| Abstrak |
INVENSI INI BERUPA ALGORITMA OPTIMASI STOKASTIK (METAHEURISTIK) DI BIDANG KECERDASAN KOLEKTIF (SWARM INTELLIGENCE), YANG BERPERAN PENTING DALAM BIDANG ILMU KOMPUTER, REKAYASA, TEKNIK, DAN INDUSTRI, UNTUK MENYELESAIKAN BERBAGAI MASALAH OPTIMASI BERSKALA KECIL MAUPUN BESAR HINGGA RIBUAN VARIABEL (DIMENSI). ALGORITMA INI TANPA METAFORA SEHINGGA BERSIFAT UNIVERSAL, YANG MEMPERKENALKAN DUA SKEMA INTERAKSI DAN GERAKAN SEDERHANA UNTUK MENCAPAI KESEIMBANGAN EKSPLOITASI-EKSPLORASI DENGAN BEBERAPA PARAMETER YANG MUDAH DIATUR UNTUK PERMASALAHAN UNIMODAL DAN MULTIMODAL. SUO DIRANCANG MELAKUKAN EVOLUSI DALAM DUA TAHAP. PERTAMA, SUO MENGGUNAKAN KAWANAN MIKRO (MICRO-SWARM) BERISI 3 INDIVIDU UNTUK MENGEKSPLOITASI SOLUSI POTENSIAL DENGAN CEPAT. KEDUA, SUO MENGGUNAKAN POPULASI BESAR 100 MICRO-SWARM (MASING-MASING MEMILIKI ENAM INDIVIDU) DAN ADAPTASI MANDIRI UKURAN POPULASI DAN TINGKAT EKSPLOITASI DIMENSI UNTUK MENDAPATKAN KESEIMBANGAN EKSPLORASI-EKSPLOITASI. EVALUASI DILAKUKAN PADA 13 FUNGSI ACUAN DIMENSI TINGGI YANG DITINGKATKAN MENJADI 5, 50, 500, 5000, DAN 50000. HASIL EKSPERIMEN MEMBUKTIKAN BAHWA SUO MEMILIKI SKALABILITAS YANG SIGNIFIKAN LEBIH TINGGI DIBANDING LIMA ALGORITMA TERMUTAKHIR YANG BERKINERJA TERBAIK SAAT INI: SUCCESS-HISTORY BASED PARAMETER ADAPTATION DIFFERENTIAL EVOLUTION (SHADE), SHADE WITH LINEAR POPULATION SIZE REDUCTION (LSHADE), LSHADE WITH SEMI-PARAMETER ADAPTATION OF CMA-ES (LSHADE-SPACMA), LSHADE WITH ENSEMBLE SINUSOIDAL DIFFERENTIAL COVARIANCE MATRIX ADAPTATION WITH EUCLIDEAN NEIGHBORHOOD (LSHADE-CNEPSIN), AND MARINE PREDATOR ALGORITHM (MPA). |
