Skip to content
Kembali ke hasil pencarian

Algoritma Cetakan Lendir

Diperkenalkan oleh
Shimin Li
Tahun
2020
Jenis
Nature-inspired metaheuristic algorithm
Keluarga
Swarm Intelligence

Teks ini adalah terjemahan mesin dan belum ditinjau. Baca versi asli dalam bahasa Inggris

Ukuran huruf

Apa fungsinya?

Algoritma Cetakan Lendir (Slime Mould Algorithm, SMA) adalah teknik optimasi metaheuristik yang terinspirasi dari alam, diperkenalkan oleh Li et al. pada tahun 2020.

Algoritma ini meniru perilaku cetakan lendir (slime moulds) dalam menyebar dan berkontraksi untuk menemukan sumber makanan optimal. SMA menangani masalah optimasi yang kompleks dengan mensimulasikan pola pencarian makanan adaptif dan distribusi spasial organisme ini.

Intuisi di balik metode

Cetakan lendir menunjukkan kecerdasan kolektif yang luar biasa meskipun tidak memiliki sistem saraf pusat. Mereka menyebarkan pseudopodia (struktur mirip cabang) untuk menjelajahi lingkungan mereka dan berkontraksi ketika mencapai sumber nutrisi. Algoritma ini menangkap perilaku tersebut melalui pembaruan posisi yang menyeimbangkan eksplorasi dan eksploitasi: individu bergerak menuju solusi yang lebih baik dengan kepastian yang meningkat, dan populasi secara progresif terkonsentrasi di sekitar wilayah yang menjanjikan. Mekanisme adaptif alami ini memungkinkan pencarian global yang efisien.

Sejarah

Diperkenalkan oleh Shimin Li dan rekan-rekannya di Jiangsu University pada tahun 2020, SMA muncul dari bidang komputasi biomimetik yang terinspirasi oleh pengamatan perilaku fisik cetakan lendir yang sebenarnya. Algoritma ini divalidasi pada fungsi benchmark standar dan tugas optimasi rekayasa. Kesederhanaan dan efektivitasnya menyebabkan adopsi cepat di berbagai domain aplikasi, dengan banyak varian dan perbaikan yang diterbitkan setelahnya.

Kapan digunakan

Terapkan SMA pada masalah optimasi kontinu dan diskrit di mana informasi gradien tidak tersedia. Algoritma ini unggul dalam lanskap multimodal dengan banyak optimum lokal. Cocok untuk desain rekayasa, penyetelan parameter, dan pemilihan fitur ketika metode optimasi klasik gagal atau secara komputasi memberatkan.

Batasan dan pertimbangan

  • Kinerja dapat menurun pada masalah berdimensi sangat tinggi karena ruang pencarian yang meningkat
  • Kecepatan konvergensi bervariasi secara signifikan tergantung pada karakteristik lanskap masalah
  • Mungkin memerlukan penyetelan spesifik masalah untuk aplikasi rekayasa yang kompleks

Syarat dari sumber tidak menggantikan tinjauan ilmiah independen atau validasi oleh mesin analisis.

Kelebihan

  • Keseimbangan yang sangat baik antara eksplorasi dan eksploitasi melalui mekanisme bobot adaptif
  • Implementasi sederhana dengan sedikit hiperparameter untuk disetel
  • Menunjukkan konvergensi cepat pada iterasi awal dengan kemampuan pencarian global yang efektif
  • Dapat diterapkan pada masalah optimasi yang dibatasi maupun tidak dibatasi

Penerapan

  • Teknik mesin: mengoptimalkan desain struktural dan konfigurasi mesin di bawah berbagai kendala
  • Pemilihan fitur: memilih fitur yang relevan dalam dataset berdimensi tinggi untuk meningkatkan kinerja model pembelajaran mesin
  • Penyetelan hyperparameter jaringan saraf: menemukan laju pembelajaran, ukuran lapisan, dan konstanta regularisasi yang optimal
  • Desain antena: mengoptimalkan geometri dan parameter antena untuk sistem komunikasi
  • Optimasi rantai pasokan: menentukan tingkat inventaris dan rute distribusi untuk meminimalkan biaya
  • Alokasi sumber daya: mendistribusikan sumber daya terbatas ke berbagai proyek untuk memaksimalkan manfaat keseluruhan

Cara kerjanya

Cara kerjanya

1

Inisialisasi populasi posisi cetakan lendir yang terdistribusi secara acak di ruang pencarian dan evaluasi nilai kesesuaian (fitness) mereka.

2

Perbarui posisi setiap cetakan berdasarkan fungsi bobot yang meningkat menuju solusi terbaik, dikombinasikan dengan gangguan acak untuk eksplorasi.

3

Hitung nilai fungsi objektif untuk setiap posisi baru dan bandingkan dengan nilai kesesuaian sebelumnya.

4

Ulangi langkah pembaruan dan evaluasi hingga konvergensi tercapai atau jumlah iterasi maksimum tercapai.

Kesalahan umum

  • Konvergensi prematur ke optimum lokal jika mekanisme bobot terlalu agresif di awal optimasi
  • Eksplorasi yang tidak memadai ketika populasi awal terlalu terkonsentrasi di wilayah kecil
  • Mengabaikan penskalaan variabel keputusan secara tepat dapat menyebabkan kinerja pencarian yang buruk

Pertanyaan yang sering diajukan

Bagaimana mekanisme bobot di SMA berbeda dari metaheuristik lain seperti PSO?

Berbeda dengan PSO yang menggunakan vektor kecepatan, SMA menggunakan bobot yang menurun seiring waktu yang mendorong eksploitasi seiring kemajuan iterasi. Strategi adaptif ini secara alami menyeimbangkan eksplorasi dan eksploitasi tanpa memerlukan parameter terpisah untuk komponen kognitif dan sosial.

Apakah SMA cocok untuk menyelesaikan masalah optimasi yang dibatasi?

Ya, SMA dapat menangani kendala melalui metode fungsi penalti atau teknik penanganan kendala. Solusi yang tidak layak menerima nilai kesesuaian yang berkurang, memandu pencarian menuju wilayah yang layak.

Bagaimana saya harus mengatur ukuran populasi untuk masalah saya?

Mulailah dengan ukuran populasi yang proporsional dengan dimensi masalah, biasanya 20-50 individu. Populasi yang lebih besar meningkatkan pencarian global tetapi meningkatkan biaya komputasi. Gunakan pengujian empiris pada masalah spesifik Anda untuk menemukan keseimbangannya.

Apa perilaku konvergensi tipikal SMA?

SMA biasanya menunjukkan peningkatan pesat pada iterasi awal karena eksplorasi yang kuat, diikuti oleh penyempurnaan karena mekanisme bobot semakin memandu solusi menuju posisi terbaik yang ditemukan.

Metode terkait

Sumber

  1. Li, S., Chen, H., Wang, M., Heidari, A. A., & Chakraborty, S. (2020). Slime mould algorithm: A new method for stochastic optimization. Future Generation Computer Systems, 111, 300-323.

    Buka referensi DOI
    Disalin.