Putra, Mochamad Rico Pratama (2020) Algoritma Hibrid Particle Swarm Optimization Grey Wolf Optimizer. Sarjana thesis, Universitas Brawijaya.
Abstract
Particle Swarm Optimization (PSO) adalah teknik optimasi yang dikembangkan pada tahun 1995 oleh Russel Eberhart dan James Kennedy. PSO terinspirasi dari perilaku sosiologis kelompok burung yang terbang bersama-sama tanpa terjadinya tabrakan antara satu burung dengan burung lainnya. PSO memiliki kelebihan yaitu perhitungannya mudah, tetapi sering terjebak di optimum lokal. Grey Wolf Optimizer (GWO) merupakan teknik optimasi yang dikembangkan pada tahun 2014. Pertama kali diperkenalkan oleh Mirjalili. GWO terinspirasi dari kelompok serigala abu-abu memburu mangsanya. Pada skripsi ini dibahas tentang hibrid antara Particle Swarm Optimization dengan Grey Wolf Optimizer (HPSOGWO). Gagasan utamanya adalah meningkatkan kemampuan eksploitasi pada PSO dengan kemampuan eksplorasi pada GWO untuk menghasilkan keunggulan dari kedua varian teknik optimasi tersebut. HPSOGWO akan diuji pada fungsi uji tanpa kendala. Berdasarkan percobaan yang telah dilakukan terhadap enam fungsi uji, HPSOGWO menghasilkan nilai minimum, standar deviasi nilai minimum, rata-rata nilai minimum yang lebih baik dari PSO namun dinilai kurang optimal bila dibandingkan GWO.
English Abstract
Particle Swarm Optimization (PSO) is an optimization technique that has been developed from 1995 by Russel Eberhart and James Kennedy. PSO was inspired by the sociological behavior of a group of bird that flew together without any collisions. One of the PSO’s advantage is easy to calculate, while its disadvantage is that it’s often stuck at local optimum. Grey Wolf Optimizer (GWO) is an optimization technique that was developed in 2014. It was first introduced by Mirjalili. GWO was inspired from a group of grey wolves when they hunt for their prey. This final project discusses about the hybrid between Particle Swarm Optimization and Grey Wolf Optimizer (HPSOGWO). The main idea is to improve the ability of exploitation in PSO using GWO's exploration ability to produce both variants’ strength. HPSOGWO will be tested on unconstrained function. Based on experiments conducted on six test functions, HPSOGWO scores a better minimum value, minimum value of deviation standard, and minimum value's average than PSO's but is considered to be less optimal when compared to GWO.
Other obstract
-
| Item Type: | Thesis (Sarjana) |
|---|---|
| Identification Number: | 0520090157 |
| Uncontrolled Keywords: | Hybrid Particle Swarm Optimization Grey Wolf Optimizer, Particle Swarm Optimization, Grey Wolf Optimizer |
| Subjects: | 500 Natural sciences and mathematics > 518 Numerical analysis > 518.1 Algorithms |
| Divisions: | Fakultas Matematika dan Ilmu Pengetahuan Alam > Matematika |
| Depositing User: | ismanto |
| Date Deposited: | 12 Feb 2021 08:17 |
| Last Modified: | 11 Apr 2023 02:37 |
| URI: | http://repository.ub.ac.id/id/eprint/182855 |
![[thumbnail of DALAM MASA EMBARGO]](http://repository.ub.ac.id/style/images/fileicons/text.png) |
Text (DALAM MASA EMBARGO)
0520090157 - Mochamad Rico Pratama Putra.pdf Restricted to Registered users only until 31 December 2023. Download (2MB) |
Actions (login required)
 |
View Item |