Sumber: Swarm intelligence: craziness particle swarm optimiztion untuk optimasi sistem tenaga listrik (2023)
sumber : Guha, D., Roy, P. K., & Banerjee, S. (2016). Load frequency control of interconnected power system using grey wolf optimization. Swarm and Evolutionary computation, 27, 97-115.
Sumber : GARG, Kapil; KAUR, Jaspreet. Particle swarm optimization based automatic generation control of two area interconnected power system. International Journal of Scientific and Research Publications, 2014, 4.1: 1-8.
1.1. Swarm
Intellegence
Merupakan sebuah konsep dalam kecerdasan buatan yang melibatkatkan
penyelidikan perilaku kolektif dalam system desentralisasi. Konsep ini
terinspirasi dari perilaku alami kelompok atau koloni makhluk hdiup seperti
semut burung dan ikan bekerja bersama sama untuk mencapai tujuan tertentu tanpa
adanya pusat pengendali tunggal.
Swarm Intteligence berupa sebuah model algoritmatik yang
meniru prinsip prinsip kelompok indivodu sederhana yang berkolaborasi untuk
mencapai tujuan melalui pembelajaran mandiri penyesuaian saling membantu. Algoritma
ini memanfaatkan perilaku kolektif dalam sistem untuk memecahkan masalah
kompleks secara efisien. Pendekatanii berfokus pada interaksi dan kerjasama
antar agen dalam suatu sistem, yang menegarah pada munculnya perilaku yang
dapat mengarah pad amunculnya perilaku yang dapat mengungguli upaya individu
dalam memecahkan masalah dan pengambilan keputusan. Berikut taksonomi dari
kecerdasan buatan
1.2. Prinsip prinsip Swarm intelligence
· Kontrol Terdesentralisasi: Tidak ada pengendali pusat; setiap agen
atau entitas beroperasi secara mandiri dalam sistem.
· Pengorganisasian Mandiri: Setiap agen dalam sistem berkolaborasi
dan berkoordinasi secara otomatis tanpa arahan eksternal untuk mencapai tujuan
bersama.
· Interaksi Lokal Antar-Individu: Agen-agen dalam sistem hanya
berinteraksi dengan agen lain di sekitarnya, dan tidak membutuhkan informasi
global untuk berfungsi.
· Kemunculan Perilaku Kolektif: Dari interaksi lokal dan aturan
sederhana, muncul perilaku kolektif yang kompleks, mencerminkan kecerdasan
sosial.
· Koordinasi Efisien: Sistem swarm intelligence menekankan
pada koordinasi yang efisien di antara agen-agen tanpa adanya pemimpin atau
struktur hierarki.
· Kemampuan Adaptasi: Agen dalam swarm intelligence mampu
beradaptasi terhadap perubahan lingkungan dengan cepat, seperti koloni semut
atau kawanan burung di alam.
· Efektivitas Komunikasi dan Kolaborasi: Dengan memanfaatkan komunikasi yang
efektif, agen-agen dalam swarm intelligence mampu mengatasi tugas-tugas yang
kompleks.
· Keunggulan Desentralisasi: Pendekatan desentralisasi memungkinkan
agen-agen bekerja secara mandiri, namun tetap mencapai tujuan kelompok dengan
hasil yang optimal
1.3. Keuntungan Swarm intelligence
Berikut beberapa
keuntungan yang didapatkan ketika menggunakan algoritma swarm intelligence:
·
Fleksibilitas
dan Adaptabilitas: Swarm
Intelligence memberikan fleksibilitas bagi agen-agen untuk beradaptasi dengan
cepat terhadap perubahan lingkungan. Agen-agen dalam swarm dapat menyesuaikan
peran dan perilakunya secara mandiri berdasarkan kebutuhan kelompok,
menunjukkan kemampuan adaptasi yang tinggi. Fleksibilitas ini menjadikan Swarm
Intelligence efektif dalam situasi dinamis dan optimal untuk kinerja.
·
Ketahanan
dan Toleransi Terhadap Kesalahan:
Karena tidak ada kendali pusat dan interaksi yang bersifat lokal, sistem swarm
memiliki ketahanan yang tinggi terhadap kesalahan. Jika ada satu agen yang
gagal, agen lainnya dapat melanjutkan tugas secara efektif, sehingga
kontinuitas dan stabilitas sistem tetap terjaga meskipun terjadi kegagalan atau
kesalahan pada beberapa agen.
·
Efisiensi
dalam Penyelesaian Tugas Kompleks: Dengan distribusi tugas di antara agen-agen, swarm intelligence mampu
menangani masalah yang kompleks secara efisien. Agen-agen bekerja sama secara
kolaboratif untuk mencapai tujuan yang sama tanpa adanya kendali pusat, meniru
perilaku adaptif dan efisien dari hewan sosial di alam seperti semut, lebah,
dan burung.
1.4.
Penerapan
swarm intelligence pada bidang tenaga Listrik
Swarm intelligence banyak digunakan pada
banyak bidang salah satunya apda tenaga listrik diantaranya:
·
Optimalisasi Penempatan Kapasitor:
Swarm Intelligence, seperti Particle Swarm Optimization (PSO), dapat
digunakan untuk menempatkan kapasitor secara optimal di jaringan distribusi
listrik. Dengan penempatan
yang tepat, kerugian daya dapat diminimalkan dan tegangan dapat dipertahankan
pada level yang stabil.
·
Pengaturan
Power System Stabilizer (PSS): PSS adalah perangkat yang membantu menjaga stabilitas sistem tenaga
listrik saat terjadi gangguan atau fluktuasi beban. Dengan PSO, parameter PSS
dapat dioptimalkan untuk memastikan sistem lebih cepat kembali ke kondisi
stabil setelah gangguan. Swarm Intelligence membantu dalam menemukan
konfigurasi terbaik untuk meningkatkan performa stabilitas daya listrik.
·
Pengaturan
Beban Listrik: Dalam sistem
distribusi listrik, Swarm Intelligence membantu dalam mengatur beban listrik
secara efisien. Metode ini mampu mengalokasikan beban dengan mempertimbangkan
kapasitas pembangkit dan permintaan konsumen, sehingga meminimalkan risiko
kelebihan beban dan memastikan distribusi yang merata.
1.5. Particle Swarm Intelligence (PSO)
Pso merupkan
salah satu teknologi dari swarm intelligence yang dikembangkan pertama kali
oleh kennedy dan eberhard. PSO merupakan metode yang efisien dan andal yang
memeanfaatkan populasi stokastik. PSO hanya berupa bebearap baris perintah pada
komputer untuk mengatasi suata masalah.
Teknologi PSO
berasal dari aktivita atau pola sekelompok burung mencari makanan. Ketika seekor
burung mencari makanan, burung tersebut
akan ikut dengan kawanannnya dalam kelompok yang besar. Ketika menemukan
keberadaan makanan dalam jumlah banyak mereka akan berkomunikasi satu sama lain
tentang keberadaan makanan tersebut sehingga semua bagian dari kolektif
mendapatkan makanan. Sifat inilah yang mendorong pengembangan dari teknologi
pso.
Beberapa Ahli
memodelkan konsep PSO disebebkan oleh pengamatannya terhadap lingkungna sekitar
yaitu:
a.
Edward
O. Wilson, seorang ahli biologi terkenal, mengembangkan konsep perilaku
kolektif pada hewan, termasuk schooling pada ikan, dalam rangka memahami
bagaimana hewan sosial berkoordinasi tanpa pemimpin pusat. Teori ini
menejlaskan setiap sekolah mendapatkan manfaat dari penemuan dan pengalaman
sebelumnya dari seleuruh anggota sekolah lainnya dalam proses mencari makanan,
dalam proses pencarian makanan terjadi proses pertukaran informasi sosial antar
anggota yang menjadi dasar perkembangan partikel dalam proses optimasi
b.
Craig
Raynolds, Dalam modelnya, yang dikenal sebagai
"Boids," Reynolds menunjukkan bagaimana burung dalam kawanan bisa
bergerak serempak dengan mengikuti tiga aturan dasar: Separation (Pemisahan):
Setiap burung akan menjaga jarak tertentu dengan burung lainnya untuk
menghindari tabrakan.
·
lignment (Penyelarasan): Burung akan menyesuaikan arah
geraknya agar sejalan dengan burung-burung di sekitarnya.
·
Cohesion (Kohesi): Burung akan bergerak menuju pusat
kelompok, menjaga kawanan tetap berkumpul.
Dengan mengikuti aturan-aturan ini, setiap burung bisa
"mengontrol" jaraknya dengan burung lain tanpa perlu pemimpin, dan
hasilnya adalah pola gerakan yang tampak terkoordinasi.
Optimasi pada PSO berbasis pada populasi. Pertama-tama
menyebarkan segerombolan partikel di ruang masalah, partikel partikel ini
disebut swarm. Partikel-partikel ini menyimpan informasi tentang
keberadaannya dan potensi nilai yang dihasilkan oleh keberadaanya kemudian memberikan
informasi satu sama lain sehingga dapat diketahui dari dari informasi yang
diperoleh partikel mana yang mengambil posisi dan mendapatkan hasil pergerakan
terbaik. Berdasarkan informasi
yang diperoleh partikel lain akan bergerak meuju lokasi tersebut berdasarkan
fungsi gerak (velocity). Informasi ini terus disebar karena
partikel-partikel tersebut terus bergerak hingga memperoleh posisi dengan nilai
fungsi hasil yang optimal. Dan pada akhirnya tidak akan mendapatkan hasil yang
lebih optimal, meskipun partikel tersebut bergerak. Seiring berjalannya waktu
partikel yang bergerak belajar dari pengalaman sebelumnya. Setiap partikel
selalu menyesuaikan posisinya berdasarkan pengalaman partikel di sekitarnya.
Proses optimasi pertama-tama menginisialisasi posisi
partikel pada koordinat x dan y pada ruang masalah dan setiap partikel bergerak
sesuai fungsi velocity untuk mengubah posisi. Posisi setiap partikel
mengingatkan hasil sterbaikanya serta posisi x dan y yang menghasilkan nilai
tersebut. Hasil terbaik untuk setiap partikel direpresntasikan sebagai pbestx[] dan pbesty[ ]. Tanda [] mewakili
array yang panjangnya ditentukan oleh jumlah burung atau partikel yang
digunakan dalam proses optimasi. Setiap partikel kemudian bergerak untuk
mengevaluasi poisi baru dengan pergerakan berdasarkan velocity x dan veloxity
y. Secara sederhana pergerakan varibel dapat dilihat sebagai berikut
· Jika pbestx terletak dikanan partikel saat ini tehadap x maka velocity x baru merupakan hasil pengurangan velocity x dari iterasi sebelumnya dengan bilangan acak weight
· Jika partikel saat ini tehadap x terletak disisi kiri pbestx, maka velocity x baru merupakan hasil penjumlahan velocity x dari iterasi sebelumnya dengan bilangan acak weight
Ini juga berlaku
untuk y
Bagian kedua ialah setiap partikel mengingatkan dengan
baik hasil evaluasi terbaik (global best position) selama proses iterasi atau
perjalanan partikel. Selain itu ia akan mengingat nilai posisinya. proses yang
digunakan adalah dengan menetapkan indeks array pada partikel dengan nilai
terbaik pada gbest sehingga pbestx[gbest] adalah kelompok terbaik posisi x dan
pbesty[gbest] adalah kelompok terbaik poisis y. Dari hasil pbestx dan pbesty
kemudian setiap veloxity posisi ssx dan y dihitung menggunakan:
Perubahan Variabel Pbest dan Gbest merupakan hal yang
sangat penting pada Algoritma PSO. Secara teoritis pbest merupakan memori
otobiogtafi partikel karena setiap partikel sellau mengingat pengalamannya
sendiri dan perubahan velocity yang berkaitan dengan pebest dapat dianggap sebagai
nostalgia sederhana dima setiap partikel ingin kembali ke posisi uang memebrikan
hasil terbauk sebelumnya. Namun algoritma ini masih terdapat bagian bagian yang
kurang bagus untuk dipadangang dan sulit untuk dipahami. Ketiak perubahan
velocity partikel bersarkan uji ketimpangan kasar, dalam hal ini, jika presnt x
> bestx maka prenstx menjadi lebih kecil dan juka presentx < bestx maka
menjadi lebih besar, sehingga dilakukan revisi dengan membuat velocity lebih
sederhana denhan melacar perbedaannya di setiap dimensi untuk menemukan lokasi
terbaik, yaitu :
Dengan:
k = iterasi
vi = kecepatan partikel
xi = posisi partikel
c1 = konstanta akselerasi
r1 = konstanta random
pbest = posisi partikel terbaik lokal
gbest = posisi partikel terbaik global
Jika dilakukan pada fungsi penimbang akan menyesuaikan
eksplorasi global dan lokal yang dilakukan untuk menyesuaikan pada setiap
iterasi. Jumlah iterasi berati jumlah pergerakan yang dilakukan oleh partikel.
Dengan:
W
= penimbang
Wmax
= penimbang maksimum
Wmin = penimbang minimum
Imax = iterasi
I = iterasi
1.6.
Cracy Particle Swarm Optimization (CRPSO)
CRPSO)
adalah varian dari algoritma Particle Swarm Optimization (PSO) yang
dirancang untuk meningkatkan kemampuan algoritma dalam menghindari jebakan local
optima dan mempercepat konvergensi menuju global optimum. Algoritma
ini diperkenalkan dengan menambahkan elemen "kegilaan" atau craziness
pada perilaku partikel, yang memungkinkan mereka untuk keluar dari pola gerakan
yang berulang atau stagnan dalam ruang pencarian.
Konsep
ini diperkenalkan dengan memasukkan faktor "craziness" ke dalam
pergerakan beberapa partikel secara acak, yang menyebabkan partikel:
o
Mengabaikan aturan pembaruan berdasarkan
personal best dan global best.
o
Bergerak ke arah acak yang berbeda dari
partikel lain, memungkinkan eksplorasi area baru dalam ruang pencarian yang
mungkin belum pernah dijelajahi sebelumnya.
o
Dengan adanya pergerakan acak, CRPSO
menyeimbangkan eksplorasi dan eksploitasi lebih baik, memungkinkan pencarian
lebih luas dan membantu partikel menemukan solusi optimal yang lebih baik.
Algoritma
CRPSO
Inisialisasi
Partikel
·
Setiap partikel diinisialisasi dengan
posisi awal yang acak dalam ruang pencarian.
·
Kecepatan awal juga diberikan secara acak
untuk setiap partikel.
·
Set nilai personal best position
untuk setiap partikel sebagai posisi awalnya, dan nilai global best position
ditentukan berdasarkan partikel dengan nilai terbaik di antara semua partikel.
Evaluasi
Fungsi Objektif
·
Untuk setiap partikel, fungsi objektif
dievaluasi berdasarkan posisinya saat ini.
·
Nilai fungsi objektif ini menentukan
seberapa baik posisi partikel dalam konteks masalah yang sedang diselesaikan
(misalnya, dalam optimasi, nilai ini adalah nilai yang ingin dimaksimalkan atau
diminimalkan).
Menentukan
Best Position
·
Setiap partikel akan membandingkan nilai
fungsi objektif dari posisinya saat ini dengan nilai personal best position
yang dicatat sebelumnya.
·
Jika posisi saat ini memberikan nilai
fungsi objektif yang lebih baik, maka posisi ini disimpan sebagai personal
best baru untuk partikel tersebut.
·
Setelah
semua partikel diperiksa, nilai global best position akan diperbarui
sesuai dengan partikel dengan nilai terbaik di antara semua personal best.
Update
Position
·
Berdasarkan
posisi dan kecepatan sebelumnya, posisi partikel diperbarui.
·
Posisi
baru dihitung dengan menambahkan kecepatan saat ini ke posisi sebelumnya.
Perpindahan
Partikel (Craziness)
·
Dalam CRPSO, beberapa partikel dipilih
secara acak untuk memiliki elemen "kegilaan" atau craziness.
·
Partikel yang mengalami
"kegilaan" akan mengabaikan aturan pembaruan normal dan bergerak ke
arah yang acak dalam ruang pencarian.
·
Elemen ini membantu mencegah
partikel-partikel terjebak pada local optima dengan memperkenalkan
keragaman dalam pergerakan mereka.
Evaluasi
Iterasi ke-i
·
Setiap partikel dievaluasi kembali pada
posisi terbarunya dalam iterasi ke-i.
·
Fungsi objektif dihitung untuk
masing-masing partikel pada posisi yang baru diperbarui ini.
·
Hasil
evaluasi ini digunakan untuk menentukan apakah partikel tersebut lebih baik
dari personal best dan global best.
Update Position Iterasi ke-i
·
Posisi setiap partikel dalam iterasi ke-i
diperbarui berdasarkan kecepatan baru yang akan dihitung di langkah berikutnya.
·
Jika
elemen "craziness" diaplikasikan, maka posisi beberapa partikel dapat
dipindahkan ke lokasi acak.
Update
Local Best Fitness dan Local Best Position Iterasi ke-i
·
Setiap partikel memeriksa apakah posisi
barunya lebih baik dari posisi personal best yang dicatat.
·
Jika
lebih baik, personal best dan nilai fitness-nya diperbarui.
Update
Global Best Position Iterasi ke-i
·
Posisi global best diperbarui
berdasarkan partikel dengan nilai terbaik di seluruh populasi.
·
Jika ada partikel yang nilai fitnes-nya
lebih baik dari global best saat ini, posisi global best diubah
ke posisi partikel tersebut.
Update
Velocity Iterasi ke-i
- Kecepatan setiap partikel diperbarui dengan rumus
berikut:
Dimana:
w: bobot inersia untuk mengontrol
dampak dari kecepatan sebelumnya.
: koefisien kognitif dan sosial, yang
mengendalikan seberapa jauh partikel tertarik ke posisi terbaiknya
sendiri dan posisi terbaik global.
bilangan
acak antara 0 dan 1 untuk memberikan variasi pada pergerakan.
posisi
terbaik partikel itu sendiri.
posisi terbaik dari seluruh kawanan.
Tidak ada komentar:
Posting Komentar