HYBRID ALGORITMA PARTICLE SWARM OPTIMIZATION HYBRID ALGORITMA PARTICLE SWARM OPTIMIZATION (PSO) DENGAN SIMULATED ANNEALING (SA) UNTUK MENYELESAIKAN PERMASALAHAN DYNAMIC TRAVELLING SALESMAN PROBLEM (DTSP)
| Main Author: | PUTRI ARITA SARI, 081311233092 |
|---|---|
| Format: | Thesis NonPeerReviewed Book |
| Bahasa: | ind |
| Terbitan: |
, 2018
|
| Subjects: | |
| Online Access: |
http://repository.unair.ac.id/71341/1/KKC%20KK%20MPM.26-18%20Sar%20h%20ABSTRAK.pdf http://repository.unair.ac.id/71341/2/KKC%20KK%20MPM.26-18%20Sar%20h%20SKRIPSI.pdf http://repository.unair.ac.id/71341/ http://lib.unair.ac.id |
Daftar Isi:
- Dynamic Travelling Salesman Problem (DTSP) adalah suatu permasalahn untuk mendapatkan jarak minimal dari rute mengunjungi beberapa kota. Dalam penerapannya, DTSP hampir sama dengan Travelling Salesman Problem (TSP), bedanya pada DTSP terdapat pengupdatean kota tujuan yang akan dikunjungi. Pengupdatean tersebut bisa berupa penambahan atau pengurangan kota tujuan. Tujuan dari DTSP adalah untuk meminimalkan jarak tempuh untuk mengunjungi kota tujuan dengan dimulai dan diakhiri oleh kota awal. Skripsi ini bertujuan untuk menyelesaikan dynamic travelling salesman problem menggunakan hybrid algoritma Particle Swarm Optimization (PSO) dengan Simulated Annealing (SA).Hybrid algoritma PSO dengan SA merupakan penggabungan antara algoritma PSO dengan algoritma SA. Secara umum PSO adalah membangkitkan partikel-partikel, mencari dan , serta update kecepatan dan posisi. Hybrid algoritma PSO dengan SA merupakan suatu prose dimana pencarian dan dilakukan berdasarkan aturan SA. Algortima ini berhenti ketika suhu yang dikehendaki sudah berhenti.Program untuk menyelesaikan DTSP dengan hybrid algoritma PSO dengan SA dibuat dalam bahasa pemograman C++ serta diimplementasikan pada dua contoh kasus yaitu data kecil dengan 15 kota dan data besar dengan 128 kota. Solusi terbaik dari data kecil adalah 264 satuan jarak unutk semua parameter yang diberikan. Sedangkan solusi terbaik dari data besar adalah 30894 satuan jarak dengan parameter m = 50, L = 50, T = 1000. Berdasarkan hasil yang diperoleh, dapat disimpulkan bahwa semakin besar jumlah swarm (m) mengakibatkan solusi cenderung lebih baik.