Cat Swarm Optimization
Oleh : Abba Suganda G
Salah satu cabang dari bidang “computation intelligence” untuk memecahkan persoalan optimisasi adalah “swarm intelligence”. Algoritma-algoritma pada swarm intelligence dibangun dengan meniru perilaku cerdas dari binatang. Cat swarm optimisasi (CSO) adalah salah satu algoritma yang dibangun berdasarkan perilaku dari Cat (kucing). Namun cat yang dimaksud disini bukanlah dalam arti sempit atau hanya kucing. Namun cat disini adalah kelas binatang dari felid. Ada sekitar 30 spesies dari kelas felid ini, antara lain : lion, tiger, leopard, kucing, dan sebagainya. Untuk mempermudah pengertian, maka istilah “kucing” digunakan dalam penjelasan CSO dalam artikel ini. CSO algoritma pertama kali diusulkan oleh Shu-Chuan Chu dan Pei-Wei Tsai (Taiwan) tahun 2006.
Meskipun memiliki lingkungan hidup yang berbeda, bintang dalam kelas felid ini memiliki pola perilaku yang sama. Untuk kelas felid yang liar/buas, keterampilan berburu ini menjamin pasokan makanan mereka dan kelangsungan hidup spesies mereka. Jika diamati secara seksama. ada banyak hal yang menarik tentang kucing. Pada umumnya spesies kucing ini memiliki ketrampilan yang sama dalam berburu, dan memiliki rasa ingin tahu (akan objek buruannya) yang besar. Meskipun semua kucing memiliki rasa ingin tahu yang besar, namun mereka menghabiskan sebagian besar waktu mereka secara tidak aktif. Kucing menghabiskan sebagian besar waktu mereka beristirahat, bahkan ketika mereka terjaga kucing tampak seolah tidak aktif (diam). Namun demikian, walaupun dalam kondisi istirahat dan terjaga, kucing sebenarnya dalam kondisi waspada tinggi. Artinya kucing tersebut mengamati dengan seksama, dan mencari apakah ada magsa yang bisa dikejar. Ketika kucing sedang bermalas-malasan tidur, biasanya matanya lebih besar untuk lebih mengamati lingkungan sekitarnya. Sergapan akan objek buruannya dilakukan setelah dia menemukan mangsanya. Artinya pada saat kucing melakukan pengamatan, dia sedang melakukan kalkulasi langkah apa yang dilakukannya kelak secara efektif. Jadi boleh dikatakan pada saat kucing melakukan pengamatan, kucing seperti menyusun sebuah strategi agar tangkapannya tidak lepas dengan cara yang singkat dan efektif. Oleh karena itu algoritma CSO memiliki 2 langkah dalam menyelesaikan persoalan optimisasi.
(a). Seeking Mode. Langkah ini merupakan tiruan perilaku kucing yang beristirahat namun waspada dan mengamati sekeliling, untuk mempersiapkan langkah berikutnya. Seeking mode ini memiliki empat faktor antara lain: seeking memory pool (SMP), seeking range of the selected dimension (SRD), counts of dimension to change (CDC) and self position consideration (SPC). SMP digunakan untuk menentukan jumlah solusi acak yang diciptakan. SRD digunakan untuk berapa banyak bagian dari solusi yang akan dimodifikasi/mutasi.CDC digunakan untuk menentukan berapa banyak dari solusi yang perlu dimodifkasi. SPC merupakan nilai bolean (0 dan 1) untuk menentukan apakah posisi dari kucing harus diubah atau dipertahankan. Inti dari langkah seeking mode ini adalah bagaimana membuat variasi solusi yang baik.
Solusi yang bagus akan dibuat variannya (memodifikasi sedikit), sehingga diharapkan menghasilkan solusi yang lebih baik. Banyak langkah yang harus dilakukan pada tahap ini, seperti mengkopi beberapa solusi, memodifikasi, dan memilih yang terbaik. Sama seperti banyak waktu yang dihabiskan kucing pada saat istirahat atau alert sebelum melakukan esekusi/mengejar mangsanya.
(b) Tracing Mode. Langkah ini dilakukan setelah melakukan seeking model. Eksekusi terhadap mangsa dilakukan dengan sergapan yang jitu. Untuk mengimplementasi langkah ini, tracing menggunakan perumusan yang mirip dengan particle swarm optimization (PSO).
Pada tahap ini solusi yang diciptakan (posisi) akan diupdate berdasarkan kecepatan sebelumnya.
2 Langkah ini dipilih secara acak, namun dengan rate kemungkinan seeking mode yang lebih besar. Pada naskah aslinya, Shu-Chuan Chu dan Pei-Wei Tsai, menggunakan rate untuk kucing-kucing melakukan seeking atau tracing dengan perbandingan 2 : 98.
Banyak persoalan optimasi yang sudah diselesaikan dengan CSO ini antara lain: TSP, Clustering, cloud computing, dan sebagainya.
Referensi :
Chu, S. C., & Tsai, P. W. (2007). Computational intelligence based on the behavior of cats. International Journal of Innovative Computing, Information and Control, 3(1), 163-173.