Particle Swarm Optimization untuk Penentuan Parameter Pemesinan yang Meminimalkan Keausan Pahat

Info proyek

• Bidang studiTeknik Industri dan Produksi
• JenjangDisertasi (S3)
• Jenis metodeOptimasi
• Perkiraan pengerjaan± 7 hari kerja
• Perangkatnumpy (implementasi manual PSO); matplotlib
• HargaRp 500.000 - Rp 3.150.000

Tujuan analisis

Mengoptimalkan keausan pahat melalui pengaturan kecepatan potong dan kedalaman potong dengan Particle Swarm Optimization.

Variabel

Contoh hasil

• 51.208Best objective
• 51.203Global optimum
• 0.011Gap to optimum %
• 14Particles
• 22Iterations
• 0.232Final spread

PSO (14 partikel, 22 iterasi) meminimalkan Keausan pahat menjadi 51.21 pada Kecepatan potong = 109.01 dan Kedalaman potong = 118.86; selisih dari optimum global 0.01%.

Dihitung dari data sintetis sebagai ilustrasi, bukan dari penelitian nyata.

Tentang Particle Swarm Optimization

Particle Swarm Optimization menggerakkan sekumpulan partikel di ruang solusi dengan memadukan pengalaman pribadi dan pengalaman kelompok terbaik. Cocok untuk optimasi kontinu nonlinear, termasuk penyetelan parameter model.

Langkah pengerjaan

1. 1Definisikan fungsi tujuan dan batas variabel
2. 2Inisialisasi posisi dan kecepatan partikel secara acak
3. 3Hitung fitness tiap partikel dan perbarui pbest serta gbest
4. 4Perbarui kecepatan dengan bobot inersia dan koefisien kognitif/sosial
5. 5Perbarui posisi dan jaga tetap di dalam batas
6. 6Ulangi sampai konvergen lalu plot kurva konvergensi

Asumsi yang perlu diperiksa

• Fungsi tujuan kontinu dan dapat dievaluasi berulang
• Parameter w, c1, c2 dipilih wajar (misalnya 0,7; 1,5; 1,5)
• Jalankan beberapa kali karena hasil bersifat stokastik

Membaca dan melaporkan hasil

Laporkan ukuran swarm, parameter PSO, solusi terbaik, nilai tujuan, dan kurva konvergensi. Bandingkan dengan metode lain agar efektivitasnya terlihat.

Contoh kode Python

Skrip awal singkat dengan nama variabel proyek ini. Versi yang diserahkan disesuaikan dengan data Anda dan diberi komentar lengkap.

import numpy as np
import matplotlib.pyplot as plt

def sphere_shift(p):
    return ((p - np.array([1.5, -2.0])) ** 2).sum(axis=1) + 0.5 * np.sin(3 * p[:, 0]) ** 2

rng = np.random.default_rng(33)
n, dim, iters = 40, 2, 100
lo, hi = -10, 10
w, c1, c2 = 0.7, 1.5, 1.5
cutting_speed = rng.uniform(lo, hi, (n, dim))      # positions
v = rng.uniform(-1, 1, (n, dim))
pbest = cutting_speed.copy()
pbest_f = sphere_shift(cutting_speed)
gbest = pbest[pbest_f.argmin()].copy()
tool_wear = []

for _ in range(iters):
    r1, r2 = rng.random((n, dim)), rng.random((n, dim))
    v = w * v + c1 * r1 * (pbest - cutting_speed) + c2 * r2 * (gbest - cutting_speed)
    cutting_speed = np.clip(cutting_speed + v, lo, hi)
    fit = sphere_shift(cutting_speed)
    better = fit < pbest_f
    pbest[better], pbest_f[better] = cutting_speed[better], fit[better]
    gbest = pbest[pbest_f.argmin()].copy()
    tool_wear.append(pbest_f.min())

print("Best position:", gbest.round(4))
print("Best objective:", round(pbest_f.min(), 6))

plt.semilogy(tool_wear)
plt.xlabel("Iteration"); plt.ylabel("Best objective")
plt.show()

Paket dan harga

Pilih seberapa banyak bantuan yang Anda perlukan. Setiap paket yang lebih tinggi sudah mencakup semua item paket di bawahnya. Harga belum termasuk PPN 11%.

• Pembayaran: DP 50% sebelum pekerjaan dimulai, pelunasan setelah hasil diserahkan
• Pajak: Harga belum termasuk PPN 11%
• Data dan integritas akademik: Hasil dihitung dari data penelitian Anda sendiri; Anda yang menulis dan mempertanggungjawabkan naskah, kami membantu analisis dan pemahaman
• Revisi: Maksimal 2 kali revisi termasuk dalam harga (Paket 3: 3 kali)

Pertanyaan umum