Algoritma Lebah (ABC) Bee Colony Java - Contoh Program

7/28/2017 Algoritma Lebah (ABC) Bee Colony Java | Contoh Program
CARI TUTORIAL + SOURCE CODE

Contoh Program Source Code/
Algoritma Lebah (ABC) Penelusuran Khusus
Bee Colony Java
4
Suka
GIVE YOUR SUPPORT

Algoritma Lebah (ABC) Bee Colony Java
Suka 6,1 rb orang menyukai ini. Jadilah yang
pertama di antara teman-teman Anda.
Algoritma Koloni Lebah ( ABC )

ARTIKEL TERKAIT
Dalam ilmu komputer dan riset operasi, algoritma koloni lebah (ABC)
adalah sebuah algoritma optimasi berdasarkan pada perilaku cerdas
Deteksi Wajah Viola Jones Java
segerombolanlebah madu dalam mencari makan , Algoritma Koloni lebah
ini diusulkan oleh Karaboga pada tahun 2005.Arti cial Bee Colony Algoritma Lebah (ABC) Bee
termasuk jenis metaheuristik. Colony Java
Particle Swarm Optimization

Dalam model Algoritma Lebah (ABC) Bee Colony Java, koloni terdiri dari (PSO) Java
tiga kelompok lebah: lebah bekerja , penonton dan pengintai
Algoritma Fire y FA Java C++ VB
(scout) . Hal ini diasumsikan bahwa hanya ada satu lebah yang bekerja
buatan untuk setiap sumber makanan. Dengan kata lain, jumlah lebah Metode Monte Carlo Matlab
yang bekerja di koloni adalah sama dengan jumlah sumber makanan di Java C++
sekitar sarang. Lebah dipekerjakan pergi ke sumber makanan mereka dan
Independent Component
kembali ke sarang dan menari di daerah ini. Lebah bekerja yang sumber Analysis (ICA)
makanan telah ditinggalkan menjadi pengintai dan mulai mencari untuk
Algoritma CART (Classi cation
menemukan sumber makanan baru. Penonton menyaksikan tarian lebah
And Regression Trees)
yang bekerja dan memilih sumber makanan tergantung pada tarian.
Langkah-langkah utama dari algoritma yang diberikan di bawah: K-Nearest Neighbors (KNN) Java
C++
Sumber makanan awal diproduksi untuk semua lebah dipekerjakan Algoritma Pagerank Java C++
Python
ULANGI
Support Vector Machine (SVM)
Java
Setiap lebah bekerja pergi ke sumber makanan .
dalam memori dan menentukan sumber tetangga,

kemudian mengevaluasi jumlah nektar dan tarian di
dalam sarang
http://www.metode-algoritma.com/2016/01/artificial-bee-colony-abc-java.html 1/17
Setiap penonton menyaksikan tarian lebah yang

bekerja dan memilih salah satu dari sumber mereka
tergantung pada tarian, dan kemudian pergi ke
sumber itu. Setelah memilih tetangga sekitar itu, dia
mengevaluasi jumlah nektar nya.
Sumber makanan ditinggalkan bertekad dan diganti

dengan sumber makanan baru yang ditemukan
oleh pengintai.
LIST TUTORIAL
Sumber makanan terbaik yang ditemukan sejauh
terdaftar. ACO
Adaboost
4
Adaptive Resonance Theory
SAMPAI (persyaratan dipenuhi) Suka
Advanced Encryption Standard

Dalam Algoritma Koloni Lebah ABC, algoritma berbasis populasi , posisi
AES
sumber makanan merupakan solusi yang mungkin untuk masalah
optimasi dan jumlah nektar dari sumber makanan sesuai dengan kualitas Agglomerative Clustering
( tness ) dari solusi terkait. Jumlah lebah dipekerjakan sama dengan
AHP
jumlah solusi dalam populasi . Pada langkah pertama, populasi awal
secara acak ( posisi sumber makanan ) yang dihasilkan. Setelah Analytical Hierarchy Process
inisialisasi, penduduk dikenakan untuk mengulang siklus dari proses
ANFIS
pencarian dari bekerja, penonton, dan lebah pengintai, masing-masing.
Lebah bekerja menghasilkan modi kasi pada posisi sumber dalam ANN
ingatannya dan menemukan posisi sumber makanan baru.
Annealing
Asalkan jumlah nektar yang baru adalah lebih tinggi dari sumber Ant Colony Optimization
sebelumnya, lebah menghafal posisi sumber baru dan melupakan yang
Aplikasi n-Tier
lama. Jika tidak dia terus posisi satu dalam ingatannya. Setelah semua
lebah bekerja menyelesaikan proses pencarian, mereka berbagi informasi Apriori
posisi sumber dengan penonton di tarian daerah. Setiap penonton
ARIMA (Box-Jenkins)
mengevaluasi informasi nektar yang diambil dari semua lebah bekerja
dan kemudian memilih sumber makanan tergantung pada jumlah nektar Aritmetika Modulo
dari sumber. Seperti dalam kasus lebah bekerja, dia menghasilkan
modi kasi pada posisi sumber dalam memori dan memeriksa jumlah ART
nektar nya. Menyediakan bahwa nektar adalah lebih tinggi dari yang Arti cial Bee Colony (ABC)
sebelumnya, lebah menghafal posisi baru dan melupakan yang lama.
Sumber ditinggalkan ditentukan dan sumber-sumber baru yang Arti cial Neural Network
diproduksi secara acak untuk diganti dengan yang ditinggalkan oleh B-Tree
arti cial lebah pengintai.
Backpropagation
Lebah pekerja akan mencari makanan di sekitar sumber makanan Bacterial foraging optimization
dalam memori mereka; Sementara mereka berbagi informasi dari sumber algorithm (BFOA)
makanan ini untuk lebah penonton . Lebah penonton cenderung
Bayesian Network
memilih sumber makanan yang baik dari yang ditemukan oleh lebah
pekerja. Sumber makanan yang memiliki kualitas yang lebih tinggi Bi-Polar Slope One
( kebugaran ) akan memiliki kesempatan besar untuk dipilih oleh lebah
Biometrik
penonton dari yang berkualitas rendah. Lebah pengintai dijabarkan dari
lebah yang bekerja beberapa, yang meninggalkan sumber makanan Bit-Plane Complexity
mereka dan mencari yang baru.
HOME JASA PROGRAMMER HARGA ORDER ABOUT
HOME JASA PROGRAMMER HARGA ORDER ABOUT
Blind signature
Dalam Algoritma Koloni Lebah ABC, semester
pertama
TUTORIAL segerombolan
terdiri dari lebah yang bekerja, dan babak kedua merupakan lebah Blow sh
penonton. BPCS
Jumlah lebah dipekerjakan atau lebah penonton adalah sama dengan Breadth-First Search ( BFS )
jumlah solusi dalam swarm . ABC menghasilkan populasi awal secara Brute Force
acak dari solusi SN (sumber makanan), di mana menunjukkan ukuran
kawanan. Buble Sort
Burrows Wheeler
mewakili solusi dalam swarm, Dimana Transformation
adalah ukurandimensi. Setiap lebah bekerja menghasilkan solusi
BWT
calon baru di lingkungan posisinyahadir sebagai persamaan di bawah:
C-Means
C4.5

Algoritma Lebah (ABC) Bee Colony Java Caesar 4
Suka
CART (Classi cation And

Dimana adalah solusi kandidat yang dipilih secara acak( ), adalah Regression Trees)
indeks dimensi acakdipilih dari himpunan , dan adalah
Case Based Reasoning
nomor acak dalam . Setelah solusi calon baru dihasilkan, pilihan
serakah digunakan. Jika nilai tness dari adalah lebih baikdari induknya CBR

, kemudian memperbarui dengan ; dinyatakan tetap
Certainty Factor (CF)
berubah.Setelahsemua lebah bekerja menyelesaikan proses pencarian;
mereka berbagiinformasi dari sumber makanan mereka dengan lebah Cipher
penonton melalui tarian mengibas. Lebah penonton mengevaluasi
Cipher Block Chaining (CBC)
informasi nektar yang diambil dari semua lebah bekerja dan memilih
sumber makanan dengan probabilitas yang terkait dengan jumlah nektar CISM
nya. Temukan probabilistik ini benar-benar mekanisme seleksi roda
Clonal Selection
roulette yang digambarkan sebagai persamaan di bawah:
CLONALG
Clustering
COBIT
Conjugate Gradient
Dimana adalah nilai tness dari solusi dalam swarm. Seperti yang CRC
terlihat, semakin baiksolusi saya, semakin tinggi probabilitas makanan
yang dipilih. Jika posisi tidak dapat ditingkatkan selama beberapa standar Cyclic Redundancy Code
(disebut limit) siklus, maka sumber makanan ditinggalkan. Asumsikan Data Encryption Standard ( DES )
bahwa sumber ditinggalkan adalah ,dan kemudian lebah pengintai
menemukan sumbermakanan baru yang akan diganti dengan sebagai Data Mining
persamaan di bawah: DCPChiper
Delta Rule
Deteksi Mata
Deteksi Wajah
Dimana adalah nomor acak dalam didasarkan pada
distribusi normal dan , lebih rendahdan batas atas dari saya Digital Signal Processing (DSP)
dimensi, masing-masing.
Digital Signature
Dijkstra
Discrete Cosine Transform (DCT)

Dalam decade terakhir kecerdasan swarm sudah menjadi minat penelitian

Discrete Wavelet Transform
oleh banyak ilmuan dari bermacam bidang. Bonabeau mende nisikan
kecerdasan swarm sbg upaya untuk merancang algoritma / perangkat Djikstra
pemecahan masalah terdistribusi yg terinspirasi oleh perilaku kolektif dari
DTW
koloni serangga social & kumpulan hewan lain. tapi, istilah swarm dipakai
secra umum untuk mengacu pada kumpulan terbatas dari setiap interaksi Dynamic Source Routing
agenDalam decade terakhir kecerdasan swarm telah menjadi minat
ECDSA
penelitian oleh banyak ilmuan dari berbagai bidang. Bonabeau telah
mende nisikan kecerdasan swarm sebagai upaya untuk merancang Eigenface
algoritma / perangkat pemecahan masalah terdistribusi yg terinspirasi
Elgamal
oleh perilaku kolektif dari koloni serangga social & kumpulan hewan lain.
Namun, istilah swarm digunakan secra umum untuk mengacu pada Elliptic Curve Cryptography
kumpulan terbatas dari setiap interaksi agen / individu. Salah satu contoh (ECC)
dari swarm adl kawanan lebah yg mengerubungi sarang mereka.
Enkripsi Dekripsi
Untuk saat ini, telah dikembangkan suatu metode berdasarkankecerdasan Enterprise Resource Planning
buatan yaitu ABC (Arti cial Bee Colony) & beberapa aplikasi yg 4
ERP
menggunakan metode ini. Haiyan Quan & Xinling Shi mendiskusikan Suka
berbagai macam permasalahan ABC. Perbaikan dlm ABC disarankan dng Euclid
menganalisis beberapa fungsi oleh haiyan Quan & Xinling Shi. Sebuah
Expectation Maximization
paper dari Li-Pei, Wong Malcolm Yoke Hean Low & Chin Soon Chong
melakukan penelitian terhadap suatu kegiatan menggunakan pendekatan Extendible Hashing
Algoritma Koloni LebahABC dng menyelesaikan suatu permasalahan
Face Detection
perjalanan seorang sales berdasarkan pada analisis algoritma Bee Colony.
Pengembangan suatu desain lter IIR (In nite Input Respon) oleh Nurhan Face Extractor
Karaboga, dng algoritma Bee Colony menjadi dasar pada pengembangan
Face Recognition
performansi dari lter IIR agar lebih optimal.
Facebook
ABC merupakan kecerdasan buatan yg menirukan koloni lebah dlm
Fast Data Encipherment ( FEAL )
mencari sumber nektahr (sari bunga). Kemampuan koloni lebah dlm
menentukan sumber makanan terbagi menjadi tiga kelompok yaitu lebah FCFS
pekerja, lebah penjelajah & lebah pengintai. lebah-lebah ini melakukan
FCM
suatu fungsi untuk menentukan letak & besar suatu sumber nectar
kemudian mengingat & membandingkan dng sumber lain. Pada akhir Filterbank
fungsi dipilih suatu lokasi dng sumber nectar yg paling optimal.individu.
Fire y FA
Salah satu contoh dari swarm adl kawanan lebah yg mengerubungi sarang
mereka. First Come First Server
Fisherface
Untuk saat ini, sudah dikembangkan suatu metode
berdasarkankecerdasan buatan yaitu ABC (Arti cial Bee Colony) & Floyd Warshall
beberapa aplikasi yg menggunakan metode ini. Haiyan Quan & Xinling Shi
mendiskusikan bermacam macam permasalahan ABC. Perbaikan dlm ABC Forecasting
disarankan dng menganalisis beberapa fungsi oleh haiyan Quan & Xinling Forward Chaining
Shi. Sebuah paper dari Li-Pei, Wong Malcolm Yoke Hean Low & Chin Soon
Chong melakukan penelitian terhadap suatu kegiatan menggunakan FP-Growth
pendekatan Algoritma Koloni Lebah ABC dng menyelesaikan suatu Fuzzy

permasalahan perjalanan seorang sales berdasarkan pada analisis
algoritma Bee Colony. Pengembangan suatu desain lter IIR (In nite Input Fuzzy ART
Respon) oleh Nurhan Karaboga, dng algoritma Bee Colony menjadi dasar
Fuzzy C-Means
pada pengembangan performansi dari lter IIR agar lebih optimal.
Gauss-Jordan
Algoritma Koloni Lebah ABC merupakan kecerdasan buatan yg menirukan
Gaussian
koloni lebah dlm mencari sumber nektahr (sari bunga). Kemampuan
koloni lebah dlm menentukan sumber makanan terbagi menjadi tiga Generate & Test
kelompok yaitu lebah pekerja, lebah penjelajah & lebah pengintai. lebah- Genetika
lebah ini melakukan suatu fungsi untuk menentukan letak & besar suatu
Graph Coloring
sumber nectar kemudian mengingat & membandingkan dng sumber lain.
Pada akhir fungsi dipilih suatu lokasi dng sumber nectar yg paling optimal. greedy
Green Computing
CONTOH PROGRAM Guaranteed Scheduling (GS)
Berikut ini adalah contoh program implementasi Algoritma Koloni Lebah Haar Cascade Classi er
/Arti cial Bee Colony (ABC) dengan menggunakan bahasa pemrogrman
Hash
Java.
Hash Satu Arah
Hidden Markov Model (HMM)
Source Code Java Histogram Equalization
Hopcroft Tarjan Planarity

1. import java.util.ArrayList;
4
2. import java.util.Random; HopcroftKarp Suka
3. import java.util.Collections;
Hop eld
4.
Hu man
5. public class ArtificialBeeColony {
6. Hybrid
7. /* parameter ABC */ ID3 (Iterative Dichotomiser 3)

8.
Identity Based Encryption
9. public int MAX_LENGTH; /* Jumlah parameter
dari masalah yang akan dioptimalkan */ image processing
10. public int NP; /* Jumlah
Implementasi
ukuran total lebah / koloni. penonton + dipekerjakan */
11. public int FOOD_NUMBER; /* Jumlah sumber makanan sama Independent Component
dengan setengah dari ukuran koloni */ Analysis (ICA)
12. public int LIMIT; /* Sumber makanan Iris Recognition

yang tidak dapat ditingkatkan melalui "batas" percobaan */
IS Strategic Planning
13. public int MAX_EPOCH; /* Jumlah siklus
untuk mencari makan {kriteria berhenti} */
Jaringan Syaraf Tiruan (JST)
14. public int MIN_SHUFFLE;
Josephus Problem
15. public int MAX_SHUFFLE;
16. JST
17. public Random rand; K-means

18. public ArrayList<Honey> foodSources;
K-Nearest Neighbors (KNN)
19. public ArrayList<Honey> solutions;
KASUMI
20. public Honey gBest;
21. public int epoch; knowledge management
22.
Kohonen
23. /* Instantiates algoritma Koloni lebah Buatan Bersama
DENGAN parameter. */ kriptogra
24. public ArtificialBeeColony(int n) { Kruskal

25. MAX_LENGTH = n;
Latent Semantic Indexing
26. NP = 40; //
Ukuran pop 20 sampai 40 atau bahkan 100 Least Signi cant Bit (LSB)
27. FOOD_NUMBER = NP/2;
Linear Programming
28. LIMIT = 50;
29. MAX_EPOCH = 1000; Linked List

30. MIN_SHUFFLE = 8;
Logika Fuzzy
31. MAX_SHUFFLE = 20;
LOKI
32. gBest = null;
33. epoch = 0; LOOK
34. } Low Bit Coding

35.
LSB
36. /* Mulai algoritma optimasi segerombolan partikel
pemecahan untuk n ratu. */ LSI
37. public boolean algorithm() {
Mac
38. foodSources = new ArrayList<Honey>();
Maksimum Likelihood
39. solutions = new ArrayList<Honey>();
40. rand = new Random(); Mamdani
41. boolean done = false; MANET

4
42. epoch = 0;
MDF Suka
43.
44. initialize(); Mel-frequency Cepstrum

Coe cients (MFCC)
45. memorizeBestFoodSource();
Metode Fisherface
46.
47. while(!done) { Metode Gra k
48. if(epoch < MAX_EPOCH) {

metode LSB
49. if(gBest.getConflicts() == 0) {
Metode Mamdani
50. done = true;
51. } Metode Secant
52. sendEmployedBees(); MFCC

53. getFitness();
Minimax
54. calculateProbabilities();
Minimum Spanning Tree
55. sendOnlookerBees();
56. memorizeBestFoodSource(); mobile
57. sendScoutBees(); Mobile Ad hoc Network

58.
Modi ed Direction Feature
59. epoch++;
60. // di sini hanya untuk menunjukkan status Monte Carlo

runtime.
MTVRP
61. System.out.println("Epoch: " + epoch);
Naive Bayes
62. } else {
63. done = true; Naive Bayes Classi er
64. } negascout
65.
Neural Network
66. }
67. Newton Raphson
68. if(epoch == MAX_EPOCH) { One Way Hash

69. System.out.println("Tidak ada solusi
Online Learning
ditemukan");
70. done = false; Open Shortest Path First
71. } Open System Interconnection
72. Optimasi
73. System.out.println("Selesai.");
OS X
74. System.out.println("Komplet " + epoch + " epochs.");
75.
OSI
76. for(Honey h: foodSources) { OSPF

77. if(h.getConflicts() == 0) {
Otsu
78. System.out.println("SOLUTION");
Pagerank
79. solutions.add(h);
80. printSolution(h); Parity Coding
81. Particle Swarm Optimization

System.out.println("conflicts:"+h.getConflicts()); (PSO)
82. }
Pattern Recognition
83. }
PCA
84.
85. return done; Pemrograman Linear 4

Suka
86. } Pencarian Akar
87.
Pencarian Jalur Terpendek
88. /* Mengirimkan lebah pekerja untuk mengoptimalkan solusi
*/ Pencarian Linear
89. public void sendEmployedBees() {
Pencocokan Sidik Jari
90. int neighborBeeIndex = 0;
Pengenalan Iris Mata
91. Honey currentBee = null;
92. Honey neighborBee = null; Pengenalan Objeck
93. Pengenalan Pola

94. for(int i = 0; i < FOOD_NUMBER; i++) {
Pengenalan Suara
95. // Sebuah solusi yang dipilih secara acak
digunakan Pengenalan Ucapan
96. // dalam memproduksi solusi mutan dari solusi i
Pengenalan Wajah
97. // neighbor = getRandomNumber (0, Food_Number-1);
Pengolahan Citra
98. neighborBeeIndex =
getExclusiveRandomNumber(FOOD_NUMBER-1, i);
Pengolahan Citra Digital
99. currentBee = foodSources.get(i);
Pengukuran Garis-Garis Telapak
100. neighborBee = foodSources.get(neighborBeeIndex); Tangan
101. sendToWork(currentBee, neighborBee);
Penjadwalan
102. }
Penjadwalan CPU
103. }
104. Peramalan
105. /* Mengirim lebah penonton untuk mengoptimalkan solusi.
Perataan Histogram
106. * Lebah penonton bekerja pada solusi terbaik dari lebah
yang digunakan. Perceptron
107. * solusi terbaik memiliki probabilitas tinggi pilihan. Persamaan Linier

*/
108. public void sendOnlookerBees() {

Pewarnaan Graf
109. int i = 0; Pewarnaan Simpul Graph

110. int t = 0;
Pohon Hu man
111. int neighborBeeIndex = 0;
Prim
Principal Component Analisys
113. Honey neighborBee = null;

Quantum
114.
Random Waypoint
115. while(t < FOOD_NUMBER) {
116. currentBee = foodSources.get(i); RC4

117. if(rand.nextDouble() <
RC6
currentBee.getSelectionProbability()) {
118. t++; real time tracking
119. neighborBeeIndex = Recognition

getExclusiveRandomNumber(FOOD_NUMBER-1, i);
120. neighborBee =
Recurrent Neural Network
foodSources.get(neighborBeeIndex);
Recursive Best First Search
121. sendToWork(currentBee, neighborBee); (RBFS)
122. }
Recursive Large First
123. i++;
Recursive Largest First
124. if(i == FOOD_NUMBER) {
4
125. i = 0; Region of Interest (ROI)
Suka
126. } Rijndael
127. }
Risk Management
128. }
RLF
129.
130. /* Optimalisasi bagian dari algoritma. meningkatkan RMSE

lebah saat ini
RNN
131. * dengan memilih tetangga lebah acak. perubahan adalah
nomor Root Mean square Error
132. * secara acak kali untuk mencoba dan meningkatkan solusi
RSA
saat. */
133. public void sendToWork(Honey currentBee, Honey RWP

neighborBee) {
SAFER
134. int newValue = 0;
135. int tempValue = 0; Secant
136. int tempIndex = 0; Secret Sharing Scheme

137. int prevConflicts = 0;
Secure And Fast Encryption
138. int currConflicts = 0; Routine (SAFER)
139. int parameterToChange = 0;
Self Organizing Map (SOM)
140.
Semut
141. // dapatkan jumlah konflik
142. prevConflicts = currentBee.getConflicts(); SHA (Secure Hash Algorithm)
143. SHA-256
144. // Parameter yang akan diubah ditentukan secara acak
Sidik Jari
145. parameterToChange = getRandomNumber(0, MAX_LENGTH-1);
Simulated Annealing
146.
147. /* v_{ij}=x_{ij}+\phi_{ij}*(x_{kj}-x_{ij}) SISP

148. * solution[param2change]=Foods[i][param2change]+
Sistem Biometrika
(Foods[i]
149. * [param2change]-Foods[neighbour][param2change])*(r- Sistem Veri kasi Biometrik

0.5)*2;
Slope One
150. */
151. tempValue = currentBee.getNectar(parameterToChange); Slope One predictors
152. newValue = (int)(tempValue+(tempValue - sorting

neighborBee.getNectar(parameterToChange))*
(rand.nextDouble()-0.5)*2); Source Code
153.
Spanning Tree
154. // perangkap nilai dalam batas terikat dan batas
bawah atas Speech
155. if(newValue < 0) {

Speech Recognition
156. newValue = 0;
Steganogra
157. }
158. if(newValue > MAX_LENGTH-1) { Steganography
159. newValue = MAX_LENGTH-1; Stream Cipher

160. }
Support Vector Machine (SVM)
161.
Tabu Search
162. // mendapatkan indeks dari nilai baru
163. tempIndex = currentBee.getIndex(newValue); Tanda Tangan Digital

4
164. Technopreneurship Suka
165. // swap
Teorema Bayes
166. currentBee.setNectar(parameterToChange, newValue);
167. currentBee.setNectar(tempIndex, tempValue); Thresholding
168. currentBee.computeConflicts(); Transformasi Burrows Wheeler

169. currConflicts = currentBee.getConflicts();
Transformasi Fourier
170.
Transformasi Wavelet Diskrit
171. // proses seleksi greedy
172. if(prevConflicts < currConflicts) { Transformasi Wavelet Kontinu

// tidak ada perbaikan
Traveling Salesman Problem
173. currentBee.setNectar(parameterToChange,
tempValue); Travelling Salesman (TSP)
174. currentBee.setNectar(tempIndex, newValue);
Travelling Salesman problem
175. currentBee.computeConflicts();
TSP
176. currentBee.setTrials(currentBee.getTrials() + 1);
177. } else { Tsukamoto

// ada perbaikan
Two sh
178. currentBee.setTrials(0);
179. } Vernam Cipher
180. Video Encryption Algorithm

(VEA)
181. }
182. Video Watermarking

183. /* Menemukan sumber makanan yang telah ditinggalkan /
Vigenere Cipher
mencapai batas.
184. * Lebah pengintai akan menghasilkan solusi benar-benar Viola Jones

acak
Voice Recognition
185. * dari yang sudah ada dan juga akan mengatur ulang uji
coba kembali ke nol. Watermarking
186. */
WDM
187. public void sendScoutBees() {
Web Service
189. int shuffles = 0; Weighted Slope One
190. Welch dan Powell
191. for(int i =0; i < FOOD_NUMBER; i++) { Welsh Powell

192. currentBee = foodSources.get(i);
WMS
193. if(currentBee.getTrials() >= LIMIT) {
194. shuffles = getRandomNumber(MIN_SHUFFLE,

.
MAX_SHUFFLE);
195. for(int j = 0; j < shuffles; j++) {
196. randomlyArrange(i);
197. }
198. currentBee.computeConflicts();
199. currentBee.setTrials(0);
200.
201. }
202. }
203. }
204. 4
Suka
205. /* Menetapkan kebugaran setiap solusi berdasarkan
konflik
206. */
207. public void getFitness() {
208. // kesalahan terendah = 100%, kesalahan tertinggi =

0%
209. Honey thisFood = null;
210. double bestScore = 0.0;
211. double worstScore = 0.0;
212.
213. // Nilai terburuk akan menjadi satu dengan energi

tertinggi, terbaik akan terendah.
214. worstScore =
Collections.max(foodSources).getConflicts();
215.
216. // Mengkonversi ke persentase.
217. bestScore = worstScore -

Collections.min(foodSources).getConflicts();
218.
220. thisFood = foodSources.get(i);
221. thisFood.setFitness((worstScore -
thisFood.getConflicts()) * 100.0 / bestScore);
222. }
223. }
224.
225. /* Menetapkan probabilitas pemilihan masing-masing

solusi.
226. * semakin tinggi kebugaran semakin besar probabilitas
227. */
228. public void calculateProbabilities() {
229. Honey thisFood = null;
230. double maxfit = foodSources.get(0).getFitness();
231.
233. thisFood = foodSources.get(i);
234. if(thisFood.getFitness() > maxfit) {
235. maxfit = thisFood.getFitness();
236. }
237. }
238.
239. for(int j = 0; j < FOOD_NUMBER; j++) {
240. thisFood = foodSources.get(j);
241. thisFood.setSelectionProbability((0.9*
(thisFood.getFitness()/maxfit))+0.1);
242. }
243. }
244. 4
Suka
245. /* Menginisialisasi semua penempatan solusi 'ratu dalam
posisi acak.
246. */
247. public void initialize() {
248. int newFoodIndex = 0;
249. int shuffles = 0;
250.
252. Honey newHoney = new Honey(MAX_LENGTH);
253.
254. foodSources.add(newHoney);
255. newFoodIndex = foodSources.indexOf(newHoney);
256.
257. shuffles = getRandomNumber(MIN_SHUFFLE,

MAX_SHUFFLE);
258.
259. for(int j = 0; j < shuffles; j++) {
260. randomlyArrange(newFoodIndex);
261. }
262.
263. foodSources.get(newFoodIndex).computeConflicts();
264. } // i
265. }
266.
267. /* Mendapat nomor acak di kisaran parameter
268. */
269. public int getRandomNumber(int low, int high) {
270. return (int)Math.round((high - low) *

rand.nextDouble() + low);
271. }
272.
273. /* Mendapat nomor acak dengan pengecualian parameter
274. */
275. public int getExclusiveRandomNumber(int high, int except)

{
276. boolean done = false;
277. int getRand = 0;
278.
279. while(!done) {
280. getRand = rand.nextInt(high);
281. if(getRand != except){
282. done = true;
283. }
284. }
285.
286. return getRand;
287. } 4
Suka
288.
289. /* Perubahan posisi dari ratu di sebuah partikel dengan

menukar posisi yang dipilih secara acak
290. */
291. public void randomlyArrange(int index) {
292. int positionA = getRandomNumber(0, MAX_LENGTH - 1);
293. int positionB = getExclusiveRandomNumber(MAX_LENGTH -

1, positionA);
294. Honey thisHoney = foodSources.get(index);
295. int temp = thisHoney.getNectar(positionA);
296. thisHoney.setNectar(positionA,
thisHoney.getNectar(positionB));
297. thisHoney.setNectar(positionB, temp);
298. }
299.
300. /* Menghafal solusi terbaik
301. */
302. public void memorizeBestFoodSource() {
303. gBest = Collections.min(foodSources);
304. }
305.
306. /* Mencetak papan nxn dengan ratu
307. */
308. public void printSolution(Honey solution) {
309. String board[][] = new String[MAX_LENGTH]

[MAX_LENGTH];
310.
311. // Bersihkan papan.
312. for(int x = 0; x < MAX_LENGTH; x++) {
313. for(int y = 0; y < MAX_LENGTH; y++) {
314. board[x][y] = "";
315. }
316. }
317.
319. board[x][solution.getNectar(x)] = "Q";
320. }
321.
322. // tampilkan papan.
323. System.out.println("Board:");
324. for(int y = 0; y < MAX_LENGTH; y++) {
326. if(board[x][y] == "Q") {
327. System.out.print("Q ");
328. } else {
329. System.out.print(". ");

4
330. } Suka
331. }
332. System.out.print("\n");
333. }
334. }
335.
336. /*Dapatkan solusi
337. */
338. public ArrayList<Honey> getSolutions() {
339. return solutions;
340. }
341.
342. /* dapatkan nilai epoch
343. */
344. public int getEpoch() {
345. return epoch;
346. }
347.
348. /* set epoch maksimum
349. */
350. public void setMaxEpoch(int newMaxEpoch) {
351. this.MAX_EPOCH = newMaxEpoch;
352. }
353.
354. /* dapatkan besar populasi
355. */
356. public int getPopSize() {
357. return foodSources.size();
358. }
359.
360. /* mendapat ukuran awal
361. */
362. public int getStartSize() {
363. return NP;
364. }
365.
366. /* dapatkan jumlah makanan
367. */
368. public double getFoodNum() {
369. return FOOD_NUMBER;
370. }
371.
372. /* mendapat batas untuk uji coba untuk semua sumber

makanan
373. */
374. public int getLimit() {

4
375. return LIMIT;
Suka
376. }
377.
378. /* menetapkan batas untuk uji coba untuk semua sumber

makanan
379. */
380. public void setLimit(int newLimit) {
381. this.LIMIT = newLimit;
382. }
383.
384. /* mendapatkan epoch maksimum
385. */
386. public int getMaxEpoch() {
387. return MAX_EPOCH;
388. }
389.
390. /* dapatkan min shuffle
391. */
392. public int getShuffleMin() {
393. return MIN_SHUFFLE;
394. }
395.
396. /* dapatkan max shuffle
397. */
398. public int getShuffleMax() {
399. return MAX_SHUFFLE;
400. }
401. }
402.
Konsultasi Gratis
Jika ada yang ingin di tanyakan, Kamu bisa melakukan konsultasi
gratis kepada team metode-algoritma.com melalui form di bawah.
Mohon isi email dengan benar, karena hasil konsultasi akan di
kirimkan ke email kamu.
Name: *
E-Mail: *
Subject: *
4
Suka
Message: *
I'm not a robot

reCAPTCHA
Privacy - Terms
Send message!
All fields marked with * are required.
POSTING LEBIH BARU POSTING LAMA
Metode Algoritma
Email: metodealgoritma@yahoo.co.id
Indonesia
Mampang Raya XII No. 30 A
Jakarta, Indonesia
sms :(+62) 85625 49338
Singapore
238B Thomson Road #17-00 Tower B
Novena Square Singapore
sms :(+65) 6415 3540
Company
Tentang Kami
Fakta serta Figur
Mengapa memilih kami
Model Pengerjaan Aplikasi
Model Konsultasi
Prosedur serta Proses kerjasama
Pertanyaan serta Jawaban
Persetujuan
Testimonials
Contact
Sitemap
Blog
Tutorial + Source Code
Service 4
Suka
Jasa murah programmer : pembuatan program untuk umum dan mahasiswa ( Tesis, Skripsi, Tugas Akhir )
JAKARTA BANDUNG SURABAYA YOGYAKARTA MALANG PALEMBANG SEMARANG MEDAN BOGOR BALI DENPASAR LAMPUNG SOLO
SURABAYA BANDUNG
Portfolio
Implementasi Algoritma
Steganogra Kriptogra
Watermaking Keamanan Data
Pengenalan Objek Wajah Suara
Wavelet Quantization
Implentasi Model Forecasting
Implementasi Data Minging
Kecerdasan Buatan (AI)
Decision Support Systems
Sistem Ahli (ES)
Implementasi Shortest Path
Mikrotik serta Robotika
Networking Keamanan Jaringan
Histogram Pemetaan
Mobile Expert System
Dan lainnya
Technology
C# .Net
PHP
AS3
Java
Delphi
Matlab
Objective C
Visual Basic
iOS
Android
Blackberry
Symbian OS
Windows Phone
Copyright 2013 metode-algoritma.com Allright Reserved|about|sitemap|
4
Suka

Algoritma Lebah (ABC) Bee Colony Java - Contoh Program

Diunggah oleh

Informasi Dokumen

Judul Asli

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Algoritma Lebah (ABC) Bee Colony Java - Contoh Program

Diunggah oleh

Hak Cipta:

Format Tersedia

7/28/2017 Algoritma Lebah (ABC) Bee Colony Java | Contoh Program

CARI TUTORIAL + SOURCE CODE

Algoritma Lebah (ABC) Penelusuran Khusus

Bee Colony Java

GIVE YOUR SUPPORT

Algoritma Koloni Lebah ( ABC )

Particle Swarm Optimization

Setiap lebah bekerja pergi ke sumber makanan .

dalam memori dan menentukan sumber tetangga,

Setiap penonton menyaksikan tarian lebah yang

Sumber makanan ditinggalkan bertekad dan diganti

Advanced Encryption Standard

CART (Classi cation And

persamaan di bawah: DCPChiper

Discrete Cosine Transform (DCT)

Dalam decade terakhir kecerdasan swarm sudah menjadi minat penelitian

pendekatan Algoritma Koloni Lebah ABC dng menyelesaikan suatu Fuzzy

CONTOH PROGRAM Guaranteed Scheduling (GS)

Hidden Markov Model (HMM)

Source Code Java Histogram Equalization

Hopcroft Tarjan Planarity

7. /* parameter ABC */ ID3 (Iterative Dichotomiser 3)

12. public int LIMIT; /* Sumber makanan Iris Recognition

17. public Random rand; K-means

21. public int epoch; knowledge management

24. public ArtificialBeeColony(int n) { Kruskal

29. MAX_EPOCH = 1000; Linked List

33. epoch = 0; LOOK

34. } Low Bit Coding

40. rand = new Random(); Mamdani

41. boolean done = false; MANET

44. initialize(); Mel-frequency Cepstrum

47. while(!done) { Metode Gra k

48. if(epoch < MAX_EPOCH) {

51. } Metode Secant

52. sendEmployedBees(); MFCC

56. memorizeBestFoodSource(); mobile

57. sendScoutBees(); Mobile Ad hoc Network

60. // di sini hanya untuk menunjukkan status Monte Carlo

63. done = true; Naive Bayes Classi er

67. Newton Raphson

68. if(epoch == MAX_EPOCH) { One Way Hash

70. done = false; Open Shortest Path First

71. } Open System Interconnection

76. for(Honey h: foodSources) { OSPF

80. printSolution(h); Parity Coding

81. Particle Swarm Optimization

85. return done; Pemrograman Linear 4

92. Honey neighborBee = null; Pengenalan Objeck

93. Pengenalan Pola

107. * solusi terbaik memiliki probabilitas tinggi pilihan. Persamaan Linier

108. public void sendOnlookerBees() {

109. int i = 0; Pewarnaan Simpul Graph

113. Honey neighborBee = null;

116. currentBee = foodSources.get(i); RC4

118. t++; real time tracking

119. neighborBeeIndex = Recognition

130. /* Optimalisasi bagian dari algoritma. meningkatkan RMSE

133. public void sendToWork(Honey currentBee, Honey RWP

135. int tempValue = 0; Secant

136. int tempIndex = 0; Secret Sharing Scheme

142. prevConflicts = currentBee.getConflicts(); SHA (Secure Hash Algorithm)

147. /* v_{ij}=x_{ij}+\phi_{ij}*(x_{kj}-x_{ij}) SISP