Ant colony Optimization

41
PENGGUNAAN GRAF DALAM ALGORITMA SEMUT UNTUK MELAKUKAN OPTIMASI Presented by : Frisal Argha Kusumah Nurandito Vidyawan

description

disajikan oleh Frisal argha kusumahmahasiswa teknik elektro universitas brawijaya malang

Transcript of Ant colony Optimization

Page 2: Ant colony Optimization

“Sesungguhnya dalam penciptaan langit dan

bumi, dan silih bergantinya malam dan siang

terdapat tanda-tanda bagi orang-orang yang

berakal,” (QS 3:190)

Latar Belakang

Optimisasi

Seiring berkembangnya pemikiran, banyak sekaliditemukan sejumlah algoritma dalam AI(Artifical Intelligence) yang mendapat inspirasidari alam. Salah satu diantaranya adalah :

Algoritma semut

Men

gg

un

akan

GR

AF

Page 3: Ant colony Optimization

Latar Belakang

Optimisasi ialah suatu proses untuk mencapai hasil yang ideal atau optimal (nilai efektif yang dapat dicapai).

Nilai optimal adalah nilai yang didapat dengan melalui suatu proses dan dianggap menjadi suatu solusi jawaban yang paling baik dari semua solusi yang ada.

Page 4: Ant colony Optimization

TujuanAlgoritma semut merupakan teknik probabilistik untuk menyelesaikan masalah komputasi dengan menemukan jalur terbaik (solusi terbaik -nilai optimal) melalui grafik .

Page 5: Ant colony Optimization

Kasus Seputar Optimasi1. Menentukan lintasan terpendek

[Traveling Salesman Problem (TSP)]

2. Menentukan jumlah pekerja seminimal mungkin untuk melakukan suatu proses produksi [Quadratic Assignment Problem (QAP)]

3. Mengatur jalur kendaraan umum agar semua lokasi dapat dijangkau.

4. Job-shop Scheduling Problem (JSP)

5. Mengatur routing jaringan kabel telepon. Dll

Page 6: Ant colony Optimization

Sejarah Algoritma Semut

Algoritma semut diperkenalkan oleh Moysondan Manderick dan secara meluas dikembangkan oleh Marco Dorigo. Algoritma ini terinspirasioleh perilaku semut dalam menemukan jalur darikoloninya menuju makanan.

Pada tahun 1996, dunia AI pun ikut belajar dari semut dengan diperkenalkannya algoritma semut, atau Ant Colony Optimization.

Page 15: Ant colony Optimization

Definisi Graf

Graf G = (V, E), yang dalam hal ini:V = himpunan tidak-kosong dari simpul-simpul (vertices) = { v1 , v2 , ... , vn }E = himpunan sisi (edges) yang menghubungkan sepasang simpul = {e1 , e2 , ... , en }

Graf digunakan untuk merepresentasikan objek-objek diskrit dan hubungan antara objek-objek tersebut.

Page 16: Ant colony Optimization

Definisi Graf

G adalah graf denganV = { 1, 2, 3, 4 }E = { (1, 2), (2, 3), (1, 3), (1, 3), (2, 4), (3, 4), (3,4) } = { e1, e2, e3, e4, e5, e6, e7}

Page 18: Ant colony Optimization

Macam-macam Graf Berdasarkan orientasi arah

pada sisi

Graf tak-berarah

(undirected graph)

Graf berarah (directed

graph atau digraph)

Page 20: Ant colony Optimization

Macam-macam Graf

Graf Hamilton

Untuk mencarijumlah sirkuit Hamilton di dalam graf lengkapdengan n simpul adalah: (n - 1)!/2.

Page 22: Ant colony Optimization

Analisis Algoritma Semut….

1. Lingkungan yang digunakan adalah sebuah graf

yang fully connected dan bidirectional.2. Sistem multi agen (mengerahkan seluruh

koloni semut) dan disebar di setiap node secara merata.

3. Agen menggunakan jalur Hamilton.4. Agen (semua semut) mengunjungi semua

node.

SYARAT DAN

KETENTUAN

Page 23: Ant colony Optimization

Tahapan-tahapan algoritma… 1. Setiap semut (ant) memulai turnya melalui sebuah kota yang dipilih secara acak. Secara berulang kali, satu-persatu kota yang ada dikunjungi oleh ants dengan tujuan untuk menghasilkan tur yang lengkap (yaitu mengunjungi masing-masing kota sekali saja).

Page 24: Ant colony Optimization

2. Pemilihan kota-kota yang akan dilalui ant didasarkan pada suatu fungsi probabilitas, dinamai aturan transisi status (state transition rule), dengan mempertimbangkan visibility (invers dari jarak) kota tersebut dan jumlah pheromone yang terdapat pada ruas yang menghubungkan kota tersebut.

Tahapan-tahapan algoritma…

Page 25: Ant colony Optimization

3. Ants lebih suka untuk bergerak menuju ke kota-kota yang dihubungkan dengan ruas yang pendek dan atau memiliki tingkat pheromone yang tinggi [Dorigo danGambardella, 1997].

Tahapan-tahapan algoritma…

Page 26: Ant colony Optimization

4. Setiap kota yang disinggahi oleh ant akan disimpan dalam ingatannya yang disebut dengan tabu list. Dengan mengeksplorasi memori yang dimiliki oleh setiap semut maka setiap semut dapat membangun solusi yang mungkin.

Tahapan-tahapan algoritma…

Page 27: Ant colony Optimization

5. Setelah semua ants menyelesaikan tur mereka dan tabu list mereka menjadi penuh, sebuah aturan pembaruan pheromone global (global pheromone updating rule) dilaksanakan pada setiap semut.

Tahapan-tahapan algoritma…

Penguapan pheromone pada semua ruas dilakukan, dankemudian setiap semut menghitung panjang tur yang telah mereka lakukan lalu menaruh sejumlah pheromone pada ruas-ruas yang merupakan bagian dari tur mereka

Page 28: Ant colony Optimization

Tahapan-tahapan algoritma… Semakin pendek sebuah tur yang dihasilkan oleh seekor semut, jumlah pheromone yang diletakkan pada ruas-ruas yang dilaluinya pun semakin besar. Hal ini menyebabkan ruas-ruas yang diberi pheromone lebih banyak akan lebihdiminati/dipertimbangkan pada tur-tur selanjutnya, dan sebaliknya ruas-ruas yang tidak diberi pheromone menjadi kurang diminati.Jalur terpendek yang ditemukan oleh ants disimpan dan semua tabu list yang ada dikosongkan kembali.

Page 34: Ant colony Optimization

Aplikasi Algoritma semutTravelling Salesman Problem (TSP) adalah suatu masalah yang ditemukan oleh pedagang yang harus bepergian dan singgah di beberapa kota hingga kembali ke kota semula.

Aplikasi TSP diantaranya pada persoalan perencanaan pembangunan, perencanaan produksi, rute pengambilan surat dari kotak pos, rute pengisian uang pada ATM, rute patroli polisi, rute pesawat terbang dsb.

Page 35: Ant colony Optimization

Traveling Salesman Problem

Graf di atas memiliki (4 – 1)!/2 = 3 sirkuit Hamilton yaitu:I1 = (a, b, c, d, a) atau (a, d, c, b, a) ==> panjang= 10 + 12 + 8 + 15 = 45I2 = (a, c, d, b, a) atau (a, b, d, c, a) ==> panjang= 12 + 5 + 9 + 15 = 41I3 = (a, c, b, d, a) atau (a, d, b, c, a) ==> panjang= 10 + 5 + 9 + 8 = 32

Page 36: Ant colony Optimization

Traveling Salesman Problem

Jadi, sirkuit Hamilton terpendek adalah I3 = (a,c,b,d,a)atau(a,d,b,c,a) dengan panjang sirkuit= 10 + 5 + 9 + 8 = 32.

Page 37: Ant colony Optimization

Penyelesaian TSP menggunakanalgoritma semut

Pada simulasi algoritma semut, diperlukan tiga tabel besar (dengan dimensi n x n dimana n adalah banyaknya kota) untuk mencari lintasan optimal. Tabel pertama adalah tabel jarak (distance array),tabel kedua adalah tabel feromon (pheromone array), tabel ketiga adalah tabel delta feromon (delta pheromone array).

Page 40: Ant colony Optimization

Sekian Terima kasih

Page 41: Ant colony Optimization