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)