMA PARTICLE SWARM OPTIMIZATION DETERMINING TOURISM ROUTE IN BANDUNG USING PARTICLE SWARM OPTIMIZATION ALGORITHM

PENENTUAN RUTE PARIWISATA KOTA BANDUNG MENGGUNAKAN ALGORITMA PARTICLE SWARM OPTIMIZATION DETERMINING TOURISM ROUTE IN BANDUNG USING PARTICLE SWARM OPTIMIZATION ALGORITHM

Kemudahan yang diberikan oleh teknologi membantu turis untuk menentukan tempat pariwisata yang akan dikunjungi dengan suatu perangkat lunak seperti Google Maps dan Waze. Namun hingga saat ini belum terdapat perangkat lunak dengan fungsi menentukan rute dengan batasan-batasan seperti batasan hari dalam pengunjungan suatu tempat pariwisata. Penentuan rute untuk mengunjungi berbagai tempat pariwisata dapat dibantu dengan berbagai macam algoritma, salah satunya adalah algoritma Particle Swarm Optimization(PSO).

7 Baca lebih lajut

BAB 1 PENDAHULUAN  PENERAPAN PARTICLE SWARM OPTIMIZATION PADA CAPACITATED TEAM ORIENTEERING PROBLEM.

BAB 1 PENDAHULUAN PENERAPAN PARTICLE SWARM OPTIMIZATION PADA CAPACITATED TEAM ORIENTEERING PROBLEM.

Tinjauan pustaka berisi gambaran ringkas dari penelitian terdahulu yang pernah dilakukan yang berhubungan dengan permasalahan yang ditinjau pada penelitian ini. Pada Bab 2 juga terdapat landasan teori berisi teori-teori yang mendukung penelitian yang dilakukan mengenai Capacitated Team Orienteering Problem, Particle Swarm Optimization, dan pengenalan ET-Lib. Landasan teori diambil dari buku-buku referensi dan jurnal-jurnal yang berhubungan dengan penelitian ini.

4 Baca lebih lajut

A Self-Adaptive Chaos Particle Swarm Optimization Algorithm

A Self-Adaptive Chaos Particle Swarm Optimization Algorithm

As a new evolutionary algorithm, particle swarm optimization (PSO) achieves integrated evolution through the information between the individuals. All the particles have the ability to adjust their own speed and remember the optimal positions they have experienced. This algorithm has solved many practical engineering problems and achieved better optimization effect. However, PSO can easily get trapped in local extremum, making it fail to get the global optimal solution and reducing its convergence speed. To settle these deficiencies, this paper has proposed an adaptive chaos particle swarm optimization (ACPSO) based on the idea of chaos optimization after analyzing the basic principles of PSO. This algorithm can improve the population diversity and the ergodicity of particle search through the property of chaos; adjust the inertia weight according to the premature convergence of the population and the individual fitness; consider the global optimization and local optimization; effectively avoid premature convergence and improve algorithm efficiency. The experimental simulation has verified its effectiveness and superiority.
Baca lebih lanjut

Baca lebih lajut

Segmentasi Pelanggan Menggunakan Metode Particle Swarm Optimization dan K-Means.

Segmentasi Pelanggan Menggunakan Metode Particle Swarm Optimization dan K-Means.

Customer segmentation is an implementation of clustering in the data mining process. Customer segmentation divides customers into certain classes to help a company to understand each customer. This paper analyzed 33,441 rows of a transaction data and transformed it into Recency, Frequency, and Monetary form (RFM) to identify potential customer. Clustering method used was the combination of Particle Swarm Optimization (PSO) and K-Means algorithm. The combination of these algorithms aimed to take advantages of both algorithms and remove their weakness. K-Means is very sensitive to initialize the cluster center because it was done randomly. PSO was used to optimize the cluster center and help K-Means to cluster better. The clustering experiment used several number of cluster. The best number of the cluster for this experiments are two clusters according to Davies- bouldin Index (DBI) method. The second cluster has 0.5 value of DBI’s index and 0.83 value of Silhouette’s index.
Baca lebih lanjut

39 Baca lebih lajut

Fuzzy Clustering Image Segmentation Based on Particle Swarm Optimization

Fuzzy Clustering Image Segmentation Based on Particle Swarm Optimization

Image segmentation refers to the technology to segment the image into different regions with different characteristics and to extract useful objectives, and it is a key step from image processing to image analysis. Based on the comprehensive study of image segmentation technology, this paper analyzes the advantages and disadvantages of the existing fuzzy clustering algorithms; integrates the particle swarm optimization (PSO) with the characteristics of global optimization and rapid convergence and fuzzy clustering (FC) algorithm with fuzzy clustering effects starting from the perspective of particle swarm and fuzzy membership restrictions and gets a PSO-FC image segmentation algorithm so as to effectively avoid being trapped into the local optimum and improve the stability and reliability of clustering algorithm. The experimental results show that this new PSO-FC algorithm has excellent image segmentation effects.
Baca lebih lanjut

9 Baca lebih lajut

TESIS  ANALISIS PEMBANGKITAN JADWAL PERKULIAHAN DENGAN DISCRETE PARTICLE SWARM OPTIMIZATION.

TESIS ANALISIS PEMBANGKITAN JADWAL PERKULIAHAN DENGAN DISCRETE PARTICLE SWARM OPTIMIZATION.

Metode traditional forward checking, metaheuristik, algoritma genetik, tabu search, PSO, pernah digunakan untuk meyelesaikan timetable. PSO (Particle Swarm Optimization) adalah salah satu algoritma terbaru dari algoritma swarm intelligence. PSO memiliki dasar kecerdasan yang baik. Algoritma DPSO (Discrete Particle Swarm Optimization) merupakan pengembangan dari algoritma PSO. PSO menggunakan perhitungan secara numerik, sedangkan DPSO menggunakan konsep permutasi. Masalah timetable dalam komputasi dapat dilihat sebagai masalah diskret sehingga algoritma DPSO dapat digunakan untuk menyelesaikan masalah timetable. Paper ini mencoba untuk mengaplikasikan algoritma DPSO untuk optimasi timetable perkuliahan. Teknik penyebaran data pada partikel dilakukan secara random. jumlah partikel dan jumlah pergerakan partikel (epoch) mendekati posisi terbaik cocok ditentukan sebelum melakukan generate timetable. Saat terjadi indikasi pelanggaran terhadap hard constraint, maka algoritma akan mendeteksi bagian dari partikel yang melanggar hard constraint untuk menghindari pelanggaran.
Baca lebih lanjut

13 Baca lebih lajut

Arie Rachmad Syulistyo, et al., Particle Swarm Optimization 53

Arie Rachmad Syulistyo, et al., Particle Swarm Optimization 53

Jaringan syaraf tiruan menarik banyak peneliti dewasa ini. Banyak universitas-universitas terkenal telah mengembangkan jaringan syaraf tiruan untuk berbagai aplikasi baik kademik maupun industri. Jaringan syaraf tiruan menunjukkan kinerja yang patut dipertimbangkan untuk berbagai tujuan. Meskipun begitu, kinerja dari jaringan syaraf tiruan merosot dengan signifikan untuk masalah-masa- lah yang kompleks. Untuk menyelesaikan masalah tersebut di atas, banyak penelitian yang dilakukan untuk meningkatkan kinerja dari jaringan syaraf tiruan standar. Salah satu pengembangan yang men- janjikan untuk jaringan syaraf tiruan pada kasus yang kompleks adalah metode deep learning. Pada penelitian ini, diusulkan penggunaan metode Particle Swarm Optimization (PSO) pada Convolutional Neural Networks (CNNs), yang merupakan salah satu metode dasar pada deep learning. Penggunaan PSO dalam proses pelatihan bertujuan untuk mengoptimalkan hasil vektor solusi pada CNN, sehingga dapat meningkatkan akurasi hasil pengenalan. Data yang digunakan dalam penelitian ini adalah data angka yang berasal dari MNIST. Dari percobaan yang dilakukan akurasi yang dicapai dengan 4 iterasi adalah 95,08%. Hasil ini lebih baik dari CNN konvensional dan DBN. Waktu eksekusinya juga men- dekati CNN konvensional. Oleh karena itu, metode yang usulkan adalah metode yang menjanjikan.
Baca lebih lanjut

7 Baca lebih lajut

METODE PARTICLE SWARM OPTIMIZATION UNTUK OPTIMASI PORTOFOLIO

METODE PARTICLE SWARM OPTIMIZATION UNTUK OPTIMASI PORTOFOLIO

Stock is one of financial assets popularly invested in the present time. In spite of its unstable movement, stock price can be predicted for certain period of time to estimate the profit that will be made. The owned stocks can be systematically arranged to produce a maximum profit with minimal risks through portfolio. Portfolio can be arranged by imposing various constraints, such as sector capitalization. With this constraint, portfolio does not create a proportion for each stock, but for every sector containing various stocks. If implemented, the investor may be interested in investing their capital into the stocks that have the high value in the capital market. By investing in various stocks, investors can minimize the risks provided one of the chosen sectors suffers loss. Optimization with this constraint is a non-linear optimization problem with integer and real numbers with the help of Particle Swarm Optimization method. The optimization results in this article show the consecutive weight of five sectors of LQ45 stocks are 0,353; 0,2465; 0,222; 0,1164; 0,0955 with the risk of 0,0030. Keywords: Portfolio, Particle Swarm Optimization
Baca lebih lanjut

Baca lebih lajut

SKRIPSI SWARM ROBOT DALAM MENDETEKSI GAS DENGAN METODE ALGORITMA PARTICLE SWARM OPTIMIZATION (PSO)

SKRIPSI SWARM ROBOT DALAM MENDETEKSI GAS DENGAN METODE ALGORITMA PARTICLE SWARM OPTIMIZATION (PSO)

Alhamdulillah, puji dan syukur kehadirat Allah SWT. yang telah memberikan rahmat dan hidayah-Nya, sehingga penulis dapat menyelesaikan laporan akhir ini yang berjudul “ Swarm Robot Dalam Mendeteksi Gas Dengan Metode Algoritma Particle Swarm Optimization (PSO)” Shalawat beserta salam semoga selalu tercurah kepada junjungan kita Nabi Muhammad SAW beserta keluarga, sahabat dan pengikutnya yang istiqomah hingga akhir zaman. Tugas Akhir ini disusun sebagai persyaratan kelulusan pada Program Studi Sarjana Terapan Teknik Elektro konsentrasi mekatronika Politeknik Negeri Sriwijaya Palembang.
Baca lebih lanjut

Baca lebih lajut

Particle Swarm Optimization (PSO)

Particle Swarm Optimization (PSO)

Berkembangnya sebuah perusahaan ekspedisi atau jasa pengiriman paket saat ini tidak lepas dari peran serta seorang kurir. Dimana kurir merupakan pelaku utama dari sebuah perusahaan ekspedisi yang bertugas untuk mengirimkan beberapa paket ke beberapa alamat tujuan dalam satu pengiriman. Terkadang seorang kurir belum memahami area-area sekitar kota Surabaya yang menjadi daerah pengiriman dari beberapa alamat tujuan paket pengirimanya. Maka dituntut kecepatan dan pemahaman yang baik sebuah area kota Surabaya bagi seorang kurir ketika mengirimkan beberapa paket-paketnya. Selain itu kadang kala kurir merasa kebingungan untuk menentukan urutan-urutan pengiriman dari paket-paket dalam satu hari pengiriman. Permasalahan tersebut dapat mengakibatkan paket tidak terkirim sesuai dengan jadwal yang telah ditentukan sebelumnya. Permasalahan yang menyangkut kurir terkait dengan probabilitas urutan-urutan alamat pengantaran paket. Salah satu algoritma yang menghasilkan probabilitas adalah algoritma PSO yang kepanjangan dari Particle Swarm Optimization. Dengan algoritma PSO ini dapat menghasilkan solusi untuk menentukan urutan-urutan tercepat pengiriman alamat-alamat dari beberapa paket. Solusi-solusi yang dihasilkan oleh algoritma PSO dapat dijadikan acuan oleh kurir untuk proses pengiriman beberapa paket ke beberapa alamat tujuan.
Baca lebih lanjut

Baca lebih lajut

2.1 ANALISIS PEMBANGKITAN JADWAL PERKULIAHAN DENGAN DISCRETE PARTICLE SWARM OPTIMIZATION.

2.1 ANALISIS PEMBANGKITAN JADWAL PERKULIAHAN DENGAN DISCRETE PARTICLE SWARM OPTIMIZATION.

PSO adalah salah satu algoritma terbaru dari Swarm Intelligence (SI), dibandingkan dengan Algoritma Genetik (GA) dan Simulated Annealing (SA) (Hsieh dkk, 2007., Huang dkk, 2011). PSO mirip dengan GA, hanya saja tidak memiliki operator seleksi, crossover dan mutasi (Mozafaria dkk, 2011., Chen, 2010). PSO telah berhasil didemonstrasi untuk optimasi numerik, dan dinyatakan bahwa PSO merupakan alternatif dari global optimization. Evolusi natural pada PSO diterapkan untuk memunculkan generasi baru dari calon solusi.

13 Baca lebih lajut

1. ANALISIS PEMBANGKITAN JADWAL PERKULIAHAN DENGAN DISCRETE PARTICLE SWARM OPTIMIZATION.

1. ANALISIS PEMBANGKITAN JADWAL PERKULIAHAN DENGAN DISCRETE PARTICLE SWARM OPTIMIZATION.

22. Shahzad, Waseem., Khan, Farrukh Aslam., and Siddiqui, Abdul Basit., 2010, Weighted Clustering using Comprehensive Learning Particle Swarm Optimization for Mobile Ad Hoc Networks, Pakistan, International Journal of Future Generation Communication and Networking Vol. 3, No. 1. 23. Shi, X.H., Liang, Y.C., Lee, H.P., Lu, C., Wang, Q.X., 2007, Particle swarm

189 Baca lebih lajut

PENDAHULUAN  OPTIMASI PENJADWALAN MATA KULIAH DENGAN METODE PARTICLE SWARM OPTIMIZATION.

PENDAHULUAN OPTIMASI PENJADWALAN MATA KULIAH DENGAN METODE PARTICLE SWARM OPTIMIZATION.

Berdasarkan uraian tersebut maka dalam skripsi ini akan dijelaskan bahwa dengan bantuan metode Particle Swarm Optimization (PSO) penyusunan penjadwalan mata kuliah dapat dioptimalkan. Program dapat mencari solusi penjadwalan yang dapat digunakan baik oleh dosen, kelas maupun ruangan yang terlibat dalam suatu mata kuliah.

6 Baca lebih lajut

Particle swarm optimization based approach for minimization power loss.

Particle swarm optimization based approach for minimization power loss.

In the last two decades, the Optimal Power Flow (OPF) problem has received much attention and the solution aims to optimize specific objective function such as power losses by adjustment the power control variables and satisfying the equality and inequality constraints at the same time. The equality constraints means by the power flow equations and for the inequality constraints, it refers to the upper and lower limits at the control and some state variables. The OPF problem can be categorized as a non- linear optimization problem. This kind of problem may face the complex situation which may require a more complex formulation, since the set of equations involved may not be linearized.
Baca lebih lanjut

24 Baca lebih lajut

PENERAPAN PARTICLE SWARM OPTIMIZATION PADA CAPACITATED  PENERAPAN PARTICLE SWARM OPTIMIZATION PADA CAPACITATED TEAM ORIENTEERING PROBLEM.

PENERAPAN PARTICLE SWARM OPTIMIZATION PADA CAPACITATED PENERAPAN PARTICLE SWARM OPTIMIZATION PADA CAPACITATED TEAM ORIENTEERING PROBLEM.

Dengan ini menyatakan bahwa tugas akhir saya dengan judul “ Penerapan Particle Swarm Optimization pada Capacitated Team Orienteering Problem ” merupakan hasil penelitian saya pada Tahun Akademik 2013/2014 yang bersifat original dan tidak mengandung plagiasi dari karya manapun.

Baca lebih lajut

METODE PSO (PARTICLE SWARM OPTIMIZATION)

METODE PSO (PARTICLE SWARM OPTIMIZATION)

eksplorasi. PSO memiliki kesamaan sifat dengan teknik komputasi seperti Algoritma Genetika. Sistem PSO diinisialisasi oleh sebuah populasi solusi secara acak dan selanjutnya mencari titik optimum dengan cara meng-update tiap hasil pembangkitan. Metode optimasi yang didasarkan pada swarm intelligence ini disebut algoritma behaviorally inspired sebagai alternatif dari algoritma genetika, yang sering disebut evolution-based procedures. Dalam konteks optimasi multivariabel, kawanan diasumsikan mempunyai ukuran tertentu atau tetap dengan setiap partikel posisi awalnya terletak di suatu lokasi yang acak dalam ruang multidimensi. Setiap partikel diasumsikan memiliki dua karakteristik: posisi dan kecepatan. Setiap partikel bergerak dalam ruang / space tertentu dan mengingat posisi terbaik yang pernah dilalui atau ditemukan terhadap sumber makanan atau nilai fungsi objektif. Setiap partikel menyampaikan informasi atau posisi bagusnya kepada partikel yang lain dan menyesuaikan posisi dan kecepatan masing-masing berdasarkan informasi yang diterima mengenai posisi yang bagus tersebut. Sebagai contoh, misalnya perilaku burung-burung dalam dalam kawanan burung. Meskipun setiap burung mempunyai keterbatasan dalam hal kecerdasan, biasanya ia akan mengikuti kebiasaan (rule) seperti berikut:  Seekor burung tidak berada terlalu dekat dengan burung
Baca lebih lanjut

Baca lebih lajut

Show all 1638 documents...