Model Pendekatan Metaheuristik Dalam Penyelesaian optimisasi Kombinatorial

Muhammad Iqbal, Muhammad Zarlis, Tulus Tulus, Herman Mawengkang

Abstract


Secara praktis pada umumnya pengguna kurang memerlukan penyelesaian eksak, yang mereka inginkan adalah suatu penyelesaian pendekatan dalam waktu yang relative cepat. Sehingga terkait dengan ini berarti metode heuristic atau metaheuristik adalah sesuai. Beberapa pendekatan pendekatan ini teleh memberikan jaminan kualtitas tertentu penyelesaian dan dalam waktu polynomial. Sayangnya, sifat teoritis demikian ini biasanya berakibat performance yang secara relative buruk. Dengan kata lain heuristic sederhana adakalanya lebih cepat dan menghasilkan penyelesaian lebih baik dari pada algoritma pendekatan, walaupun heuristic sederhana tidak menjamin kualitas dan dalam banyak kasus ia menghasilkan penyelesaian buruk. Artinya pendekatan seperti ini “problem sensitive”. Untuk itu perlu diajukan metode metaheuristik dapat mengatasi kelemahan dalam hal performancenya, oleh karena itu untuk permasalahan kombinatorial adalah masalah yang mempunyai himpunan solusi layak (feasible) yang terhingga.  Meskipun secara prinsip solusi dari masalah ini bisa didapatkan dengan enumerasi lengkap,  pada masalah kompleks dibutuhkan waktu yang tidak bisa diterima secara praktis.

Kata Kunci: Optimisasi, Kombinatorial, Metaheuristik


Full Text:

PDF

References


Doef, V. D, and M. Cappendijk. 2006. Veiligheid Nederland in Kaart-Modellering en Analyse Van Evacuatie Dijkringen 7, 14 en 36. Rijkswaterstaat

Drezner, Z. and G. Wesolowsky. 1997. Selecting an optimum configuration of one-way and two-way routes. Transportation Science 31(4): 386-394.

Duran M. A.and I. E Grossmann, An Outer-Approximation Algorithm For a class of Mixed-Integer Nonlinear Programs, Mathematical Programming 36 (1986) 307.

El-Sbayti, H. H. 2008. Optimal Scheduling of Evacuation Operations With ContraFlow. University of Maryland

Fernandes F P, Costa M F P, Rocha A M A C, Fernandes E M G P. 2016. Improving efficiency of a multistart with interrupted Hooke-and-Jeeves filter search for solving MINLP problems. Int. Conf. on Computational Sciences and its Applications, pp. 345-358.

Flores-Tlacuahuac A and L. T. Biegler, Simultaneous mixed-integer dynamic optimization for integrated design and control, Computers and Chemical Engineering, 31 (2007), pp. 648–656.

Ford, L.R. and D.R. Fulkerson. 2000. Flows in Networks. Princeton Univ. Press

Fischetti M., F. Glover, A. Lodi. The Feasibility Pump. Mathematical Programming A 104(1), 91-104 (2005).

G. Nannicini and P. Belotti, Local Branching for MINPs. Technical Report workingpaper, CMU, 2009.

G. Nannicini, P. Belotti. Rounding-based heuristics for non-convex MINLPs. In: P. Bonami, L. Liberti, A. Miller, A. Sartenear (eds). Proceedings of the European Workshop on MINLP. CIRM, Marseille, France (2009).

Kaya O, Urek B. (2016). A mixed integer nonlinear model and heuristic solutions for location, inventory and pricing decisions in a closed loop supply chain. Competers & Operations Research, 65, 93-103.

Kim J S, and Edgar T F. (2014) Optimal scheduling of combined heat and powerplants using mixed-integer nonlinear programming, Energy, 77, 675-690

M. A. Duran and I. E Grossmann, An Outer-Approximation Algorithm For a class of Mixed-Integer Nonlinear Programs, Mathematical Programming 36 (1986) 307.

M. Fischetti, F. Glover, A. Lodi. The Feasibility Pump. Mathematical Programming A 104(1), 91-104 (2005).

Mawengkang H. and B. A Murtagh, Solving Nonlinear Integer Programs with Large-Scale Optimization Software. Annals of Operations Research 5425-437, 1986

Madireddy, M., D.J. Medeiros, and S. Kumara. 2011. An Agent Based Model for Evacuation Traffic Management. Proceedings of the 2011 Winter Simulation Conference: pp. 222-233

Maniezzo V., T. Stu¨tzle, S. Voß (Eds.), Matheuristics, Vol. 10 of Annals of Information Systems, Springer Verlag, Berlin, Germany, 2010.

Nannicini G. and P. Belotti, Local Branching for MINPs. Technical Report workingpaper, CMU, 2009.

Nannicini, G.P. Belotti. Rounding-based heuristics for non-convex MINLPs. In: P. Bonami, L. Liberti, A. Miller, A. Sartenear (eds). Proceedings of the European Workshop on MINLP. CIRM, Marseille, France (2009).

Gupta O.K. and A. Ravindran (1985). Branch and Bound Experiments in Convex Nonlinear Integer Programming, Manage Sci., 31 (12), 1533–1546


Refbacks

  • There are currently no refbacks.


Copyright (c) 2020 Seminar Nasional Teknologi Komputer & Sains (SAINTEKS)

Creative Commons License
This work is licensed under a Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.