Kombinasi Firefly Algorithm-Tabu Search untuk Penyelesaian Traveling Salesman Problem

IF 0.5 Q4 COMPUTER SCIENCE, THEORY & METHODS JOURNAL OF INTERCONNECTION NETWORKS Pub Date : 2017-07-01 DOI:10.15575/join.v2i1.63

Riyan naufal Hay’s

{"title":"Kombinasi Firefly Algorithm-Tabu Search untuk Penyelesaian Traveling Salesman Problem","authors":"Riyan naufal Hay’s","doi":"10.15575/join.v2i1.63","DOIUrl":null,"url":null,"abstract":"Traveling Salesman Problem (TSP) adalah masalah optimasi kombinatorial klasik dan memiliki peran dalam perencanaan, penjadwalan, dan pencarian pada bidang rekayasa dan pengetahuan (Dong, 2012). TSP juga merupakan objek yang baik untuk menguji kinerja metode optimasi, beberapa metode seperti Cooperative Genetic Ant System (CGAS) (Dong, 2012), Parallelized Genetic Ant Colony System (PGAS) Particle Swarm Optimization and Ant Colony Optimization Algorithms (PSO–ACO) (Elloumi, 2014), dan Ant Colony Hyper-Heuristics (ACO HH) (Aziz, 2015) telah dikembangkan untuk memecahkan TSP. Sehingga, pada penelitian ini diimplementasikan kombinasi metode baru untuk meningkatkan akurasi penyelesaian TSP. Firefly Algorithm (FA) merupakan salah satu algoritma yang dapat digunakan untuk memecahkan masalah optimasi kombinatorial (Layeb, 2014). FA merupakan algoritma yang berpotensi kuat dalam memecahkan kasus optimasi dibanding algoritma yang ada termasuk Particle Swarm Optimization (Yang, 2010). Namun, FA memiliki kekurangan dalam memecahkan masalah optimasi dengan skala besar (Baykasoglu dan Ozsoy, 2014). Tabu Search (TS) merupakan metode optimasi yang terbukti efektif untuk memecahkan masalah optimasi dengan skala besar (Pedro, 2013). Pada penelitian ini, TS akan diterapkan pada FA (FATS) untuk memecahkan kasus TSP. Hasil FATS akan dibandingkan terhadap penelitian sebelumnya yaitu ACOHH. Perbandingan hasil menunjukan peningkatan akurasi sebesar 0.89% pada dataset Oliver30, 0.14% dataset Eil51, 3.81% dataset Eil76 dan 1.27% dataset KroA100.","PeriodicalId":53990,"journal":{"name":"JOURNAL OF INTERCONNECTION NETWORKS","volume":"16 1","pages":"42-48"},"PeriodicalIF":0.5000,"publicationDate":"2017-07-01","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":"2","resultStr":null,"platform":"Semanticscholar","paperid":null,"PeriodicalName":"JOURNAL OF INTERCONNECTION NETWORKS","FirstCategoryId":"1085","ListUrlMain":"https://doi.org/10.15575/join.v2i1.63","RegionNum":0,"RegionCategory":null,"ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":null,"EPubDate":"","PubModel":"","JCR":"Q4","JCRName":"COMPUTER SCIENCE, THEORY & METHODS","Score":null,"Total":0}

引用次数: 2

Abstract

Traveling Salesman Problem (TSP) adalah masalah optimasi kombinatorial klasik dan memiliki peran dalam perencanaan, penjadwalan, dan pencarian pada bidang rekayasa dan pengetahuan (Dong, 2012). TSP juga merupakan objek yang baik untuk menguji kinerja metode optimasi, beberapa metode seperti Cooperative Genetic Ant System (CGAS) (Dong, 2012), Parallelized Genetic Ant Colony System (PGAS) Particle Swarm Optimization and Ant Colony Optimization Algorithms (PSO–ACO) (Elloumi, 2014), dan Ant Colony Hyper-Heuristics (ACO HH) (Aziz, 2015) telah dikembangkan untuk memecahkan TSP. Sehingga, pada penelitian ini diimplementasikan kombinasi metode baru untuk meningkatkan akurasi penyelesaian TSP. Firefly Algorithm (FA) merupakan salah satu algoritma yang dapat digunakan untuk memecahkan masalah optimasi kombinatorial (Layeb, 2014). FA merupakan algoritma yang berpotensi kuat dalam memecahkan kasus optimasi dibanding algoritma yang ada termasuk Particle Swarm Optimization (Yang, 2010). Namun, FA memiliki kekurangan dalam memecahkan masalah optimasi dengan skala besar (Baykasoglu dan Ozsoy, 2014). Tabu Search (TS) merupakan metode optimasi yang terbukti efektif untuk memecahkan masalah optimasi dengan skala besar (Pedro, 2013). Pada penelitian ini, TS akan diterapkan pada FA (FATS) untuk memecahkan kasus TSP. Hasil FATS akan dibandingkan terhadap penelitian sebelumnya yaitu ACOHH. Perbandingan hasil menunjukan peningkatan akurasi sebesar 0.89% pada dataset Oliver30, 0.14% dataset Eil51, 3.81% dataset Eil76 dan 1.27% dataset KroA100.

查看原文

微信好友朋友圈 QQ好友复制链接

本刊更多论文

旅行问题销售员(TSP)是典型的组合优化问题，在计划、调度和工程与知识的探索中发挥作用(Dong, 2012)。TSP也是测试性能优化方法的好对象,一些方法,比如合作基因蚂蚁系统(CGAS)(东,2012),Parallelized基因蚂蚁殖民地系统(PGAS)粒子蜂群Optimization和蚂蚁殖民地Optimization (PSO算法(阿科)(Elloumi, 2014)、蚂蚁殖民地Hyper-Heuristics(阿科为整数)(阿齐兹,2015)已经发展解决TSP。因此，本研究采用了一种新的组合方法，以提高TSP的结算准确率。萤火虫算法(FA)是可以用来解决组合优化问题的算法之一(Layeb, 2014)。FA是优化率的有效算法，比现有的粒子奖励优化算法(2010年)更有效。然而，FA在大幅度解决优化问题方面存在一个缺陷(Baykasoglu和Ozsoy, 2014)。禁忌搜索(TS)是一种优化方法，被证明是解决大规模优化问题的有效方法(佩德罗，2013)。在这项研究中，TS将应用于FA (FATS)解决TSP案件。FATS的结果将与他之前的研究ACOHH相比。结果比较显示，橄榄核数据集30、0.14%的数据集、3.81%的数据集Eil51、3.81%的数据集Eil76和1.27%的数据集KroA100的准确性增加了0.89%。

本文章由计算机程序翻译，如有差异，请以英文原文为准。

求助全文

约1分钟内获得全文去求助

来源期刊

JOURNAL OF INTERCONNECTION NETWORKS COMPUTER SCIENCE, THEORY & METHODS-

自引率

14.30%

发文量

121

期刊介绍： The Journal of Interconnection Networks (JOIN) is an international scientific journal dedicated to advancing the state-of-the-art of interconnection networks. The journal addresses all aspects of interconnection networks including their theory, analysis, design, implementation and application, and corresponding issues of communication, computing and function arising from (or applied to) a variety of multifaceted networks. Interconnection problems occur at different levels in the hardware and software design of communicating entities in integrated circuits, multiprocessors, multicomputers, and communication networks as diverse as telephone systems, cable network systems, computer networks, mobile communication networks, satellite network systems, the Internet and biological systems.

期刊最新文献

On the Local Metric Dimension of Graphs Bounds of Two Toughnesses and Binding Numbers for Star Factors Some Existence Theorems on Star Factors Krill Herd and Feed Forward Optimization System-Based Routing Protocol for IoT-MANET Environment Embedding Knödel Graph into Cube-like Architectures: Dilation Optimization and Wirelength Analysis