Dipilih dari software, topik, dan level “Kelas Optimasi Distributed Generation PSO-GWO #4: Particle Swarm Optimization & Grey Wolf Optimizer dari Nol”.
Paling banyak satu email per minggu. Berhenti kapan saja dengan satu klik.
Transkrip
Narasi lengkap video ini. Kalimat yang sedang diucapkan disorot saat video diputar; klik kalimat untuk melompat ke sana.
Tampilkan transkrip
Pembuka
Inilah hasil akhirnya, dua algoritma metaheuristik yang terinspirasi alam, Partikel Swamp Optimization dan Gray Wolf Optimizer, kita tulis dari nol tanpa librari, lalu diadu pada fungsi sfir dan rastrigin yang penuh lembah lokal. Ayo kita mulai. Halo, selamat datang di episode keempat seri optimasi Distributed Generation. Metaheuristik adalah algoritma pencarian yang tidak butuh turunan dan tahan terhadap banyak optimum lokal, cocok untuk masalah penempatan DG. Hari ini kita menulis dua yang paling populer, PSO yang meniru kawanan burung, dan Gray Wolf Optimizer yang meniru perburuan kawanan serigala.
Langkah 1: Particle Swarm Optimization
Buat file optimasi.py Fungsi evaluasi menghitung nilai objektif setiap individu. PSO dimulai dengan partikel acak di dalam batas. Setiap partikel mengingat posisi terbaiknya sendiri, P-best, dan kawanan mengingat posisi terbaik global, G-best. Kecepatan baru adalah inersia dikali kecepatan lama, ditambah tarikan acak ke P-best dan ke G-best dengan koefisien C-1 dan C-2 bernilai 2. Bobot inersia turun dari 0,9 ke 0,4. Awalnya menjelajah luas, akhirnya mengeksploitasi area terbaik. Kecepatan dibatasi 20% rentang agar partikel tidak melompat terlalu jauh. Grey Wolf Optimizer memakai hierarki kawanan.
Langkah 2: Grey Wolf Optimizer
Tiga solusi terbaik disebut alpha, beta, dan delta. Fungsi perbarui pemimpin menyimpan tiga terbaik sepanjang pencarian. Setiap serigala bergerak ke rata-rata tiga posisi yang diarahkan oleh alpha, beta, dan delta. Parameter A turun dari 2 ke 0. Saat koefisien A lebih besar dari 1, serigala menjauh untuk menjelajah, dan saat lebih kecil dari 1, serigala mengepung mangsa. Koefisien C memberi bobot acak pada posisi pemimpin.
Langkah 3: Uji pada Sphere & Rastrigin
Buat file uji underscore benchmark.py untuk menguji keduanya pada fungsi 10 dimensi. Sphere hanya punya satu lembah, sedangkan rastrigin punya ribuan lembah lokal. Jalankan Di Sphere, GWO turun sangat cepat sampai hampir 0, sedangkan PSO lebih lambat. Di rastrigin, keduanya terjebak sedikit di atas 0, tapi GWO tetap lebih baik. Namun hasil di fungsi benchmark tidak selalu berlaku di masalah nyata. Dan itu akan kita lihat di episode berikutnya pada masalah penempatan DG. Selesai.
Selesai!
Kita sudah menulis partikel swarm optimization dengan bobot inersia menurun dan gray wolf optimizer dengan hierarki alpha, beta, delta dari 0, lalu mengujinya pada fungsi benchmark. Di episode berikutnya kita menggabungkan keduanya menjadi hybrid PSO-GWO dan memakainya untuk menempatkan 3 DG. Sedang menyusun skripsi, tesis, atau riset di bidang sistem tenaga listrik dan energi terbarukan? Cerdas inovasi digital membantu implementasi optimasi sistem tenaga dari aliran daya backward-forward sweep, penempatan dan kapasitas distributed generation, PSO, gray wolf optimizer, sampai algoritma hybrid, serta membuka kursus pemrograman Python untuk teknik elektro. Ingin menguasai seluruh seri ini, dari data IEEE 33 boost sampai analisis perbandingan algoritma? Semua 6 episode, lengkap dengan PDF panduan langkah demi langkah dan source code, tersedia untuk pelanggan tutorial premium. Berlangganan mulai Rp69.000 per bulan, hemat 28% dengan paket 12 bulan, atau sekali bayar Rp999.000 untuk akses seumur hidup. Mau satu kelas saja? Beli kelas satuan dengan akses selamanya. Langganan sekarang di halaman premium cerdas inovasi digital.com. Hubungi WhatsApp kami, atau kunjungi cerdasinovasidigital.com. Terima kasih telah menonton, sampai jumpa di episode berikutnya.
Tanya materi kelas
Ketik pertanyaan atau kata kunci; kami carikan bagian episode ini yang menjelaskannya dan lompatkan videonya ke sana.
Catatan saya
Catatan disimpan bersama menit video saat ini dan hanya terlihat oleh Anda.
Tanya jawab
Bingung di salah satu langkah? Tanyakan di sini; pengajar dan peserta lain bisa menjawab.
Belum ada pertanyaan.
Pengajar
Tim Cerdas Inovasi Digital
Pengembang software, engineer BIM & 3D, dan praktisi AI
53 kelas video1.283 episode
Sehari-hari kami mengerjakan software, model BIM, game, dan otomasi AI untuk klien, lalu menjadikan pengalaman praktik itu kelas langkah demi langkah: setiap langkah diperlihatkan di layar dan dilengkapi panduan PDF.
