🐜 Ant Colony Optimization (ACO) • - Evaluasi semua solusi tetangga
Soft Computing vs Hard Computing •
• Inspirasi: Perilaku semut dalam mencari jalur terpendek menuju - Pilih solusi non-tabu terbaik atau tabu tapi memenuhi aspiration
• Soft Computing: Approximate solution, tolerates imprecision, flexible
(Fuzzy, ANN, GA, PSO) makanan. • - Update tabu list
• Hard Computing: Exact solution, deterministic, rigid (Logic, Algebra, Linear • Prinsip utama: • - Ulangi
Regression) • - Semut meninggalkan feromon di setiap jalur. • Tabu Tenure: Jumlah iterasi di mana sebuah langkah dianggap
• - Semakin pendek jalur → semakin banyak dilewati → feromon tabu
Fuzzy Logic
• Fuzzification: Crisp ➜ Fuzzy meningkat. • Aspiration Criteria: Langkah tabu tetap boleh dilakukan jika
• Membership Function: Linear, triangle, trapezoidal (μ ∈ [0,1]) • - Semut lain akan lebih cenderung mengikuti jalur dengan hasilnya jauh lebih baik dari solusi terbaik sebelumnya
• Inference Engine: IF–THEN rules feromon lebih kuat. • Tipe Memori:
• Defuzzification: Fuzzy ➜ Crisp
• Models: Mamdani, Sugeno, Tsukamoto • Probabilitas pemilihan jalur: • - Recency: langkah terakhir yang dilakukan
• Applications: AC, washing machine, autofocus camera • p_ij = [τ_ij]^α × [η_ij]^β / Σ_k∈J_i [τ_ik]^α × [η_ik]^β • - Frequency: langkah yang sering dipakai → diberi penalti
• τ = level feromon, η = 1/distance (heuristik), α = pengaruh • - Elite memory: menyimpan solusi terbaik untuk intensifikasi
Artificial Neural Network (ANN) feromon, β = pengaruh heuristik • Keunggulan:
• Structure: Input → Hidden Layers → Output
• Activation Functions: Sigmoid, ReLU, Tanh • Evaporasi Feromon (hindari konvergensi prematur): • - Menghindari siklus
• Forward Propagation: Input to Output • τ_ij = (1 − ρ)·τ_ij + Δτ_ij • - Efektif di local optimum
• Backpropagation: Error correction via gradients • Aplikasi: TSP, VRP, penjadwalan, layout, routing • - Tidak berbasis populasi
• Loss Functions: MSE, MAE
• Epoch: One full pass of training data • Varian ACO:
• Prevent Overfitting: Dropout, Regularization • - Ant Colony System (ACS): ada local + global update 🕊 Lovebird Algorithm
• - P-ACO: pakai archive solusi terbaik • Inspirasi:
Genetic Algorithm (GA) • - Perilaku burung lovebird mencari jalur tercepat
• - Hybrid: gabung dengan local search
• Terminology: Chromosome = solution, Gene = feature, Fitness = quality
• Process: Initialization → Fitness Eval → Selection → Crossover → Mutation • - Diperkenalkan oleh Amalia Utamima, Ph.D (2019)
→ Elitism 🔥 Simulated Annealing (SA) • Ciri Utama:
• Crossover Types: Order1, PMX • Inspirasi: Proses pendinginan logam → membentuk struktur • - Fokus pada masalah kombinatorial dan permutasi
• Mutation: Gene swap to maintain diversity
• Applications: TSP, Scheduling, Circuit design
kristal optimal • - Menggabungkan: Neighborhood search, Mutation operator,
• Inti Proses: Local search
TSP & VRP • - Mulai dari solusi awal s0 dengan suhu awal T0. • Komponen Algoritma:
• TSP: Visit all cities once, return to start. One vehicle, no capacity.
• - Ambil tetangga s. • - Inisialisasi solusi
• VRP: Multiple vehicles, consider capacity & constraints
• VRPTW: Time window at customer • - Hitung ΔE = f(s) - f(s0): • - Gunakan mutasi untuk eksplorasi
• PDP: Pickup-Delivery pairing • Jika ΔE < 0 → terima • - Lakukan pencarian lokal dari solusi tetangga
• Fleet Mix: Varying vehicle capacity/cost • Jika ΔE > 0 → terima dengan probabilitas: P = exp(−ΔE / T) • - Evaluasi dan simpan solusi terbaik
• Rich VRP: Real constraints (rest, dock, compatibility)
• Stochastic VRP: Uncertainty in demand, time • - Turunkan suhu sesuai cooling schedule • Keunggulan:
• - Ulangi hingga suhu cukup rendah • - Tidak terbatas pada binary seperti PSO/ACO
Particle Swarm Optimization (PSO) • Cooling Schedule Umum: • - Lebih efisien di kasus seperti routing dan penjadwalan
• Inspired by social behavior of birds/fish
• - Geometrik: T(k) = T₀·α^k • - Bisa diuji dengan variasi operator mutasi lain
• pBest: Personal best position
• gBest: Global best among swarm • - Logaritmik: T(k) = T₀·ln(2)/ln(k) • Aplikasi: Agricultural routing, VRP, Penjadwalan dinamis
• Velocity Update: v = w·v + c1·r1(pBest−x) + c2·r2(gBest−x) • - Lundy & Mees: T(k+1) = T(k)/(1 + γ·T(k))
• Position Update: x = x + v • Ciri Khas:
• Params: w (inertia), c1/c2 (coeff), r1/r2 (random [0–1])
• Applications: Function optimization, VRP, NN training • - Bukan populasi
• - Tidak menyimpan memori
Quick References • - Cocok untuk masalah yang bisa terjebak local optimum
• Partial truth → Fuzzy Logic
• Variasi: Reheating, Fixed temperature, Hybrid dengan GA/PSO
• pBest/gBest → PSO
• Mutation/Crossover → GA
• Feedforward/Backpropagation → ANN 🔒 Tabu Search (TS)
• Fuzzy→Crisp → Defuzzification • Konsep dasar:
• Swarm-based → PSO, ACO
• - Memori jangka pendek dan panjang
• - Tabu list mencegah langkah yang berulang
• Proses Utama:
• - Bangun neighborhood dari solusi saat ini