Lebih lanjut dengan algoritma yang menggunakan proses optimasi local optimum adalah
Algoritma
Kruskal adalah algoritma untuk mencari pohon merentang minimum
secara langsung didasarkan pada algoritma MST (Minimum Spanning Tree)
umum. Pada algoritma Kruskal sisi-sisi di dalam graf diurut terlebih dahulu
berdasarkan bobotnya dari kecil ke besar. Sisi yang dimasukkan ke dalam
himpunan T adalah sisi graf G sedemikian sehingga T adalah pohon. Pada keadaan
awal, sisi-sisi sudah diurut berdasarkan bobot membentuk hutan (forest).
Hutan tersebut dinamakan hutan merentang (spanning forest). Sisi dari
graf G ditambahkan ke T jika tidak membentuk sirkuit di T.
·
Algoritma Dynamic
Programming adalah metode pemecahan masalah dengan cara menguraikan
solusi menjadi sekumpulan langkah (step) atau tahapan (stage) sedemikian hingga
solusi dari persoalan dapat dipandang dari serangkaian keputusan yang saling
berkaitan. Algoritma pemrograman dinamik dapat dibagi kedalam 4 langkah:
1.
Menentukan struktur dari suatu penyelesaian optimal.
2.
Mendefinisikan secara rekursif nilai dari penyelesaian
optimal.
3.
Menghitung nilai dari penyelesaian optimal dengan cara
bottom-up. Langkah1-3 ini merupakan basis dari penyelesaian pemrograman
dinamik. Langkah 4 dapat diabaikan apabila hanya diperlukan sebuah solusi
optimal.
4.
Membentuk suatu penyelesaian optimal dari informasi
yang didapat.
·
Firefly Algorithm Firefly
Algorithm merupakan salah satu dari swarm intelligence tersebut. Firefly
Algorithm adalah sebuah algoritma metaheuristik yang terinspirasi dari perilaku
berkedip kunang-kunang.
Algoritma ini
dikembangkan oleh Dr Xin-She Yang di Universitas Cambridge pada tahun 2007.
Formulasi umum dari algoritma ini disajikan bersama-sama dengan pemodelan
matematika analisis untuk memecahkan masalah dengan tujuan ekuivalen fungsi.
Hasilnya dibandingkan dengan yang diperoleh dengan teknik alternatif yang
diusulkan oleh literatur untuk menunjukkan bahwa ia mampu menghasilkan solusi
optimal baik dan benar (Yang X.S, 2010).
Secara khusus,
meskipun algoritma kunang-kunang memiliki banyak kemiripan dengan algoritma
lain yang didasarkan pada kecerdasan kawanan, seperti yang terkenal Particle
Swarm Optimization (PSO), Artificial Bee Colony optimization (ABC), dan
Algoritma Bacterial Foraging (BFA), memang jauh lebih sederhana baik dalam
konsep dan implementasi. Selanjutnya, algoritma ini sangat efisien dan dapat
mengungguli algoritma konvensional lainnya, seperti algoritma genetika, untuk
memecahkan banyak masalah optimasi.
Dr Xin-She Yang
merumuskan firefly algorithm sebagai berikut (Broersma, H, 2010) :
Ø Semua
kunang-kunang itu unisex, jadi suatu kunang-kunang akan tertarik pada
kunang-kunang yang lain.
Ø Daya tarik
sebanding dengan tingkat kecerahan kunang-kunang, kunang-kunang dengan tingkat
kecerahan lebih rendah akan tertarik dan bergerak ke kunang-kunang dengan
tingkat kecerahan lebih tinggi, kecerahan dapat berkurang seiring dengan
bertambahnya jarak dan adanya penyerapan cahaya akibat faktor udara.
Ø Kecerahan atau
intensitas cahaya kunang-kunang ditentukan oleh nilai fungsi tujuan dari
masalah yang diberikan. Untuk masalah maksimisasi, intensitas cahaya sebanding
dengan nilai fungsi tujuan.
Prosedur
standar untuk menerapkan Firefly Algorithm adalah sebagai berikut :
Ø
Inisialisasi populasi firefly, jumlah
iterasi dan parameter firefly algorithm.
Ø
Evaluasi fungsi fitness pada tiap
firefly.
Ø
Inisialisasi fungsi fitness awal
sebagai penentuan tingkat itensitas cahaya awal.
Ø
Update pergerakan tiap firefly
menggunakan persamaan pergerakan
Ø
Bandingkan tiap calon firefly terbaik
dari nilai fungsi fitness agar mendapatkan nilai firefly terbaik.
Ø
Lakukan sampai batas iterasi atau
sampai mendapatkan firefly dengan fungsi fitness yang cukup baik.
0 Komentar untuk "Algoritma Dengan Local Optimum II (lanjutan)"