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, Mo-PSO, kawanan partikel yang mengejar pemimpin dari Arsip Pareto. Pada 400 generasi, Mo-PSO menemukan front yang tersebar baik, tetapi NSGA-2 lebih rapat ke front sebenarnya. Setiap algoritma punya kekuatan berbeda, dan itulah bahan algoritma hybrid. Ayo kita mulai. Halo, selamat datang di episode ketiga seri Meta Heuristik Hybrid Multi-Objektif. Partikel Swarm Optimization terkenal cepat pada masalah satu objektif, karena setiap partikel langsung bergerak menuju solusi terbaik. Pada Multi-Objektif tidak ada satu solusi terbaik, jadi Mo-PSO menyimpan Arsip Pareto dan memilih pemimpin dari sana. Hari ini kita menulisnya.
Langkah 1: Arsip Pareto & pemimpin
Buat file MOPSO.py Fungsi perbarui Arsip menggabungkan Arsip lama dengan solusi baru, membuang duplikat dan solusi yang didominasi. Lalu bila Arsip melebihi kapasitas, solusi yang paling berdesakan menurut Crowding Distance dibuang satu persatu agar sebaran tetap merata. Fungsi pilih pemimpin memakai turnamen binar pada Crowding Distance, sehingga pemimpin di daerah front yang masih jarang lebih sering dipilih dan partikel terdorong mengisi celah.
Langkah 2: Gerak partikel & personal best
Fungsi MOPSO menggerakkan 100 partikel. Kecepatan baru adalah inersia ditambah tarikan ke personal best dan tarikan ke pemimpin dari Arsip. Partikel yang keluar batas dipantulkan, dan di paru pertama pencarian diberi turbulensi berupa mutasi polinomial agar tidak cepat menyempit. Personal best diganti bila solusi baru mendominasinya, atau secara acak bila keduanya tidak saling mendominasi. Arsip diperbarui setiap iterasi dan ukurannya dicatat. Buat file uji underscore mobso.py dan jalankan.
Langkah 3: MOPSO vs NSGA-II
MOPSO dan NSGA2 dijalankan 400 generasi pada ketiga fungsi uji. Arsip MOPSO terisi penuh 100 solusi pada ZDT1 dan ZDT2, dan 97 pada ZDT3. Jarak MOPSO ke front sebenarnya 0,0249 untuk ZDT1, 0,0273 untuk ZDT2, dan 0,0479 untuk ZDT3. Sedangkan NSGA2 lebih dekat, sekitar 0,005, 0,003, dan 0,01.
Langkah 4: Front & ukuran arsip
Mari lihat grafiknya. Tanda silang MOPSO tersebar rapi di sepanjang front, tetapi sedikit di atas titik-titik NSGA2, artinya konvergensinya kurang rapat pada 30 variabel. Grafik kanan memperlihatkan arsip penuh dalam beberapa puluh iterasi. Namun di episode berikutnya kita akan melihat bahwa MOPSO justru jauh lebih cepat di generasi awal, dan sifat inilah yang akan kita gabungkan dengan NSGA2.
Selesai!
Selesai. Kita sudah menulis MOPSO dengan arsipareto, seleksi pemimpin berbasis crowding, personal base multi-objektif, dan turbulensi, lalu membandingkannya dengan NSGA2. Di episode berikutnya kita merancang algoritma hybrid yang menggabungkan kelebihan keduanya. Sedang menyusun skripsi, tesis, atau riset di bidang optimasi dan kecerdasan buatan? Cerdas inovasi digital membantu implementasi algoritma optimasi, dari NSGA2 dan MOPSO, perancangan algoritma hybrid, sampai metrik hypervolume dan IG, deserta uji statistik perbandingan algoritma, serta membuka kursus pemrograman Python untuk teknik. Ingin menguasai seluruh seri ini, dari konsep Pareto sampai studi kasus skala besar? 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 cerdasinovasidigital.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
52 kelas video1.276 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.
