Lihat sumber Algoritma kunang-kunang

Dalam kasus [[Optimisasi|optimasi matematika]], '''algoritma kunang-kunang''' atau '''''firefly algorithm''''' adalah salah satu algoritma [[metaheuristik]] yang pertama kali dikemukakan oleh [[Xin-She Yang]]. Algoritma ini terinspirasi oleh perilaku berkedip yang dilakukan oleh [[kunang-kunang]].<ref>X. S. Yang. [https://archive.org/details/natureinspiredme0000xins Nature-Inspired Metaheuristic Algorithms]. Luniver Press. 2008. ISBN 978-1-905986-10-1.</ref>

== Algoritma ==
Dalam bentuk [[Kode semu|''pseudocode'']], algoritma ini dapat dinyatakan sebagai:
 '''Begin'''
   1) Fungsi objektif: 
   2) Inisialisasi populasi awal kunang-kunang 
   3) Tentukan intensitas cahaya  sehingga berhubungan dengan 
     (misalnya, untuk masalah maksimalisasi, 
   4) Definisikan koefisien ''light absorption'' 

   '''while''' (t < MaksGenerasi) atau (KriteriaBerhenti = '''true''')
     '''for''' i = 1 : n (semua n kunang-kunang)
       '''for''' j = 1 : i (n kunang-kunang)

           Variasikan daya tarik (''attractiveness'') dengan jarak r melalui 
           Gerakkan kunang-kunang i menuju j untuk semua dimensi ''d'';        
           Evaluasi solusi baru dan perbarui [[intensitas cahaya]] (''light intensity'');
         '''end if''' 
       '''end for''' j
     '''end for''' i
     Buat peringkat kunang-kunang dan cari yang terbaik saat ini (''current best'');
   '''end while'''
 '''end'''
Perhatikan bahwa jumlah evaluasi terhadap fungsi objektif pada setiap iterasi adalah satu evaluasi untuk setiap kunang-kunang, meskipun ''pseudocode'' di atas menunjukkan sebesar ''n'' × ''n''. (Berdasarkan kode [[MATLAB]] oleh Yang). Jadi, banyaknya evaluasi terhadap fungsi objektif adalah sebesar (jumlah generasi) × (jumlah kunang-kunang).

Rumus pembaruan utama untuk sepasang kunang-kunang <math>\mathbf{x}_i </math> dan <math>\mathbf{x}_j </math> adalah

:: <math>\mathbf{x}_i^{t+1}=\mathbf{x}_i^t + \beta \exp[-\gamma r_{ij}^2] (\mathbf{x}_j^t - \mathbf{x}_i^t) +\alpha_t \boldsymbol{\epsilon}_t </math>

Di mana <math>\alpha_t </math> adalah suatu parameter yang mengatur besar langkah atau ukuran langkah. Parameter ini menentukan sejauh mana ''firefly'' bergerak untuk setiap iterasi. Dengan nilai ''<math>\alpha_t </math>'' yang lebih besar, firefly akan bergerak lebih jauh dalam ruang pencarian solusi. Jika ''<math>\alpha_t </math>'' lebih kecil, pergerakan ''firefly'' akan lebih terbatas. Sedangkan <math>\boldsymbol{\epsilon}_t </math> adalah sebuah vektor yang diambil dari distribusi Gaussian atau distribusi lainnya, parameter ini digunakan untuk memberikan komponen acak pada pergerakan ''firefly''. Hal ini dapat memberikan variasi pada posisi ''firefly'' dan membantu mencegah terjebaknya proses pencarian pada minimum lokal.

Hal ini dapat ditunjukkan bahwa dengan kasus pembatas <math>\gamma \rightarrow 0 </math>, ''firefly algorithm'' mendekati standar [[Particle Swarm Optimization]] (PSO). Faktanya, jika iterasi ''looping'' bagian dalam (for j) dihilangkan dan kecerahan <math>I_j</math> digantikan dengan <math>g^*</math>, global terbaik saat ini, maka FA pada dasarnya menjadi PSO standar.  Artinya, FA dan PSO memiliki keterkaitan yang mendalam, dan ketika suatu parameter pada FA didekati nol, FA akan berkembang menjadi PSO.

== Kritik ==
[[Metaheuristik]] yang terinspirasi dari alam secara umum telah menuai [[Daftar metaheuristik yang terinspirasi metafora|kritik dari komunitas riset]] karena menyembunyikan kurangnya kebaruan di balik [[metafora]] yang digunakan. ''Firefly algorithm'' telah dikritik karena perbedaan dari [[Particle Swarm Optimization]] (PSO) yang sudah ada hanya dalam hal yang dapat diabaikan atau sederhana (kurang signifikan).<ref>Omid N. Almasi. ''A new fuzzy membership assignment and model selection approach based on dynamic class centers for fuzzy SVM family using the firefly algorithm''. ''Turkish Journal of Electrical Engineering & Computer Sciences''. 2016. Vol. 4. hlm. 1–19. doi:10.3906/elk-1310-253.</ref> <ref>Michael A. Lones. [http://www.macs.hw.ac.uk/~ml355/common/papers/lones-gecco2014-metaheuristics.pdf Proceedings of the Companion Publication of the 2014 Annual Conference on Genetic and Evolutionary Computation]. 2014. hlm. 1419–1422. doi:10.1145/2598394.2609841. ISBN 9781450328814.</ref> <ref>Dennis Weyland. ''A critical analysis of the harmony search algorithm—How not to solve sudoku''. ''Operations Research Perspectives''. 2015. Vol. 2. hlm. 97–105. doi:10.1016/j.orp.2015.04.001.</ref>

== Lihat juga ==
* [[Kecerdasan gerombolan]]

== Pranala luar ==
* [https://www.mathworks.com/matlabcentral/fileexchange/29693-firefly-algorithm] File program Matlab yang terdapat dalam buku: Xin-She Yang, Algoritma Metaheuristik Terinspirasi Alam, Edisi Kedua, Luniver Press, (2010).

== Referensi ==
<references />

== Sumber dan atribusi ==

Konten artikel ini diadaptasi dari [https://id.wikipedia.org/w/index.php?title=Algoritma+kunang-kunang&oldid=27018838 Wikipedia bahasa Indonesia], revisi 27018838 (2025-03-10T22:22:39Z), yang tersedia berdasarkan lisensi Creative Commons Atribusi-BerbagiSerupa (CC BY-SA). Mohon gunakan konten ini secara bijak serta sesuai dengan ketentuan lisensi yang berlaku.

<!-- WIKI_UNISSULA_PRESENTATION_V4 -->