PSO  mensimulasikan  perilaku  burung berkelompok. Misalkan skenario berikut:

Sekelompok  burung  yang  secara  acak  mencari makanan  di  suatu  daerah.  Hanya  ada  satu  potong makanan  di  daerah  yang  dicari.  Semua  burung tidak tahu di mana makanan ini. Tapi mereka tahu berapa  banyak  makanan  di  setiap  iterasi.  Jadi  apa strategi  terbaik  untuk  mencari  makanan?  Efektif adalah mengikuti burung terdekat dengan makanan. PSO  belajar  dari  skenario  dan  menggunakannya untuk memecahkan masalah optimasi. Dalam PSO, setiap  solusi  tunggal  merupakan  "sebuah  burung" dalam  ruang  pencarian.  Kami  menyebutnya "partikel".  Semua  partikel  memiliki  nilai  fitness yang  dievaluasi  oleh  fungsi  fitness  harus dioptimalkan dan memiliki kecepatan penerbangan langsung  dari  partikel.  Partikel-partikel  terbang melalui  ruang  masalah  dengan  mengikuti  partikel optimal saat ini. Algoritma  PSO  menggunakan  dua variabel  random  r1  dan  r2  yang  keduanya menghasilkan  angka  acak  dengan  jarak  antara  0 dan  1.  Variabel  random  tersebut  digunakan  untuk memberikan  efek  kepada  sifat  stochastic  dari algoritma  PSO.  Nilai  dari  r1  dan  r2  disesuaikan dengan konstanta c1 dan c2 yang memiliki rentang nilai  antara  0  <  c1,  c2  ≤  2.  Konstanta  tersebut disebut  sebagai  koefisien  akselerasi  yang mempengaruhi  jarak  maksimum  yang  dapat diambil oleh sebuah  partikel  dalam sebuah iterasi. Update  kecepatan  dari  sebuah  partikel  dibedakan untuk  setiap  dimensi  j  €  1…n  (n  berdasarkan jumlah  parameter  yang  dioptimasi),  sehingga  vi,,j mewakili dimensi  ke  j  dari vektor kecepatan  yang diasosiasikan  dengan  partikel  ke  i.  Sehingga persamaan  untuk  update  kecepatan  oleh  van  den Bergh (2001) dapat didefinisikan sebagai berikut :

vi =   ὼ   v i  +  c 1 r 1

( p b e s t -   x i )  +  c 2 r 2

( g b e s t -   x i )

dimana,

vi              = kecepatan partikel saat ini

ὼ              = berat inertia,

c1, c2        = koefisien akselerasi

r1, r2         = bilangan random uniform antara 0 dan 1

pbest         = posisi personal best partikel saat ini

gbest         = posisi global best partikel saat ini

xi              = posisi partikel saat ini

Dapat  dilihat  dari  persamaan  update kecepatan  bahwa  c2  mengatur  jarak  maksimum yang dipengaruhi oleh  partikel global best, dan c1 mengatur  jarak  yang  dipengaruhi  oleh  posisi personal  best  dari  partikel  tersebut.  Nilai  dari  vi

dapat  dibatasi  dengan  nilai  [-vmax,vmax]  untuk mencegah  terjadinya  kejadian  dimana  partikel meninggalkan  daerah  pencarian.  Jika  daerah pencarian  dibatasi  dengan  [-xmax,xmax],  maka nilai vmax biasanya didefinisikan sebagai

vmax=k  xmax, dimana 0.1≤ k ≤ 1.0

Posisi  setiap  partikel  di-update  menggunakan persamaan  (2.2)  sehingga  dihasilkan  persamaan berikut:

xi = xi + vi

dimana,

xi = posisi partikel baru

x = posisi partikel saat ini

vi =kecepatan partikel yang baru

Inisialisasi

Membiarkan   f  :  Rⁿ =  R  menjadi  fitness atau  beban  yang  harus  diminimalkan. Misalkan diketahui S jumlah  partikel  dalam  kerumunan  itu, masing-masing  memiliki  posisi    xi  €  Rⁿ dalam ruang-pencarian  dan  kecepatan  sebuah  vi  €  Rⁿ.

Membiarkan pbest  menjadi diketahui posisi terbaik partikel  i  dan  biarkan  gbest  menjadi  posisi  yang paling  terkenal  dari  seluruh  mengeriap.  Ini merupakan algoritma PSO dasar :

Ø  Untuk  setiap  partikel   i  =  1,  .  .  .  .,  S lakukan:

·         Inisialisasi  partikel  posisi:  xi  ~  U(bb, bt),  Dimana  bb, bt  adalah batas bawah dan  atas  ruang-pencarian  dan  U(.  ,  .) adalah vektor acak.

·         Menginisialisasi  posisi  paling  dikenal : pbest = xi

·         Menginisialisasi  kecepatan:  v i~  U( -( b t - b b ) ,b t - b b ) )

Ø  Menginisialisasi posisi paling terkenal dari gerombolan :  

gbest = arg min (pbest)

Ø  Sampai  suatu  kriteria  terminasi  terpenuhi (jumlah  iterasi  dilakukan  misalnya,  atau sampai kesesuaian yang memadai), ulangi :

Ø  Untuk  setiap  partikel  i  =  1,  .  .  .  .,  S

lakukan:

·         vektor acak  c 1 , c 2 ~ U( 0 ,1 )

·         Update partikel kecepatan:

vi =   ὼ   vi  +  c1 r1 ( p best xi ) + c2 rn ( g best -   xi ),

Ø  Update posisi partikel:  xi =  xi + vi,

       Perhatikan bahwa hal ini dilakukan tanpa perbaikan untuk fitness.

        Jika  f ( xi). < f (pbest) lakukan:

Ø  Update  partikel  terkenal  posisi:

         pbest = xi

Ø  Jika f (pbest). < f (gbest)   update

        posisi  swarm  terbaik:  gbest  = pbest

Ø  Sekarang solusi terbaik ditemukan.

Perancangan Sistem Aplikasi Mobile

Aplikasi  mobile  GIS  ini  dirancang    sebatas untuk  memberikan  informasi  berupa  jalur terpendek untuk sampai ke daerah tujuan dan juga untuk memberikan informasi mengenai posisi suatu desa  ataupun  fasilitas  umum  yang  ada  di Kabupaten  Bangkalan.   Berikut  akan  dijelaskan mengenai perencanaan dan pembuatan sistem yang berhubungan  dengan  pengolahan  data  spasial GIS(Geographic  Information  System)  sebagai pemetaan  gambar  serta  J2ME  sebagai  bahasa pemrograman berbasis mobile.

 

Penjelasan Blok Diagram :

User  menginputkan  data  berupa  lokasi awal  dan  tujuan  melalui  aplikasi  J2me.  Kemudian aplikasi  j2me  melakukan  proses  pencarian  jalur berdasarkan  data  hasil  inputan  dari  user  dengan mengadopsi  algoritma  Particle  Swarm Optimization(PSO)  sebagai  metode  dalam menentukan  jalur  terpendek.  Dimana  proses pencarian jalur berhubungan dengan database yang berupa data GIS sebagai pemetaan gambar dan data Desa/Fasum sebagai data lokasi yang akan dipilih.