Majalah Ilmiah UNIKOM
Vol.11 No. 1
139
H a l a m a n
Tri Rahajoeningroem & Muhammad Aria
inertia
weight
original PSO
menjadi
w(t)inertia weight
biasanya memiliki nilai yang tergantung
dengan iterasi. Biasanya
dan
diset
bernilai 2.
inertia weight
adalah
t
max
w(t) =
w
min
. Variabel w
max
w
min
adalah nilai
inertia weight
yang dikehendaki.
Time-Varying Increasing Inertia Weight
Particle Swarm Optimizer (Increasing Inertia
Weight PSO
Zheng [11] pada tahun 2003 meneliti
inertia
weight
hasil konvergensi yang lebih baik. Maka
inertia weight
adalah
Time-Varying Stochastic Inertia Weight Parti-
cle Swarm Optimizer (Stochastic Inertia
Weight PSO)
Eberhart dan Shi [12] pada tahun 2001
mengajukan
variasi
lainnya
dari
inertia weight
inertia weight
sacara acak dalam rentang 0.5 dan 10.
Fully Informed Particle Swarm Optimizer
(Fully Informed PSO)
Mendes
[13]
pada
tahun
2004
Fully
Informed PSO
menggunakan informasi mengenai posisi
terbaik yang pernah dicapai oleh setiap
partikel.
update rule
dimana
i
adalah fungsi pembobotan.
Tujuannya
dari
adalah
memberikan informasi mengenai kualitas
pengaruh
.
Self Organizing Hierarchical Particle Swarm
Optimizer with Time-varying Acceleration
Coefficients (HPSOTYAC)
HPSOTVAC diusulkan oleh Ratnaweera
[14] pada tahun 2004. Jika komponen
kecepatan suatu partikel menjadi nol, maka
kecepatannya akan diset ulang menjadi
kecepatan maksimalnya. Nilai koefisien
percepatan juga akan diadaptasikan sesuai
Cognitive coefficient
berkurang dari nilai 2,5 menuju 0,5
social coefficient
bertambah dari 0,5 menuju 2,5.
Nilai
kecepatan
maksimal
pada
HPSOTVAC juga akan diadaptasikan dari
V
max
V
max
Hierarchical Particle Swarm Optimizer
(Hierarchical PSO)
H-PSO diusulkan oleh Chen [15] pada
tahun 2009. Pada H-PSO seluruh partikel
akan disusun berdasarkan suatu hirarki.
Setiap partikel akan bertetangga dengan
(9)
(10)
(11)
(12)