Dokumen tersebut membahas tentang Swarm Intelligence (SI) yang merupakan teknik kecerdasan buatan berdasarkan perilaku kolektif dalam sistem terdesentralisasi. Dibahas pula contoh algoritma SI seperti Ant Colony Optimization dan Particle Swarm Optimization beserta aplikasinya.
2. OUTLINE
Background
Apa Swarm Intelligence (SI)?
Contoh di alam
Asal dan konsep SI
Ant Colony Optimization
Particle Swarm Optimization
Mengapa SI?
Kelebihan SI
Perkembangan terbaru SI
3.
4. SWARM?
Kawanan
Kumpulan agen/individu yang berinteraksi secara
terstruktur
Agents:
Individu yang termasuk dalam kelompok (tetapi tidak
harus sama/identik)
Berkontribusi dan mendapat manfaat dari grup
Dapat mengenali, berkomunikasi, dan/atau
berinteraksi satu sama lain
Persepsi awal tentang swarm adalah sekelompok agen
yang bergerak – tetapi tidak selalu demikian.
Swarm lebih mudah dipahami sebagai agen yang
menunjukkan perilaku kolektif
5. SWARM INTELLIGENCE (SI)
Teknik kecerdasan buatan (AI) yang berdasarkan perilaku kolektif
dalam sistem yang terdesentralisasi dan terorganisir sendiri
Umumnya terdiri dari agen yang berinteraksi satu sama lain dan
lingkungan
Tidak ada struktur kontrol terpusat
Berdasarkan perilaku kelompok yang ditemukan di alam
Swarm Intelligence adalah disiplin keilmuan dari sistem cerdas yang
berhubungan dengan sistem alami dan buatan, yang terdiri dari
banyak individu (populasi) yang berkoordinasi menggunakan konsep
kontrol desentralisasi (kecerdasan sosial dalam berkelompok) dan
self-organized (kecerdasan personal/ terorganisir secara mandiri).
Swarm Intelligence secara singkat bisa juga disebut sebagai
kecerdasan berkelompok.
6. CONTOH SWARMS DI ALAM:
Swarm of Bees : Koloni lebah
Koloni semut
Agents: semut
Kawanan burung
Agents: burung
Lalulintas
Agents: mobil
Kerumunan
Agents: manusia
Sistem Imun
Agents: sel dan molekul
7. SI - SEJARAH
Pertama kali diperkenalkan oleh Beni dan Wang
pada tahun 1989 dengan penelitian tentang sistem
robot seluler.
Konsep SI diperluas oleh Bonabeau, Dorigo, dan
Theraulaz pada tahun 1999
"Menggunakan ungkapan 'kecerdasan kawanan
(SI)' untuk menggambarkan hanya suatu
pekerjaan tampaknya sangat terbatas: itulah
sebabnya diperluas definisinya untuk
memasukkan perangkat yang terinspirasi oleh
perilaku kolektif koloni serangga dan masyarakat
hewan lainnya"
8. SWARM ROBOTICS
Penerapan prinsip-prinsip SI untuk robotika
kolektif
Sekelompok robot sederhana yang hanya
dapat berkomunikasi secara lokal dan
beroperasi dengan cara yang terinspirasi
secara biologis
Area penelitian nya sedang berkembang
9. SEJALAN DENGAN PERKEMBANGAN
TEKNOLOGI SIMULASI:
Para ilmuwan mulai dengan memodelkan
perilaku sederhana semut
Mengarah pada studi tentang bagaimana model-
model ini dapat digabungkan (koloni
menghasilkan hasil yang lebih baik daripada
model individu)
Memperluas wawasan tentang sifat manusia,
masyarakat, dan dunia
Lebih lanjut mengarah pada mengadaptasi
pengamatan di alam ke algoritme komputer
10. MENGAPA SERANGGA?
Serangga memiliki beberapa ratus sel otak
Serangga terorganisir telah dikenal untuk:
Keajaiban arsitektur
Sistem komunikasi yang kompleks
Ketahanan terhadap bahaya di alam
Pada tahun 1950-an E.O. Wilson mengamati:
Seekor semut bertindak (hampir) secara
acak – sering kali menyebabkan
kematiannya sendiri
Koloni semut menyediakan makanan dan
perlindungan bagi seluruh populasi
11. JENIS SI ALGORITHMS POPULER
Ant Colony Optimization
Particle Swarm Optimization
12. ANT COLONY OPTIMIZATION (ACO)
Studi tentang sistem buatan yang dimodelkan
setelah perilaku koloni semut terbukti
memecahkan masalah optimasi diskrit
Diperkenalkan pada tahun 1992 oleh Marco
Dorigo
Awalnya menyebutnya Sistem Semut (Ant
System)
Telah diterapkan ke Travelling Salesman
Problem (dan masalah jalur terpendek lainnya)
Ini adalah metode metaheuristik berbasis
populasi yang digunakan untuk menemukan
solusi perkiraan untuk masalah optimasi yang
sulit
13. METAHEURISTIC?
“Metaheuristik mengacu pada strategi utama yang
memandu dan memodifikasi heuristik lain untuk
menghasilkan solusi di luar solusi yang biasanya
dihasilkan dalam pencarian optimalitas lokal” –
Fred Glover dan Manuel Laguna
Satu set algoritma yang digunakan untuk
mendefinisikan metode heuristik yang dapat
digunakan untuk masalah yang besar
14.
15. ARTIFICIAL ANTS
Agen komputasi sederhana yang mencari solusi yang
baik untuk masalah optimasi yang diberikan.
Bersifat stokastik
Berdasarkan model feromon
Feromon digunakan oleh semut asli untuk menandai
jalur.
Semut mengikuti jalur ini (yaitu, perilaku mengikuti
jejak)
Bangun solusi secara bertahap dengan bergerak pada
grafik
Batasan masalah dibangun ke dalam heuristik semut
16. PENGGUNAAN ACO
Masalah optimasi harus ditulis dalam bentuk
masalah pencarian jalur dengan graf berbobot
Semut buatan mencari solusi "baik" dengan
bergerak pada grafik
Semut juga dapat membangun solusi yang tidak
layak – yang dapat membantu dalam
memecahkan beberapa masalah pengoptimalan
Metaheuristik dibangun menggunakan tiga
prosedur:
• ConstructAntsSolutions
UpdatePheromones
DaemonActions
17. CONSTRUCT ANTS SOLUTIONS
Mengelola koloni semut
Semut pindah ke node tetangga dari grafik
Pergerakan ditentukan oleh kebijakan
keputusan lokal stokastik berdasarkan ekor
feromon dan informasi heuristik
Mengevaluasi solusi parsial saat ini untuk
menentukan jumlah feromon yang harus
disimpan semut pada simpul yang diberikan
18. UPDATEPHEROMONES
Proses untuk memodifikasi jalur feromon
Diubah oleh
Increase
Semut menyimpan feromon pada node (atau tepi)
Decrease
Semut tidak menggantikan feromon dan mereka
menguap
Meningkatkan feromon meningkatkan kemungkinan
jalur yang digunakan (yaitu, membangun solusi)
Penurunan feromon mengurangi kemungkinan jalur
yang digunakan (yaitu, lupa)
19. DAEMONACTIONS
Digunakan untuk mengimplementasikan
tindakan yang lebih besar yang membutuhkan
lebih dari satu semut
Contoh:
Lakukan pencarian lokal
Pengumpulan informasi global
20. APLIKASI ACO
Perutean kendaraan dengan batasan waktu
Masalah perutean pada jaringan
Penyeimbangan assebly
Distribusi pemanasan minyak
Data mining
22. PARTICLE SWARM OPTIMIZATION (PSO)
Teknik optimasi stokastik berbasis populasi
Mencari solusi optimal di space-search yang
dapat dihitung
Dikembangkan pada tahun 1995 oleh Dr.
Eberhart dan Dr. Kennedy
Inspirasi: Kawanan Lebah, Kawanan Burung,
Kawanan Ikan
23. PSO
Dalam PSO, individu berusaha untuk memperbaiki
diri dengan mengamati dan meniru tetangga
mereka
Setiap individu PSO memiliki kemampuan untuk
mengingat
PSO memiliki algoritma sederhana dan overhead
yang rendah
Menjadikannya lebih populer dalam beberapa
keadaan daripada Algoritma Genetika/Evolusi
Hanya memiliki satu perhitungan operasi:
Kecepatan: vektor angka yang ditambahkan ke
koordinat posisi untuk memindahkan individu
24. PSYCHOLOGICAL SYSTEMS
Sistem psikologis dapat dianggap sebagai fungsi
"pemrosesan informasi"
Kita dapat mengukur sistem psikologis dengan
mengidentifikasi titik-titik dalam ruang psikologis
Biasanya ruang psikologis dianggap
multidimensi
25. MENGAPLIKASIKAN SOCIAL PSYCHOLOGY
Individu cenderung
Bergerak menuju satu sama lain
Saling mempengaruhi
Mengapa? Individu ingin berada dalam
kemiripan dengan tetangga mereka
Individu dipengaruhi oleh:
Tindakan/perilaku mereka sebelumnya
Keberhasilan yang diraih oleh tetangga
mereka
26. BAGAIMANA DENGAN PSO?
Individu dalam suatu populasi belajar dari pengalaman
sebelumnya dan pengalaman orang-orang di sekitar mereka
• Arah gerakan merupakan fungsi dari :
• Posisi saat ini
• Kecepatan (atau dalam beberapa model, probabilitas)
• Lokasi individu “terbaik” sukses
• Lokasi kesuksesan tetangga "terbaik"
Oleh karena itu, setiap individu dalam suatu populasi secara
bertahap akan bergerak menuju area yang “lebih baik” dari ruang
masalah
Oleh karena itu, populasi keseluruhan bergerak menuju area yang
"lebih baik" dari ruang masalah
27. PSO ALGORITHMS
Bergantung pada pemilihan beberapa parameter dengan
benar
Parameter:
Faktor penyempitan
Digunakan untuk mengontrol sifat konvergensi
dari PSO
Berat inersia
Berapa banyak kecepatan yang harus
dipertahankan dari langkah sebelumnya?
Parameter kognitif
Keberhasilan individu "terbaik" sejauh ini
Parameter sosial
Keberhasilan "terbaik" tetangga sejauh ini
Vmax
Kecepatan maksimum di sepanjang dimensi apa
pun
28.
29. APLIKASI PSO
Analisis Tremor pada manusia
Status perubahan baterai kendaraan listrik /
hibrida
Penilaian kinerja manusia
Optimasi campuran berbagai bahan
Mengembangkan jaringan saraf untuk
memecahkan masalah
30. PSO DAN EVOLUTIONARY ALGORITHMS
Algoritma PSO telah dan terus sangat dipengaruhi oleh
algoritma evolusioner (EA), yaitu, metode simulasi evolusi
di komputer
Kadang-kadang dianggap sebagai jenis algoritme
evolusi - tetapi dipandang sebagai "cara alternatif
dalam melakukan sesuatu"
Beberapa perbedaan:
Konsep seleksi tidak dipertimbangkan dalam PSO
EA menggunakan kebugaran, sementara PSO
menggunakan keberhasilan individu dan tetangga,
untuk bergerak menuju solusi yang "lebih baik"
31. MENGAPA ACO DAN PSO?
Dapat diterapkan ke berbagai aplikasi
Mudah dimengerti
Mudah diimplementasikan
Efisien dalam komputasi
32. KELEBIHAN SI
Sistem dapat diskalakan karena arsitektur kontrol
yang sama dapat diterapkan ke beberapa agen
atau ribuan agen
Sistemnya fleksibel karena agen dapat dengan
mudah ditambahkan atau dihilangkan tanpa
mempengaruhi struktur
Sistemnya kuat karena agen sederhana dalam
desain, ketergantungan pada agen individu kecil,
dan kegagalan agen tunggal berdampak kecil pada
kinerja sistem
Sistem mampu beradaptasi dengan situasi baru
dengan mudah