Hasil Pencarian  ::  Simpan CSV :: Kembali

"Perluasan dari Traveling Salesman Problem (TSP) adalah Multiple Traveling Salesman Problem (MTSP), yaitu menentukan kumpulan rute oleh 𝑚 salesman yang berawal dan kembali ke kota asal (depot). Jika terdapat lebih dari satu depot dan salesman yang berawal dan kembali ke depot yang sama, maka permasalahan tersebut dinamakan Fixed Destination Multi-depot Multiple Traveling Salesman Problem (MMTSP). Pada makalah ini, MMTSP akan diselesaikan menggunakan algoritma Ant Colony Optimization (ACO). ACO adalah algoritma optimisasi metaheuristic yang terinspirasi oleh perilaku semut dalam mencari jalur terpendek dari sarang menuju sumber makanan.Dalam penyelesaian MMTSP, akan diamati dengan memerhatikan pemilihan kota yang berbeda sebagai depot dan tiga parameter MMTSP non-random, banyaknya salesman (𝑚), minimum banyaknya kota yang harus dikunjungi salesman (𝐾), dan maksimum banyaknya kota yang dapat dikunjungi salesman (𝐿). Implementasi dilakukan dengan mengambil empat data dari TSPLIB. Hasil implementasi menunjukkan bahwa pemilihan kota yang berbeda sebagai depot dan tiga parameter MMTSP, di mana 𝑚 adalah parameter yang paling esensial, mempengaruhi solusi.

---

An extension of Traveling Salesman Problem (TSP) is the Multiple Traveling Salesman Problem (MTSP) in which, determining set of routes by 𝑚 salesmen who all start from and return to a single home city (depot). If there is more than one depot and salesmen start from and return to the same depot, then the problem is called Fixed Destination Multi-depot Multiple Traveling Salesman Problem (MMTSP). In this paper, MMTSP will be solved using the Ant Colony Optimization (ACO) algorithm. ACO is a metaheuristic optimization algorithm which inspired by the behavior of ants in finding the shortest path from the nest to the food source.

In solving the MMTSP, the algorithm is observed with respect to different chosen cities as depots and non-randomly three parameters of MMTSP, the number of salesmen (𝑚), the minimum number of cities a salesman must visit (𝐾), and the maximum number of cities that a salesman can visit (𝐿). The implementation is observed with four dataset from TSPLIB. The results show that both the different chosen cities as depots and the three parameters of MMTSP, in which 𝑚 is the most essential parameter, affect the solution."

"Abstrak Treveling Salesman Problem (TSP) adalah masalah menemukan rute perjalanan (Tur) Ke Sejumlah berhingga kota yang diberikan dengan syarat setiap kota dikunjungi tepat satu kaili, tur berawal dan berakhir di kota yang sama. TSP euclidean adalah TSP dengan simpul yang diberikan dalam bentuk titik koordinat dan bobot busur ditentukan berdasarkan jarak euclid antar simpul. TSP Asimetri adalah TSP dengan bobot busur bergantung arah pembusuran. Tujuan TSP adalam minimumkan total bobot dariperjalanan..."

"Buku ini merupakan terjemahan dari novel karya Maxim Gorki yang diterjemahkan dalam bahasa Inggris oleh Gertrude M. Foakes"

"Salah satu masalah yang dihadapi dalam Supply Chain Management adalah pencarian jalur. Jalur terbaik tidak hanya tergantung pada jarak, tetapi juga variabel lain, seperti: kualitas perusahaan yang terlibat, kualitas produk yang dikirimkan, dan nilai lain yang dipengaruhi oleh pengukuran kualitas. Umumnya, Ant Colony Optimization bisa mencari jalur terbaik yang hanya memiliki satu jalur objektif. Tapi akan sulit untuk diadopsi, karena dalam kasus nyata, jalur supply memiliki banyak jalur dan tujuan (khususnya pasokan minyak kelapa sawit berbasis bioenergi). Tujuan dari penelitian ini adalah untuk meningkatkan Ant Colony Optimization dalam menyelesaikan masalah jalur supply dengan menggunakan Fuzzy Ant Colony Optimization. Tujuan pengembangan Fuzzy Ant Colony Optimization dijelaskan disini, yaitu digunakan untuk mencari jalur supply terbaik.

---

AbstractOne of problem faced in supply chain management is path searching. The best path depend not only on distance, but also other variables, such as: the quality of involved companies, quality of delivered product, and other value resulted by quality measurement. Commonly, the ant colony optimization could search the best path that has only one objective path. But it would be difficult to be adopted, because in the real case, the supply path has multi path and objectives (especially in palm oil based bioenergy supply). The objective of this paper is to improve the ant colony optimization for solving multi objectives based supply path problem by using fuzzy ant colony optimization. The developed multi objectives fuzzy ant colony optimization design was explained here, that it was used to search the best supply path."

"Ant Colony Optimization (ACO) is a nature-inspired optimization algorithm which is motivated by ants foraging behavior. Due to its favorable advantages, ACO has been widely used to solve several NP-hard problems, including edge detection. Since ACO initially distributes ants at random, it may cause imbalance ant distribution which later affects path discovery process. In this paper an adaptive ACO is proposed to optimize edge detection by adaptively distributing ant according to gradient ana-lysis. Ants are adaptively distributed according to gradient ratio of each image regions. Region which has bigger gradient ratio, will have bigger number of ant distribution. Experiments are conducted using images from various datasets. Precision and recall are used to quantitatively evaluate perfor-mance of the proposed algorithm. Precision and recall of adaptive ACO reaches 76.98% and 96.8%. Whereas highest precision and recall for standard ACO are 69.74% and 74.85%. Experimental results show that the adaptive ACO outperforms standard ACO which randomly distributes ants.

---

Ant Colony Optimization (ACO) merupakan algoritma optimasi yang terinspirasi oleh tingkah laku semut dalam mencari makan. Karena keunggulan yang dimilikinya, ACO banyak digunakan untuk menyelesaikan permasalahan non-polinomial yang sulit, salah satunya adalah deteksi tepi pada citra. Pada tahapan awal, ACO menyebarkan semut secara acak, hal ini dapat menyebabkan ketidak seim-bangan distribusi semut yang dapat mempengaruhi proses pencarian jalur. Paper ini mengusulkan algoritma adaptif ACO untuk mengoptimalkan deteksi tepi pada citra dengan cara menyebarkan se-mut awal secara adaptif berdasarkan analisis gradient. Semut disebarkan berdasarkan perbandingan gradient dari tiap bagian citra. Bagian citra dengan perbandingan gradient yang lebih besar akan men-dapatkan pembagian semut yang lebih banyak dibandingkan bagian lainnya. Percobaan dilakukan pada beberapa citra yang berasal dari berbagai data set. Precision dan recall digunakan sebagai alat untuk mengukur citra keluaran algoritma yang diusulkan secara kuantitatif. Berdasarkan hasil uji co-ba, adaptif ACO mampu mencapai precision dan recall hingga 76.98 % dan 96.8 %. Sedangkan, nilai precision and recall tertinggi menggunakan ACO murni mencapai 69.74% dan 74.85%. Hasil ini me-nunjukkan bahwa adaptif ACO mampu menghasilkan citra keluaran yang lebih baik dibandingkan ACO murni yang sebaran semut awalnya dilakukan secara acak."