DYNAMIC TRAVELLING SALESMAN PROBLEM (DTSP) MENGGUNAKAN HYBRID ALGORITMA PARTICLE SWARM OPTIMIZATION (PSO) DAN ARTIFICIAL BEE COLONY (ABC)
Dynamic Travelling Salesman Problem merupakan perluasan dari Travelling Salesman Problem dimana seorang sales harus melalui sejumlah n kota dengan adanya kemungkinan terjadi penambahan dan pengurangan pada kota tujuan dan setiap kota hanya boleh dilewati tepat satu kali dan diakhiri dengan kembali k...
Saved in:
Main Author: | |
---|---|
Format: | Theses and Dissertations NonPeerReviewed |
Language: | Indonesian Indonesian Indonesian Indonesian |
Published: |
2019
|
Subjects: | |
Online Access: | http://repository.unair.ac.id/87666/1/ABSTRAK%20MPM%2074%2019%20Sya%20d.pdf http://repository.unair.ac.id/87666/2/DAFTAR%20ISI%20MPM%2074%2019%20Sya%20d.pdf http://repository.unair.ac.id/87666/3/DAFTAR%20PUSTAKA%20MPM%2074%2019%20Sya%20d.pdf http://repository.unair.ac.id/87666/4/FULLTEXT%20MPM%2074%2019%20Sya%20d.pdf http://repository.unair.ac.id/87666/ http://lib.unair.ac.id |
Tags: |
Add Tag
No Tags, Be the first to tag this record!
|
Institution: | Universitas Airlangga |
Language: | Indonesian Indonesian Indonesian Indonesian |
Summary: | Dynamic Travelling Salesman Problem merupakan perluasan dari Travelling Salesman Problem dimana seorang sales harus melalui sejumlah n kota dengan adanya kemungkinan terjadi penambahan dan pengurangan pada kota tujuan dan setiap kota hanya boleh dilewati tepat satu kali dan diakhiri dengan kembali ke kota semula. Tujuannya adalah menentukan rute perjalanan dengan jarak terpendek, sehingga meminimalkan waktu dan biaya yang dikeluarkan.
Hybrid PSO dan ABC dimulai dengan algoritma PSO sebagai proses pendahulu kemudian dilanjutkan dengan proses algoritma ABC. Secara umum proses dari hybrid Particle Swarm Optimization (PSO) dan Artificial Bee Colony (ABC)
adalah input data dan inisialisasi parameter, pembangkitan posisi awal, evaluasi fungsi tujuan, pembangkitan kecepatan awal, menentukan kecepatan baru dan posisi baru, evaluasi fungsi tujuan, menentukan pbest dan gbest. Kemudian dilanjutkan proses ABC adalah pemilihan calon solusi awal, mencari solusi baru
oleh employeed bee, update solusi dan trial limit, menghitung probabilitas yang dilanjutkan dengan seleksi menggunakan Roulette Wheel, mencari solusi baru
onlooker bee, update trial limit, fase scout bee, proses ini berlangsung sampai maksimal iterasi terpenuhi, setelah itu update kota tujuan. Program yang
digunakan dalam menyelesaikan DTSP dengan hybrid hybrid Particle Swarm Optimization dan Artificial Bee Colony adalah Borland 5.02. Hasil perhitungan dari data kecil (10 kota) setelah terdapat penambahan 5 kota tujuan adalah 315 satuan jarak, untuk perhitungan data sedang (25 kota) setelah terdapat penambahkan 5 kota tujuan adalah 17187 satuan jarak, sedangkan untuk perhitungan data besar (100 kota) setelah penambahan terdapat 5 kota tujuan adalah 98355 satuan jarak. Sehingga dapat disimpulkan bahwa semakin besar jumlah populasi dan maksimal iterasi maka solusi yang dihasilkan semakin baik. |
---|