PSO jika diterjemahkan berarti mengoptimalkan segerombolan partikel. Partikel di sini adalah makhluk hidup seperti burung, ikan, atau lebah yang sedang mencari makanan. Algoritma PSO (Particle Swarm Optimization) adalah salah satu algoritma optimasi yang dapat digunakan untuk membantu pengambilan keputusan. Particle Swarm Optimization adalah teknik optimasi dengan cara menghitung secara terus menerus calon solusi dengan menggunakan suatu acuan kualitas. Algoritma ini mengoptimalkan permasalahan dengan cara menggerakkan partikel atau calon solusi di dalam ruang permasalahan menggunakan fungsi tertentu untuk posisi dan kecepatan partikel. Pergerakan partikel dipengaruhi oleh solusi terbaik partikel tersebut, dan solusi terbaik secara umum yang didapatkan dari partikel lain. Sekumpulan partikel ini dinamakan swarm, dan swarm tersebut akan terus bergerak menuju solusi terbaik. Algoritma ini adalah salah satu bagian dari teknik komputerisasi evolusioner, yang mana populasi pada PSO didasarkan pada penelusuran algortima dan diawali dengan suatu populasi yang acak yang disebut dengan particle. Berbeda dengan teknik komputerisasi evolusioner lainnya, setiap particle di dalam PSO juga berhubungan dengan suatu velocity. Partikel-partikel tersebut bergerak melalui penelusuran ruang dengan velocity yang dinamis sesuai perilaku historis-nya. Oleh karena itu, partikel mempunyai kecenderungan untuk bergerak ke area penelusuran yang lebih baik setelah melewati proses penelusuran.
Pada tahun 1950 PSO diperkenalkan pertama kali oleh James Kennedy dan Russel Eberhart, keduanya adalah seorang ahli psikologi sosial dan seorang insinyur elektro. PSO berasal dari simulasi perilaku kawanan burung. Meski sejumlah ilmuwan telah menciptakan simulasi komputer tentang berbagai penafsiran dari gerakan organisme pada kawanan burung atau gerombolan ikan, Kennedy dan Eberhart lebih tertarik pada model yang dikembangkan oleh ahli zoologi bernama Heppner. Dalam model Heppner, burung akan mulai dengan beterbangan di sekitar tanpa tujuan tertentu dan membentuk kawanan secara spontan sampai salah satu burung terbang di atas wilayah yang akan dijadikan sebagai tempat bersarang. Bagi Eberhart dan Kennedy, menemukan sebuah tempat bersarang analog dengan menemukan solusi yang baik pada bidang penyelesaian yang memungkinkan. Mereka juga merevisi metodologi Heppner sehingga partikel atau individu akan terbang di atas ruang solusi dan mencoba untuk menemukan solusi terbaik menurut penemuan mereka sendiri dan pengalaman masa lalu dari sekitar mereka.
Particle Swarm Optimization (PSO) didasarkan pada perilaku kawanan burung atau ikan. Algoritma PSO meniru perilaku sosial organisme tersebut. Kata partikel menunjukkan individu makhluk hidup seperti seekor burung dalam kawanan burung. Setiap individu atau partikel berperilaku dengan cara menggunakan kecerdasannya sendiri dan juga dipengaruhi perilaku kelompok kolektif-nya. Dengan demikian, jika satu partikel atau seekor burung menemukan jalan yang tepat menuju sumber makanan, sisa kelompok yang lain juga akan dapat segera mengikuti jalan tersebut meski lokasi mereka jauh dari kelompok tersebut. Perilaku seekor hewan dalam kawanan dipengaruhi perilaku individu dan juga kelompoknya. Dalam Particle Swarm Optimization (PSO), kawanan atau swarm di anggap mempunyai ukuran tertentu dan setiap partikel posisi awalnya terletak di suatu lokasi yang acak dalam ruang multidimensi. Meski setiap burung mempunyai keterbatasan dalam hal kecerdasan, biasanya ia akan mengikuti kebiasaan tertentu untuk mendapatkan makanan. Yang dimaksud dengan kebiasaan adalah rule atau aturan tertentu. Seekor burung tidak berada terlalu dekat dengan burung yang lain. Burung akan mengarahkan terbang-nya ke arah rata-rata keseluruhan burung. Selain itu burung menyesuaikan diri dengan rata-rata posisi burung yang lain sehingga jarak antar burung dalam kawanan itu tidak terlalu jauh. Dengan demikian perilaku kawanan burung akan didasarkan pada kombinasi dari tiga faktor berikut, yaitu Kohesi, Separasi dan Alignment. Kesederhanaan algoritma dan performa yang baik, menjadikan PSO menarik banyak perhatian kalangan para peneliti dan telah diterapkan dalam berbagai persoalan.
Swarm Intelligence adalah kecerdasan kolektif yang muncul dari sekelompok makhluk hidup. Salah satu metode yang dapat diterapkan adalah particle swarm optimization (PSO). Pada algoritma PSO, pencarian solusi dilakukan oleh suatu populasi yang terdiri dari beberapa partikel. Populasi dibangkitkan secara acak dengan batasan nilai terkecil dan terbesar. Setiap partikel menunjukkan tentang posisi atau solusi dari permasalahan yang dihadapi. Setiap partikel melakukan pencarian solusi yang optimal dengan cara melintasi ruang pencarian atau search space. Hal ini dilakukan dengan cara setiap partikel melakukan penyesuaian terhadap posisi terbaik dari partikel tersebut dan melakukan penyesuaian terhadap posisi partikel terbaik dari seluruh kawanan selama melintasi ruang pencarian. Proses tersebut bernama local best dan global best. Jadi, penyebaran pengalaman atau informasi terjadi di dalam partikel itu sendiri dan antara suatu partikel dengan partikel terbaik dari seluruh kawanan selama proses pencarian solusi. Setelah itu, dilakukan proses pencarian untuk mencari posisi terbaik setiap partikel dalam sejumlah iterasi tertentu sampai didapatkan posisi yang relatif steady atau mencapai batas iterasi yang telah ditetapkan. Pada setiap iterasi,setiap solusi di tunjukkan sebagai posisi partikel kemudian dievaluasi performa-nya dengan cara memasukkan solusi tersebut ke dalam fitness function. Setiap partikel diperlakukan seperti sebuah titik pada suatu dimensi ruang tertentu. Kemudian terdapat dua faktor yang memengaruhi karakter terhadap status partikel pada ruang pencarian yaitu posisi partikel dan kecepatan partikel.
PSO telah diterapkan untuk memecahkan permasalahan di berbagai bidang. Sebagai contoh, PSO diterapkan untuk vehicle routing problem (VRP), job shop scheduling dan travelling salesman problem (TSP) . Selain itu PSO Juga diterapkan dalam data mining. Teknik klasifikasi sudah banyak digunakan untuk mengatasi permasalahan yang terkait dengan menggolongkan data. Implementasi teknik klasifikasi ini dapat diterapkan pada berbagai bidang. Tujuannya adalah proses penemuan fungsi yang menggambarkan dan membedakan kelas data yang diamati. Setelah dilakukan analisis dengan PSO, suatu data-set yang kompleks menjadi lebih mudah dipahami. metode tersebut terbukti efektif digunakan untuk mengoptimalkan permasalahan multidimensi dan multi-parameter. Dengan adanya PSO, suatu data berukuran besar tetap dapat di analisis dengan efektif agar tercipta suatu solusi yang optimal pada permasalahan yang dihadapi.
PSO dapat menangani banyak masalah, seperti mengatur frekuensi pemuatan energi, mengoptimalkan jadwal satelit dalam pengisian bahan bakar, dan model alokasi optimum untuk tempat penampungan darurat gempa. Prosedur standar menerapkan algoritma PSO dilakukan dengan tiga tahap berikut, yaitu Inisialisasi, Evaluasi dan Update. Tahap Inisialisasi artinya Inisialisasi populasi dari partikel-partikel degan posisi dan velocity secara acak dalam suatu ruang dimensi penelusuran. Untuk meningkatkan kecepatan Inisialisasi partikel dapat menggunakan kode program yang bertujuan untuk menyederhanakan masalah. Dalam proses membuat kode program untuk masalah yang dihadapi, menggunakan angka permutasi untuk mengekspresikan nilai dimensi, dan selanjutnya dimensi tersebut di konversi ke-dalam indeks bahan makanan. Posisi terbaru diperoleh dari hasil menjumlahkan Posisi sebelumnya dengan Kecepatan baru. Pada tahapan kedua dilakukan Evaluasi fungsi fitness yang telah ditentukan sebelumnya. Tahapan tersebut dilakukan dengan membandingkan evaluasi fitness dengan Local Best. Kriteria yang diinginkan dicari melalui Identifikasi partikel dalam lingkungan dengan hasil terbaik. Tahapan ketiga melakukan Update velocity dan posisi. Jika kriteria yang ditentukan belum terpenuhi, maka kembali mengulang ke langkah 2 sampai kriteria terpenuhi, biasanya pengulangan tersebut berhenti sampai nilai fungsinya cukup baik atau Global Best yang mendekati sama dengan 0. Pada kondisi tersebut berarti kriteria telah sampai pada jumlah iterasi maksimum.
Pada tahun 1950 PSO diperkenalkan pertama kali oleh James Kennedy dan Russel Eberhart, keduanya adalah seorang ahli psikologi sosial dan seorang insinyur elektro. PSO berasal dari simulasi perilaku kawanan burung. Meski sejumlah ilmuwan telah menciptakan simulasi komputer tentang berbagai penafsiran dari gerakan organisme pada kawanan burung atau gerombolan ikan, Kennedy dan Eberhart lebih tertarik pada model yang dikembangkan oleh ahli zoologi bernama Heppner. Dalam model Heppner, burung akan mulai dengan beterbangan di sekitar tanpa tujuan tertentu dan membentuk kawanan secara spontan sampai salah satu burung terbang di atas wilayah yang akan dijadikan sebagai tempat bersarang. Bagi Eberhart dan Kennedy, menemukan sebuah tempat bersarang analog dengan menemukan solusi yang baik pada bidang penyelesaian yang memungkinkan. Mereka juga merevisi metodologi Heppner sehingga partikel atau individu akan terbang di atas ruang solusi dan mencoba untuk menemukan solusi terbaik menurut penemuan mereka sendiri dan pengalaman masa lalu dari sekitar mereka.
Particle Swarm Optimization (PSO) didasarkan pada perilaku kawanan burung atau ikan. Algoritma PSO meniru perilaku sosial organisme tersebut. Kata partikel menunjukkan individu makhluk hidup seperti seekor burung dalam kawanan burung. Setiap individu atau partikel berperilaku dengan cara menggunakan kecerdasannya sendiri dan juga dipengaruhi perilaku kelompok kolektif-nya. Dengan demikian, jika satu partikel atau seekor burung menemukan jalan yang tepat menuju sumber makanan, sisa kelompok yang lain juga akan dapat segera mengikuti jalan tersebut meski lokasi mereka jauh dari kelompok tersebut. Perilaku seekor hewan dalam kawanan dipengaruhi perilaku individu dan juga kelompoknya. Dalam Particle Swarm Optimization (PSO), kawanan atau swarm di anggap mempunyai ukuran tertentu dan setiap partikel posisi awalnya terletak di suatu lokasi yang acak dalam ruang multidimensi. Meski setiap burung mempunyai keterbatasan dalam hal kecerdasan, biasanya ia akan mengikuti kebiasaan tertentu untuk mendapatkan makanan. Yang dimaksud dengan kebiasaan adalah rule atau aturan tertentu. Seekor burung tidak berada terlalu dekat dengan burung yang lain. Burung akan mengarahkan terbang-nya ke arah rata-rata keseluruhan burung. Selain itu burung menyesuaikan diri dengan rata-rata posisi burung yang lain sehingga jarak antar burung dalam kawanan itu tidak terlalu jauh. Dengan demikian perilaku kawanan burung akan didasarkan pada kombinasi dari tiga faktor berikut, yaitu Kohesi, Separasi dan Alignment. Kesederhanaan algoritma dan performa yang baik, menjadikan PSO menarik banyak perhatian kalangan para peneliti dan telah diterapkan dalam berbagai persoalan.
Swarm Intelligence adalah kecerdasan kolektif yang muncul dari sekelompok makhluk hidup. Salah satu metode yang dapat diterapkan adalah particle swarm optimization (PSO). Pada algoritma PSO, pencarian solusi dilakukan oleh suatu populasi yang terdiri dari beberapa partikel. Populasi dibangkitkan secara acak dengan batasan nilai terkecil dan terbesar. Setiap partikel menunjukkan tentang posisi atau solusi dari permasalahan yang dihadapi. Setiap partikel melakukan pencarian solusi yang optimal dengan cara melintasi ruang pencarian atau search space. Hal ini dilakukan dengan cara setiap partikel melakukan penyesuaian terhadap posisi terbaik dari partikel tersebut dan melakukan penyesuaian terhadap posisi partikel terbaik dari seluruh kawanan selama melintasi ruang pencarian. Proses tersebut bernama local best dan global best. Jadi, penyebaran pengalaman atau informasi terjadi di dalam partikel itu sendiri dan antara suatu partikel dengan partikel terbaik dari seluruh kawanan selama proses pencarian solusi. Setelah itu, dilakukan proses pencarian untuk mencari posisi terbaik setiap partikel dalam sejumlah iterasi tertentu sampai didapatkan posisi yang relatif steady atau mencapai batas iterasi yang telah ditetapkan. Pada setiap iterasi,setiap solusi di tunjukkan sebagai posisi partikel kemudian dievaluasi performa-nya dengan cara memasukkan solusi tersebut ke dalam fitness function. Setiap partikel diperlakukan seperti sebuah titik pada suatu dimensi ruang tertentu. Kemudian terdapat dua faktor yang memengaruhi karakter terhadap status partikel pada ruang pencarian yaitu posisi partikel dan kecepatan partikel.
PSO telah diterapkan untuk memecahkan permasalahan di berbagai bidang. Sebagai contoh, PSO diterapkan untuk vehicle routing problem (VRP), job shop scheduling dan travelling salesman problem (TSP) . Selain itu PSO Juga diterapkan dalam data mining. Teknik klasifikasi sudah banyak digunakan untuk mengatasi permasalahan yang terkait dengan menggolongkan data. Implementasi teknik klasifikasi ini dapat diterapkan pada berbagai bidang. Tujuannya adalah proses penemuan fungsi yang menggambarkan dan membedakan kelas data yang diamati. Setelah dilakukan analisis dengan PSO, suatu data-set yang kompleks menjadi lebih mudah dipahami. metode tersebut terbukti efektif digunakan untuk mengoptimalkan permasalahan multidimensi dan multi-parameter. Dengan adanya PSO, suatu data berukuran besar tetap dapat di analisis dengan efektif agar tercipta suatu solusi yang optimal pada permasalahan yang dihadapi.
PSO dapat menangani banyak masalah, seperti mengatur frekuensi pemuatan energi, mengoptimalkan jadwal satelit dalam pengisian bahan bakar, dan model alokasi optimum untuk tempat penampungan darurat gempa. Prosedur standar menerapkan algoritma PSO dilakukan dengan tiga tahap berikut, yaitu Inisialisasi, Evaluasi dan Update. Tahap Inisialisasi artinya Inisialisasi populasi dari partikel-partikel degan posisi dan velocity secara acak dalam suatu ruang dimensi penelusuran. Untuk meningkatkan kecepatan Inisialisasi partikel dapat menggunakan kode program yang bertujuan untuk menyederhanakan masalah. Dalam proses membuat kode program untuk masalah yang dihadapi, menggunakan angka permutasi untuk mengekspresikan nilai dimensi, dan selanjutnya dimensi tersebut di konversi ke-dalam indeks bahan makanan. Posisi terbaru diperoleh dari hasil menjumlahkan Posisi sebelumnya dengan Kecepatan baru. Pada tahapan kedua dilakukan Evaluasi fungsi fitness yang telah ditentukan sebelumnya. Tahapan tersebut dilakukan dengan membandingkan evaluasi fitness dengan Local Best. Kriteria yang diinginkan dicari melalui Identifikasi partikel dalam lingkungan dengan hasil terbaik. Tahapan ketiga melakukan Update velocity dan posisi. Jika kriteria yang ditentukan belum terpenuhi, maka kembali mengulang ke langkah 2 sampai kriteria terpenuhi, biasanya pengulangan tersebut berhenti sampai nilai fungsinya cukup baik atau Global Best yang mendekati sama dengan 0. Pada kondisi tersebut berarti kriteria telah sampai pada jumlah iterasi maksimum.