Judul Efficient algorithms for the double traveling salesman

probelm with multiple stacks

Jurnal Computers & Operations Research
Volume & Halaman Vol. 39 (2012), Hal. 1044-1053
Tahun 2012
Penulis Marco Casazza, Alberto Ceselli, Marc Nunkesser
Reviewer Syahrial Yusuf
Tanggal 29 Oktober 2019

Abstrak Jurnal ini menyelidiki sifat-sifat teoritis dari permasalahan

ganda pada pedagang keliling dengan menyediakan algoritna
polinomial waktu sehingga dapat mewakili blok-blok dari
submasalah. Kemudian diuji secara heuristik sederhana dan
menghasilkan bahwa adanya dampak dari pembatasan
tumpukan. Akhirnya, penulis mengusulkan adanya perbaikan.
Selain itu, hasil komputasi dari penulis menghasilkan bila
komponen tunggal heuristik dapat dimasukkan dalam fungsi
yang lebih kompleks.
Masalah yang Masalah tumpukan dalam proses distribusi produk dalam
Diangkat upaya meminimalisasi biaya untuk sekali jalan
pendistribusian.
Parameterisasi Kapasitas distribusi
Tahap Harga pokok distribusi dipengaruhi oleh keputusan optimal
Penyelesaian dari penentuan rute dan pengepakan. Namun, beberapa
pengaplikasian secara praktis memerlukan penempatan
barang atau item di belakang yang harus dipertimbangkan
secara eksplisit sehingga membuat keputusan rute dan
pengepakan harus diputuskan secara bersamaan. Oleh karena
itu dapat memecahkan masalah FIFO (first in first out).
Pengaturan secara umum dapat diterjemahkan kedalam dalam
dua dimensi yang dimuat dalam Masalah Rute Kendaraan
Berkapasitas. Bagian belakang dari item dibuat seperti dua
dimensi sehingga barang atau item dari berbagai ukuran dapat
ditempatkan. Tujuannya untuk mengalokasikan biaya armada
yang murah denga harapan bahwa item pelanggan dapat
disampaikan ke semuanya tanpa tumpang tindih. Setelah
seminal exact, pendekatan Guided Tabu, dan pendekatan
Tabu Approach telah digunakan untuk menyelesaikan
masalah perutean kendaraan berkapasitas. Masalah pedagang
keliling dengan tumpukan ganda dapat digunakan seperti kota
dengan penjemputan pelanggan N dan kota pengiriman
dengan N, item dari bentuk dan ukuran dapat disusun dan
harus dikumpulkan untuk didistribusikan ke sejumlah
penjemputan pelanggan dari pengiriman kota N. Tujuan dari
adanya jurnal ini adalah menyelidiki teori dari DTSPMS yang
menyediakan algoritma waktu polinomial waktu untuk
submasalah yang berbeda-beda. Fokusnya adalah relaksasi
bahwa tumpukan tidak memiliki masalah pada batas ukuran
tetapi beberapa permasalahn justru berlaku untuk pembatasan
ukutan tumpukan terebut.
Formulasi: DTSPMS dapat dimodelkan seperti grafik.
Diberikan satu set pelanggan 1 ... N dan dua (di-) grafik g+
(N+,A+) dan g-(N-,A-) dengan biaya C+ dan C- masing-masing
pada busur. Pertama adalah grafik pickup dan yang terakhir
adalah grafik pengiriman. Keduanya set N+ dan N- terdiri dari
𝑛𝑖+ dan 𝑛𝑖− untuk setiap pelanggan i dan dua tambahan 𝑛0+ dan
𝑛0− yang mewakili depot. Setiap pelanggan i menuntut
pengambilan item di 𝑛𝑖+ dan pengiriman yang sama dalam
𝑛𝑖− .
Definisi 2.1
Penulis mengindikasikan sebagai tur penjemputan dari
permutasi 𝜎𝑝 = (𝜎𝑝 (1), … , 𝜎𝑝 (|𝑁 + |)) dari simpul grafik
pickup; dengan cara yang sama penulis mengindikasikan
sebagai tur permutasi 𝜎𝐷 = (𝜎𝐷 (1), … , 𝜎𝐷 (|𝑁 + |)).
Karenanya, 𝜎𝑃 menunjukkan titik di posisi p tur, dan 𝜎 −1(i)
menunjukkan simpul i dalam tur. Setiap tur dimulai dan
berakhir di depot. Setiap tur memiliki biaya dari titik satu ke
titik lainnya.
Definisi 2.2
Diberikan dua pelanggan i dan j dari tur, kita katakan bahwa i
mendahului j jika 𝜎 −1 (𝑖) mendahului 𝜎 −1 (𝑗).
Kendaraan memiliki S tumpukan yang tersedia untuk
diangkut. Rencana pemuatan item adalah pemetaan dari
setiap pelanggan i ke a (tumpukan, posisi) pasangan (s,p),
mewakili pengaturan barang-barang ditumpukkan kendaraan.
Khususnya, l(i) jika item pelanggan menempati posisi p pada
tumpukan s, dengan (s,1) mewakili tumpukan bawah s, kami
menggunakan notasi i=2 untuk menunjukkan bahwa item
pelanggan i tidak masuk dalam perencanaan pemuatan dan
karena itu, l(i) tidak terdefinisi. Kami juga memperkenalkan
(i,j)∈l untuk menunjukkan bahwa item pelanggan j ada
ditumpukkan atas tumpukkan pelanggan i dimuatan
tumpukan yang sama.
Definisi 2.3
Rencana pemuatan dilakukan sehubungan dengan tur yang
akan diambil maupun sebaliknya. Jika, untuk setiap
pelanggan i dan j dengan l(i) = (s,p) dan l(j) = (t,q), sehingga i
mendahului j dalam pengiriman tur baik saat s≠t atau p<q
saat item i diambil dahulu dari item j, i tidak bisa ditempatkan
diatas j pada tumpukan yang sama.
Definisi 2.4
Rencana pemuatan dapat dilakukan sehubungan dengan
pengiriman tur maupun sebaliknya jika, setiap pelanggan i
dan j dengan l(i) = (s,p) dan l(j) = (t,q) sehingga i mendahului
j dalam pengiriman, baik s≠t atau p>q saat item i lebih dulu
dikirim daripada item j, maka item i ditumpuk diatas item j
pada tumpukan yang sama.
Definisi 2.5
Jika i mendahului j dalam penjemputan dan pengiriman tur,
yaitu 𝜎𝑃−1 (𝑖) < 𝜎𝑃−1 (𝑗)dan 𝜎𝐷−1 (𝑖) < 𝜎𝐷−1 (𝑗), kita bisa
katakan jika pelanggan i dan j tidak kompatibel, dan harusnya
l(i) = (s,p) dan l(j) = (t,q) serta s≠t.
Definisi 2.6
Sebuah solusi (𝜎𝑃 , 𝜎𝐷 , 𝑙) dari DTSPMS disusun berdasarkan
beberapa komposisi: sepasang pickup dan pengiriman, 𝜎𝑃 dan
𝜎𝐷 , dan rencana penjemputan. Solusi dikatakan layak bila
rencana pemuatan layak.
Definisi 2.7
DTSPMS merupakan cara menemukan solusi yang layak dari
(𝜎𝑃 , 𝜎𝐷 , 𝑙) di mana jumlah biaya penjemputan dan pengiriman
adalah minimum.
Properti
Asumsikan bahwa permasalahan tumpukan tidak dibatasi
oleh jumlah tumpukan
Membangun Solusi Kompleks
Masalah (1) diberikan tur penjemputan dan tur pengiriman,
temukan yang layak untuk perencanaan pemuatan dalam
tumpukan yang minimum.
Definisi 3.1
Peneliti mendefinisikan sebagai grafik C pada masalah (1)
yang memiliki satu titik untuk satu pelanggan dan satu sisi
untuk pasangan yang tidak kompatibel
Lemma 3.1 masalah (1) sama dengan pewarnaan grafik C
dengan jumlah warna minimum. Warna yang berbeda dapat
mengartikan jumlah tumpukan yang berbeda karena simpul
yang berdekatan tidak dapat dilakukan dengan warna yang
sama. Sekarang kita asumsikan bila 𝜎𝑝 = 𝑖𝑑 yaitu permutasi
identitas dari |N+| yang memiliki id(i) = i untuk setiap i
∈{1,..., |N+|}
Lemma 3.2 masalah menemukan pewarnaan grafik C
menggunakan dapat diselesaikan dengan polinomial waktu.
Buktinya yaitu grafik konflik C memiliki keunggulan antara
dua pelanggan i dan j jika dan hanya jika i < j dan 𝜎̃𝐷−1 (𝑖) >
𝜎̃𝐷−1 (𝑗).
Proposi 3.3 masalah (1) dapat diselesaikan dengan
polinomial waktu.
Masalah (2) Diberikan rencana pemuatan carilah tur
pengiriman yang layak sehubungan dengan rencana pemuatan
dan biaya minimum.
Masalah (3) Dari rencana pemuatan, carilah tur penjemputan
yang layak sehubungan dengan rencana pemuatan dan biaya
yang minimum.
Proposisi 3.4 ketika jumlah tumpukan diperbaiki, masalah
(2) dapat diperbaiki dengan polinomial waktu.
Bukti sebuah solusi optimal untuk masalah (2) dapat dicari
dengan komputasi semua nilai 𝑓(𝑠1 , … , 𝑆𝑠 , 𝑝) untuk setiap
1 ≤ 𝑝 ≤ 𝑆 dan 0 ≤ 𝑆𝑝 ≤N yang daoat diperoleh sebagai
berikut.
𝑓(𝑆1 , … , 𝑆𝑝 ) = min {𝑓(𝑆1, … , 𝑆𝑝 + 1, … , 𝑆𝑞 , 𝑞) + 𝐶𝑗−𝑞 ,𝑖 }
𝑞=1𝑆̈
Setelah semua 𝑓(𝑠1 , … , 𝑆𝑠 , 𝑝) dikomputasi, nilai dari solusi
optimal dapat diperoleh sebagai berikut.
𝑓(𝑆1 , … , 𝑆𝑝 ) = min {𝑓(0, … 0, 𝑞) + 𝐶𝑗−𝑞 ,0 }
𝑞=1𝑆̈
Proposisi 3.5 masalah (3) dapat diselesaikan dengan waktu
polinomial apabila permasalahan tumpukan telah diperbaiki
Membangun Solusi Parsial
Definisi 3.2 rencana pemuatan sebagian adalah rencana
pemuatan item pelanggan yang tidak muncul
Masalah (4) diberikan pickup dan tur pengiriman, temukan
rencana pemuatan parsial yang layak dengan menggunakan
paling banyak tumpukan S, termasuk paling maksimum
jumlah item.
Proposisi 3.6 masalah (4)(yaitu masalah MSCIS grafik)
dapat diselesaikan dengan polinomial waktu.
Bukti kita telah membuktikan dengan memodelkan masalah
dalam biaya yang minimum pada representasi grafik 𝐶: 𝜎̃𝐷
diwakili oleh simpul pada kisi dua dimensi; setiap titik i
muncul diposisi x dalam permutasi ditempatkan dalam posisi
(x,i) dari kisi.
Algoritma
Alternatif rute-perencanaan heuristik
Penyelesaian dapat dilakukan dengan lima langkah (a)
menemukan pickup awal dan tur pengiriman, (b)
menyelesaikan masalah (4), menciptakan parsial dengan
rencana pemuatan yang layak termasuk jumlah pelanggan, (c)
menyelesaikan masalah (2) dan (3) hanya
mempertimbangkan pelanggan di rencana pemuatan parsial
untuk membuat pengambilan dan pengiriman tur yang layak,
(d) membuat kandidat (mungkin tidak layak) solusi untuk
iterasi selanjutnya dengan memasukkan sisa pelanggan dalam
tur parsial dengan menggunakan penyisipan terbaik, (e)
membuat solusi DTSPMUS yang layak dengan memasukkan
sisa pelanggan di tumpukan menggunakan kebijakan
penyisipan terbaik, (f) mengulangi langkah (b)-(f) sampai
kriteria terpenuhi kemudian berhenti. Algoritma Routing-
Loading(ARL) dapat dituangkan dalam Pseu-code 1
Pseu-code 1. Agoritma ARL
input: (𝑃0 , 𝐷0 , 𝑐 + , 𝑐 − )
output: ( 𝐿𝑘 , 𝑃𝑘 , 𝐷𝑘 )
𝐿̅0 ← ∅
 𝑘←1
repeat
𝐿̅𝑘 ← getLoadingPlan (𝑃𝑘−1 , 𝐷𝑘−1 )
𝑃̅𝑘 ← getTour(reverse(𝐿̅𝑘 ), 𝑐 + )
𝐷̅𝑘 ← getTour(𝐿̅𝑘 , 𝑐 − )
𝑃𝑘 ← getTourNextIteration(𝑃̅𝑘 , 𝐿̅𝑘 , 𝑐 + )
𝐷𝑘 ← getTourNextIteration(𝐷 ̅𝑘 , 𝐿̅𝑘 , 𝑐 − )
𝐿̂𝑘 ← fillLoadingPlan(𝑃̅𝑘 , 𝐷
̅𝑘 , 𝐿̅𝑘 , 𝑐 + , 𝑐 − )
𝑃̂𝑘 ← getTour(𝐿̂𝑘 , 𝑐 )
+

𝐷̂𝑘 ← getTour(𝐿̂𝑘 ,𝑐 − )
𝑘 ←𝑘+1
until |𝐿̅𝑘 |≤|𝐿̅𝑘−1 |
Proposisi 4.1 Jumlah pelanggan yang dimasukkan dalam
pembebanan sebagian ditemukan pada langkah (b) selalu
tidak menurun ke iterasi selanjutnya.
Pseu-code 2. Prosedur getTourNextIteration ()
input: {T,L,c}
output: {T}
while |L| ≠ N do
for all k∉L do
𝑐̂𝑘 ← min { 𝐶𝑖𝑘 + 𝐶𝑘𝑗 − 𝐶𝑖𝑗 }
(𝑖,𝑗) 𝑒 𝑇
end for
𝑘 ∗ ← argmin{ 𝑐̂𝑘 }
𝑘∉𝐿
(s,t) ← argmin { 𝐶𝑖𝑘∗ + 𝐶𝑘∗𝑗 − 𝐶𝑖𝑗 }
(𝑖,𝑗)∈𝑇
T ← T∪{(s,k*),(k*,t)}/{(s,t)}
L ← L∪ {(𝑘 ∗ )}
end while
Pseu-code 3. Prosedur fillLoadingPlan ()
input: {P,D,L, 𝑐 + , 𝑐 − }
output: {L}
for all 𝑘 ∉ 𝐿
for all (𝑙, 𝑚) ∈ 𝐿
+ +
+
𝑐̂𝑘𝑙𝑚 = −1
min
−1 −1 −1
{ 𝐶𝑖𝑘 + 𝐶𝑘𝑗 − 𝐶𝑖𝑗+ }
(𝑖,𝑗)∈𝑃|𝜎𝑃 (𝑙)<𝜎𝑃 (𝑖),𝜎𝑃 (𝑗)<𝜎𝑃 (𝑚)
− −
−
𝑐̂𝑘𝑙𝑚 = min
−1 (𝑙)<𝜎 −1 (𝑖),𝜎 −1 (𝑗)<𝜎 −1 (𝑚)
{ 𝐶𝑖𝑘 + 𝐶𝑘𝑗 − 𝐶𝑖𝑗− }
(𝑖,𝑗)∈𝐷|𝜎𝐷 𝐷 𝐷 𝐷
end for
+ −
(l*,m*) ← argmin{ 𝑐̂𝑘𝑙𝑚 +𝑐̂𝑘𝑙𝑚 }
(𝑙,𝑚)∈𝐿
L ← L∪{(l*,k),(k,m*)}/{(l*,m*)}
P ← bestInsertion {(P,l*,m*,k)}
D ← bestInsertion {(D,m*,l*,k)}
end for
Metodologi Alternatif
Demi perbandingan, peneliti juga mempertimbangkan tiga
heuristik konstruktif yang mirip ARL dan digunakan untuk
hasil penelitian. Pertama, Algoritma SS-TSP dimana solusi
 layak bagi DTSPMUS hanya memungkinkan satu tumpukan;
tumpukan tunggal yang optimal pada gilirannya dengan
memecahkan solusi pada grafik yang memiliki biaya 𝐶𝑖𝑗 =
𝐶𝑖𝑗+ + 𝐶𝑗𝑖− . Kedua, Algoritma MS-NN yang diadaptasi dari
TSP klasik Heuristik Neighbor terdekat dengan kasus
multiple sebagai berikut: (a) kita mulai dengan rencana
pemuatan kosong L, dan pengambilan sebagian jalur P dan
jalur pengiriman D yang berisi depo. (b) kita mengidentifikasi
tetangga terdekat dari pelanggan terakhir di P dan D,
dianggap memiliki biaya koneksi yang minimum. (c) jika
pickup pelanggan i tidak ada dalam pemuatan denah adalah
tetangga terdekat dalam keseluruhan ditambahkan pada
tumpukan pertama L. (d) peneliti mengulangi langkah (b) dan
(c) sampai P dan D selesai. (e) peneliti melakukan rute tur
penjemputan dari P ke T dan T ke depot sedangkan rute tur
pengiriman kebalikannya. Ketiga, Algoritma MS-FI yaitu
algoritma yang kesesuaiannya mirip Pseu-Code 3. (a) kita
mulai dengan sebagian penjemputan dan tur pengiriman. (b)
menghitung biaya tambahan. (c) pilih pelanggan i yang
membutuhkan biaya maksimum dan (d) ulangi langkah (b)
dan (c).
Pengendalian Batas Kapasitas
Menggunakan fillLoadingPlan dari ARL dengan cara sebagai
berikut: (a) mempertimbangkan set item dalam tumpukan
denga urutan mereka muncul dalam pickup (b)
mempertimbangkan set urutan dalam acak dan memindai set
item dalam tumpukan yang melebihi batas (c) menhapus set
item yang melebihi batas (d) memasukkan barang-barsang
terbuang dengan sisipan terbaik.
Hasil Hasil Penelitian
Inisialisasi
Pertama, Peneliti hanya menginisialisasi algoritmanya dengan
permutasi pelanggan secara acak pickup dan pengiriman;
kemudian ulangi operasi ini sebanyak 50 kali. Kedua,
mengoptimalkan secara independen pickup dan masalah
pengiriman heuristik. Ketiga, dengan instansi dalam set data
peneliti adalah simetris, maka pengambilan dan pengiriman
dilakukan secara optimal setiap tur Po dan Do sehingga dapat
dibalik. Oleh karena itu, peneliti menggunakan rantai Lin-
Kernigan Heuristik dan mengulangi algoritmanya sebanyak
empat kali.
Komponen Algoritma
Pertama, mencoba menyelesaikan masalah (2) dan (3) dalam
prosedur getTour() menggunakan Heuristik dengan
Penyisipan Terbaik (BI): (a) diberi rencana pemuatan L, kita
mulai dengan tur penjemputan T sebagai depot, (b)
mengevaluasi setiap pelanggan i yang memiliki tumpukan
diatas item L, maka meningkatkan biaya T, (c) memilih
 pelanggan yang memiliki biaya minimum biaya T dan
mengulangi langkah (b) dan (c) sampai L kosong. Kedua,
peneliti mengganti FB dalam prosedur getLoadingPlan()
dengan mengeksploitasi lagi pengamatan. Dan solusi masalah
TSP adalah menggunakan metode branch-and-bound
kemudian diaplikasikan pada CORCODE.
Perilaku Keseluruhan
Menyoroti keseluruhan perilaku komputasi dari algoritma
milik peneliti. Instance setiap data menghasilkan dua blok
hasil yang masing-masing ke iterasi terakhir dari algoritma
dan ke iterasi dimana solusi terbaik ditemukan. Kemudian,
peneliti melaporkan kedua blok dengan jumlah iterasi dan
jumlah item yang dikecualikan dalam pemuatan parsial.
Dengan melihat itu, algoritma selalu melakukan beberapa
iterasi sebelum berhenti.
Perbandingan dengan Algoritma Benchmark
Peneliti membandingkan algoritma dengan ketiga model
heuristik yaitu SS-TSP, MS-NN, MS-FI. Untuk memecahkan
masalah TSP menggunakan pemecahan masalah dari Branch-
and-Bound. Setiap meja memiliki empat blok yang berisi
nilai-nilai dari solusi diperoleh dengan algoritma dan waktu
CPU untuk perhitungan. Algoritma MS-NN itu cepat tapi
memberikan hasil yang buruk pada semua contoh. Sedangkan
algoritma MS-FI lebih baik mengungguli SS-TSP. Algoritma
milik peneliti selalu memberikan yang terbaik dari keempat
teknik.
Pengendalian Batas Kapasitas
Metode awalnya mengabaikan batasan stack dan kebijakan
penyisipan sederhana memperlayak solusi dari biaya
komputasi yang kecil dan tanpa subsistem meningkatkan
nilainya.
Simpulan/Sintesa Mempertimbangkan struktur permasalah DTSPMS yang
terdiri dari rencana tur dan pemuatan. Ketika tumpukan tidak
terbatas, hanya diberikan satu dari dua solusi layak yang
dapat dihitung menggunakan waktu polinomial, yaitu
polinomial rithm. Selain itu, peneliti menemukan heuristik
yang efisien yang hanya menggabungkan algoritma ini dan
telah dilakukan analisis eksperimental dan metode TSP lain.
Akhirnya, peneliti mempertimbangkan batas ukuran stack
berdampak pada hasil teoritis dan memberikan hasil yang
efektif pada permasalahan ini.
Persamaan Mengangkat masalah Travelling Salesman Problem untuk
Jurnal pendistribusian produk
Perbedaan Jurnal ini mengangkat masalah tumpukan setiap kapasitas
Jurnal distribusi. Upaya yang dilakukan untuk meminimasi biaya
distribusi sekali jalan.
Kekuatan Penelitian memiliki kekuatan pada mengatasi dua kendala
Penelitian pada TSP yaitu rencana tur dan pemuatan item. Sehingga
 diperoleh biaya yang minimum dan biaya tambahan
komputasi yang minimum. Selain itu, kelebihan lainnya dapat
mengungguli metode lain seperti MS-NN dan MS-FI dengan
keunggulan yang lebih akurat akibat menggabungkan
algoritma dengan metode TSP lain namun tetap
memperhatikan batasan stack sehingga hasilnya efektif.
Kelemahan Kelemahannya adalah penerapan metode mengurangi
Penelitian angkutan barang bahkan dapat melewati tetangga terdekat
akibat adanya iterasi untuk mengurangi barang yang
menambah biaya T. Sehingga dimungkinkan terjadinya
pelaluan jalan yang sama dan menghabiskan biaya yang lebih
besar.
Program Yang Algoritma Rute-Perencanaan Heuristik dan Alternatif lain
digunakan mennggunakan algoritma SS-TSP, MS-NN, MS FI
Kondisi TSP Menentukan hubungan atau jalur distribusi dengan jarak atau
digunakan biaya minimum juga dengan penempatan tumpukan
berdasarkan tetangga terdekat
Implikasi Jadi, dengan menggunakan DTSPMS ini para pelaku bisnis
Manajerial dapat menyusun tumpukan dengan jangkauan jarak dan biaya
minimum berdasarkan tetangga terdekat sehingga kapasitas
dalam proses distribusi dapat diketahui dengan baik.
Judul Lower Bounding Procedure for the Asymmetric
Quadratic Traveling Salesman Problem
Jurnal European Journal of Operational Research
Volume & Halaman No. 256 dan Hal. 584-592
Tahun 2016
Penulis Borzou Bustami, Federico Malucelli, Pietro Belotti,
Stefano Gualandi
Reviewer Syahrial Yusuf
Tanggal 29 Oktober 2019

Abstrak Peneliti mempertimbangkan Asymmetric Quadratic Travelling

Salesma Problem (AQTSP). Dalam grafik dan fungsi yang
memiliki pasangan busur berupa biaya. Permasalahannya adalah
mengunjungi tepat sekali untuk meminimalisasi biaya. Mereka
mengusulkan untuk memperpanjang formulasi pemrograman
linear. Selain itu, mereka menerapkan teknik reformulasi-
linearisasi dan menghitung batas bawah merujuk pada Lagrangian.
Oleh karena itu, peneliti membandingkan dengan model linearisasi
dari berbagai literatur. Namun, hasil komputasi dari peneliti, batas
bawah, menjanjikan.
Masalah yang Proses pendistribusian sekali jalan
Diangkat
Parameterisasi Jarak atau siklus distribusi
Tahap Travelling Salesman Problem (TSP) merupakan salah satu studi
Penyelesaian yang paling tepat mengatasi masalah secara optimasi. Diberikan
sebuah grafik G = (V,A), dengan biaya 𝑐𝑒 dengan 𝑒 ∈ 𝐴,
masalahnya terdiri dalam menemukan siklus C yang mengunjungi
masing-masing simpul tepat dalam V tepat sekali, (yaitu siklus
Hamilton) sedemikian rupa hingga total biaya siklus minimal.
QTSP diperkenalkan sebagai aplikasi bioinformatika oleh Joger
dan Monitor (2008) tetapi juga diterapkan dalam robotika dan
telekomunikasi. Dalam robotika, varian QTSP disebut Angle-TSP
sebab dapat digunakan untuk optimalisasi jalu robot dalam hal
konsumsi energi. QTSP diperkenalkan baru-baru ini dan
literarurnya agak terbatas. Secara khusus, QTSP telah ditemukan
oleh Fischer et.al (2014) dengan algoritma heuristik dengan
cabang ad-hoc dan dekat dengan cabang linearisasi. Jurnal
penelitian ini mempelajari batas bawah untuk AQTSP yang
memperluas untuk menyajikan formulasi pemrograman linear
dengan jumlah variabel eksponensial yang diselesaikan oleh
Column Generation. Peneliti mengembangkan Lagrangian yang
efektif skema relaksasi untuk menghitung luas batas bawah yang
terkait.
Pernyataan masalah dan linearisasi
Pertimbangkan grafik terarah lengkap G = (V,A) dengan
himpunan simpul V = {1,2,....,n}, set busur A dan fungsi biaya Q
memetakan busur e = (i,j), f = (j,k), ∈ A ke non-negatif biaya
integer 𝑄𝑒𝑓 = 𝑄𝑖𝑗𝑘 .
AQTSP: min ∑(𝑖,𝑗),(𝑗,𝑘)∈𝐴;𝑘≠𝑖 𝑄𝑖𝑗𝑘 𝑥𝑖𝑗 𝑥𝑗𝑘
s.t ∑𝑗:(𝑖,𝑗)∈𝐴 𝑥𝑖𝑗 = 1 𝑖 ∈ 𝑉 (1)
∑𝑖:(𝑖,𝑗)∈𝐴 𝑥𝑖𝑗 = 1 𝑗 ∈ 𝑉 (2)
∑𝑖∈𝑆,𝑗∉𝑆:(𝑖,𝑗)∈𝐴 𝑥𝑖𝑗 ≥ 1 𝑆 ⊂ 𝑉, 2 ≤ |𝑆| ≤ 𝑛 − 2 (3)
𝑥𝑖𝑗 ∈ [0,1] (𝑖, 𝑗) ∈ 𝐴 (4)
Untuk mempermudah argumentasi A
𝐴 = {(𝑖, 𝑗, 𝑘) ∶ (𝑖, 𝑗) ∈ 𝐴, (𝑗, 𝑘) ∈ 𝐴, 𝑖 ≠ 𝑘}
Lalu untuk tipe formulasi MTZ untuk AQTSP adalah
AQTSPMTZ : min ∑(𝑖,𝑗,𝑘)∈𝐴 𝑄𝑖𝑗𝑘 𝑄𝑖𝑗 𝑥𝑗𝑘
s.t 𝑢𝑖 − 𝑢𝑗 + (𝑛 − 1)𝑥𝑖𝑗 ≤ 𝑛 − 2 𝑖, 𝑗 ≥ 2; 𝑖 ≠ 𝑗 (5)
1 ≤ 𝑢𝑗 ≤ 𝑛 − 1 𝑗 ≥ 2
(1),(2),(4) (6)
Linearisasi
Melinearisasikan kuadratnya 𝑥𝑖𝑗 𝑥𝑗𝑘 untuk semua (𝑖, 𝑗, 𝑘) ∈ 𝐴
Pendekatan pada variabel biner 𝑦𝑖𝑗𝑘 = 𝑥𝑖𝑗 𝑥𝑗𝑘 untuk memenuhi set
kendala sebagai berikut:
𝑦𝑖𝑗𝑘 ≤ 𝑥𝑖𝑗 , 𝑦𝑖𝑗𝑘 ≤ 𝑥𝑗𝑘 𝑑𝑎𝑛 𝑦𝑖𝑗𝑘 ≥ 𝑥𝑖𝑗 + 𝑥𝑗𝑘 − 1
𝑥𝑖𝑗 𝑥𝑗𝑘 untuk semua (𝑖, 𝑗, 𝑘) ∈ 𝐴
Diikuti dengan rumus sebagai berikut.

LPF: min ∑(𝑖,𝑗,𝑘)∈𝐴 𝑄𝑖𝑗𝑘 𝑦𝑖𝑗𝑘

s.t ∑𝑘:(𝑖,𝑗,𝑘)∈𝐴 𝑦𝑖𝑗𝑘 = 𝑥𝑖𝑗 (𝑖, 𝑗) ∈ 𝐴 (7)
∑𝑘:(𝑘,𝑖,𝑗)∈𝐴 𝑦𝑘𝑖𝑗 = 𝑥𝑖𝑗 (𝑖, 𝑗) ∈ 𝐴 (8)
𝑦𝑖𝑗𝑘 ≥ 0 (𝑖, 𝑗, 𝑘) ∈ 𝐴
(1)-(4) (9)
Dimana kendala (7) dan (8) adalah 𝑦𝑖𝑗𝑘 = 𝑥𝑖𝑗 𝑥𝑗𝑘
Formulasi LPFMTZ kompak adalah

LPFMTZ : min {∑(𝑖,𝑗,𝑘) 𝑄𝑖𝑗𝑘 𝑦𝑖𝑗𝑘 : (1), (2), (4) − (9)}

RLT diterapkan ke AQTSP
MILP disusun berdasarkan reformulasi dan linierisasi.
Reformulasi, kendala dikalikan dengan variabel biner dan
komplemennya untuk membangun redlinant nonlinier kendala.
Pada langkah linierisasi, tujuan dan kendala dari masalah yang
dirumuskan secara linier dengan menggantikan masing-masing
istilah nonlinear yang berbeda dengan variabel kontinu baru.
AQTSPRMTZ : min ∑(𝑖,𝑗,𝑘)∈𝐴 𝑄𝑖𝑗𝑘 𝑥𝑖𝑗 𝑥𝑗𝑘
s.t 𝑢𝑗 𝑥𝑖𝑗 = (𝑢𝑖 + 1)𝑥𝑖𝑗 𝑖, 𝑗 ≥ 2; 𝑖 ≠ 𝑗
(1),(2),(4),(6) (10)
Yang menegaskan jika penjual pergi dari i ke simpul j. Untuk
kemudahan notasi pertama mari kita mendefinisikan set b sebagai:
b = {(i,j,k) : (i,j,k) ∈ 𝐴, 𝑖, 𝑗, 𝑘 ≥ 2}
Langkah Reformulasi
1- Mengalikan persamaan (1) untuk setiap 𝑖 ∈ 𝑉, oleh masing-
 masing (n-1) variabel 𝑥𝑘𝑖 , ∀𝑘 = 𝑖. Lalu kita gandakan
persamaan (1) untuk setiap 𝑖 ≥ 2 oleh masing-masing 𝑢𝑘 ,
∀𝑘 ≥ 2 dan setiap produk berpasangan 𝑢𝑖 × 𝑥𝑖 , ∀𝑘 ≥ 2, 𝑘 = 𝑖.
Selain itu, untuk variabel 𝑗 ∈ 𝑉, peneliti mengalikan persamaan
2 oleh masing-masing (n-1) oleh variabel 𝑥𝑗𝑘 , ∀𝑘 = 𝑗. Selain
itu, untuk setiap 𝑗 ≥ 2. Oleh karena itu, peneliti mengalikan
oleh masing-masing 𝑢𝑘 , ∀𝑘 = 2 dan oleh setiap produk
berpasangan dari 𝑢𝑖 × 𝑘𝑖 , ∀𝑘 = 2, 𝑘 = 𝑗. Semua 4n(n-1)
persamaan kuadratik dan 2(n-1)(n-2) persamaan kubik tersebut
masuk dalam reformulasi.
2- Untuk setiap 𝑖, 𝑗 ≥ 2 , 𝑖 = 𝑗, dikalikan dengan persamaan (10)
ke masing-masing (n-2) variabel 𝑥𝑗𝑘 𝑑𝑎𝑛 𝑥𝑘𝑖 , ∀𝑘 = 2, 𝑘 = 𝑖, 𝑗.
Semua (𝑛 − 1)(𝑛 − 2)2 persamaan kubik tersebut kemudian
dimasukkan ke dalam formulasi.
3- Pertimbangkan persamaan (6) untuk setiap 𝑗 ≥ 2, dikalikan
dengan 𝑢𝑗 − 1 ≥ 0 oleh (i) masing-masing variabel (𝑛 − 1)𝑥𝑖𝑗
dengan 𝑖 = 𝑗, 𝑖 ≥ 2, dan masing-masing produk (n-1)(n-2)
berpasangan 𝑥𝑗𝑖 𝑥𝑖𝑘 dengan (𝑗, 𝑖, 𝑘) ∈ 𝑏 dan oleh (ii) (1 −
𝑥𝑖𝑗− 𝑥𝑗𝑖 ), 𝑖 = 𝑗, 𝑖 ≥ 2. Dan oleh (1 − 𝑥𝑖𝑗 − 𝑥𝑗𝑘 − 𝑥𝑘𝑖 + 𝑥𝑖𝑗 𝑥𝑗𝑘 +
𝑥𝑗𝑘 𝑥𝑘𝑖 + 𝑥𝑘𝑖 𝑥𝑖𝑗 ), (𝑖, 𝑗, 𝑘) ∈ 𝑏.
4- Pertimbangkan persamaan (6) untuk setiap 𝑗 ≥ 2, dikalikan
dengan 𝑛 − 1 − 𝑢𝑗 ≥ 0 oleh (i) masing-masing variabel
(𝑛 − 1)𝑥𝑖𝑗 dengan 𝑖 = 𝑗, 𝑖 ≥ 2, dan masing-masing produk (n-
1)(n-2) berpasangan 𝑥𝑗𝑖 𝑥𝑖𝑘 dengan (𝑗, 𝑖, 𝑘) ∈ 𝑏 dan oleh (ii)
(1 − 𝑥𝑖𝑗− 𝑥𝑗𝑖 ), 𝑖 = 𝑗, 𝑖 ≥ 2. Dan oleh (1 − 𝑥𝑖𝑗 − 𝑥𝑗𝑘 − 𝑥𝑘𝑖 +
𝑥𝑖𝑗 𝑥𝑗𝑘 + 𝑥𝑗𝑘 𝑥𝑘𝑖 + 𝑥𝑘𝑖 𝑥𝑖𝑗 ), (𝑖, 𝑗, 𝑘) ∈ 𝑏.
Langkah Linearisasi
𝑤𝑖𝑗 = 𝑢𝑖 𝑥𝑖𝑗 , 𝑤′𝑖𝑗 = 𝑢𝑗 𝑥𝑖𝑗 𝑖, 𝑗 ≥ 2, 𝑖 ≠ 𝑗 (11)
(𝑛 − 1)𝑥𝑗1 = 𝑢𝑗 𝑥𝑗1 , 𝑑𝑎𝑛 𝑥1𝑗 = 𝑢𝑗 𝑥1𝑗 𝑗 ≥ 2 (12)
𝑣𝑘𝑖𝑗 = 𝑢𝑘 𝑥𝑖𝑗 , (𝑖, 𝑗) ∈ 𝐴, 𝑘 ≥ 2, 𝑖 ≠ 𝑗 ≠ 𝑘 (13)
𝑦𝑖𝑗𝑘 = 𝑥𝑖𝑗 𝑥𝑗𝑘 , (𝑖, 𝑗, 𝑘) ∈ 𝐴, (14)
𝑧𝑖𝑗𝑘 = 𝑢𝑖 𝑥𝑖𝑗 𝑥𝑗𝑘 (𝑖, 𝑗, 𝑘) ∈ 𝑏 (15)
𝑧′𝑖𝑗𝑘 = 𝑢𝑖 𝑥𝑖𝑗 𝑥𝑗𝑘 (𝑖, 𝑗, 𝑘) ∈ 𝑏 (16)
𝑧′′𝑖𝑗𝑘 = 𝑢𝑖 𝑥𝑖𝑗 𝑥𝑗𝑘 (𝑖, 𝑗, 𝑘) ∈ 𝑏 (17)
(𝑛 − 2)𝑦𝑖𝑗1 = 𝑢𝑖 𝑥𝑖𝑗 𝑥𝑗1 𝑖, 𝑗, 1 ∈ 𝐴, 𝑖, 𝑗 ≥ 2 (18)
2𝑦1𝑖𝑗 = 𝑢𝑗 𝑥1𝑖 𝑥𝑖𝑗 1, 𝑖, 𝑗 ∈ 𝐴, 𝑖, 𝑗 ≥ 2 (19)
Menggunakan persamaan (10) dan persamaan (12)
𝑤′𝑖𝑗 = 𝑤𝑖𝑗 + 𝑥𝑖𝑗 , (𝑖, 𝑗) ∈ 𝐴 (20)
Menggunakan persamaan (14) ke persamaan (17)
𝑧′𝑖𝑗𝑘 = 𝑧𝑖𝑗𝑘 + 𝑦𝑖𝑗𝑘 , (𝑖, 𝑗, 𝑘) ∈ ℬ (21)
𝑧′′𝑖𝑗𝑘 = 𝑧𝑖𝑗𝑘 + 𝑦𝑖𝑗𝑘 , (𝑖, 𝑗, 𝑘) ∈ ℬ (22)
Mengarah pada formula MILP:
PRLT:
min ∑(𝑖,𝑗,𝑘)∈𝐴 𝑄𝑖𝑗𝑘 𝑦𝑖𝑗𝑘
s.t. ∑𝑗≠1:(𝑖,𝑗)∈𝐴 𝑤𝑖𝑗 + (𝑛 − 1)𝑥𝑖1 = 𝑢𝑖 𝑖 ≥ 2 (23)
∑𝑖≠1:(𝑖,𝑗)∈𝐴 𝑤𝑖𝑗 + 1 = 𝑢𝑗 𝑖 ≥ 2 (24)
∑𝑘:(𝑗,𝑘)∈𝐴,𝑘≠𝑖,1 𝑧𝑖𝑗𝑘 + (𝑛 − 2)𝑦𝑖𝑗1 = 𝑤𝑖𝑗 (𝑖, 𝑗) ∈ 𝐴, 𝑖, 𝑗 ≥ 2 (25)
∑𝑘:(𝑘,𝑖)∈𝐴:𝑘≠𝑗,1 𝑧𝑘𝑖𝑗 + 𝑥𝑖𝑗 = 𝑤𝑖𝑗 (𝑖, 𝑗) ∈ 𝐴, 𝑖, 𝑗 ≥ 2 (26)
∑𝑗:(𝑖,𝑗)∈𝐴 𝑣𝑘𝑖𝑗 = 𝑢𝑘 𝑖, 𝑘, 𝑖 ≠ 𝑘, 𝑘 ≥ 2
∑𝑖:(𝑖,𝑗)∈𝐴 𝑣𝑘𝑖𝑗 + 1 = 𝑢𝑘 𝑗, 𝑘, 𝑗 ≠ 𝑘, 𝑘 ≥ 2
𝑥𝑖𝑗 ≤ 𝑤𝑖𝑗 ≤ (𝑛 − 2)𝑥𝑖𝑗 (𝑖, 𝑗) ∈ 𝐴, 𝑖, 𝑗 ≥ 2
𝑤𝑖𝑗 + 𝑤𝑗𝑖 ≥ 𝑢𝑗 + (𝑛 − 2)𝑥𝑖𝑗 − (𝑛 − 1)(1 − 𝑥𝑗𝑖 ), (𝑖, 𝑗) ∈ 𝐴, 𝑖, 𝑗 ≥
2
𝑤𝑖𝑗 + 𝑤𝑗𝑖 ≤ 𝑢𝑗 − (1 − 𝑥𝑖𝑗 ) (𝑖, 𝑗) ∈ 𝐴 𝑖, 𝑗 ≥ 2
𝑧𝑖𝑗𝑘 + 𝑧𝑗𝑘𝑖 + 𝑧𝑘𝑖𝑗
≤ (1 − 𝑢𝑗 ) + (𝑣𝑗𝑘𝑖 + 𝑤𝑖𝑗 + 𝑤𝑗𝑘 )
+ (𝑛 − 1)(𝑦𝑗𝑘𝑖 − 𝑥𝑗𝑘 − 𝑥𝑘𝑖 )
+ (𝑛 − 2)(1 + 𝑦𝑖𝑗𝑘 − 𝑥𝑖𝑗 ) + (𝑛 − 3)𝑦𝑘𝑖𝑗 (𝑖, 𝑗, 𝑘)
∈ℬ
𝑧𝑖𝑗𝑘 + 𝑧𝑗𝑘𝑖 + 𝑧𝑘𝑖𝑗 ≤ (1 − 𝑢𝑗 ) + (𝑣𝑗𝑘𝑖 + 𝑤𝑖𝑗 + 𝑤𝑗𝑘 ) +
(𝑦𝑗𝑘𝑖 − 𝑦𝑘𝑖𝑗 − 𝑥𝑗𝑘 − 𝑥𝑘𝑖 ) (𝑖, 𝑗, 𝑘) ∈ ℬ
𝑦𝑖𝑗𝑘 ≥ 0 (𝑖, 𝑗, 𝑘) ∈ 𝐴
Untuk ATSP kita dapat menggunakan reformulasi langkah (3) dan
(4) , tetapi hasil komputasi tidak mengencangkan relaksasi LP dan
PRLT. Peneliti juga memiliki alasan untuk mengencangkan
masalah dengan persamaan (1),(2),(5) dan (6) dengan
mengalikannya pada bilangan biner. Karena tidak bisa maka
digunakan penyelesaian dengan metode lagrangian

ℒ(𝛼, 𝛽, 𝛾, 𝜃) =
Min ∑(𝑖,𝑗,𝑘)∈𝐴 𝑄̅𝑖𝑗𝑘 𝑦𝑖𝑗𝑘 + ∑(𝑖,𝑗,𝑘)∈𝐵(𝐵𝑖𝑗𝑘 𝑧𝑖𝑗𝑘 + 𝐷𝑖𝑗𝑘 𝑣𝑖𝑗𝑘 ) +
∑(𝑖,𝑗)∈𝐴;𝑖,𝑗≥2 𝐸𝑖𝑗 𝑥𝑖𝑗 + 𝐹𝑖𝑗 𝑤𝑖𝑗 + ∑𝑗≥2 𝑃𝑗 𝑢𝑗 + 𝐾
s.t (2),(7),(8),(24)-(31),(35)
𝛼, 𝛽, 𝛾, 𝜃 ≥ 0
Dimana,
̅̅̅̅̅
𝑄𝑖𝑗𝑘 =
𝑄𝑖𝑗𝑘 + 𝜃𝑗𝑘𝑖 − 𝜃𝑘𝑖𝑗 − 𝛼𝑖𝑗𝑘 + (𝑛 − 1)𝛾𝑘𝑖𝑗 + (𝑛 − 2)𝛾𝑖𝑗𝑘 + (𝑛 − 3)(𝛾𝑗𝑘𝑖 + 𝛽𝑖𝑗𝑘 ) (𝑖, 𝑗, 𝑘) ∈ 𝐵
{
𝑄𝑖𝑗𝑘
𝐵𝑖𝑗𝑘 = 𝛼𝑖𝑗𝑘 +𝜃𝑖𝑗𝑘 + 𝜃𝑗𝑘𝑖 + 𝜃𝑘𝑖𝑗 − 𝛽𝑖𝑗𝑘 − 𝛾𝑖𝑗𝑘 + 𝛾𝑗𝑘𝑖 + 𝛾𝑘𝑖𝑗
𝐷𝑖𝑗𝑘 = 𝛾𝑘𝑖𝑗 − 𝜃𝑘𝑖𝑗
𝐸𝑖𝑗 = ∑𝑘:(𝑖,𝑗,𝑘)∈𝐵((𝜃𝑗𝑘𝑖+ 𝜃𝑘𝑖𝑗 ) + (𝑛 − 1)( 𝛾𝑗𝑘𝑖 + 𝛾𝑘𝑖𝑗 ) + (𝑛 −
2)𝛾𝑖𝑗𝑘 )
𝐹𝑖𝑗 = ∑𝑘:(𝑖,𝑗,𝑘)(𝛾𝑖𝑗𝑘 +𝛾𝑘𝑖𝑗 − 𝜃𝑖𝑗𝑘 − 𝜃𝑘𝑖𝑗 )
𝑃𝑗 = ∑𝑖,𝑘:(𝑖,𝑗,𝑘)∈𝐵(𝜃𝑖𝑗𝑘 − 𝛾𝑖𝑗𝑘 )
𝐾 = ∑(𝑖,𝑗,𝑘)∈𝐵(𝛾𝑖𝑗𝑘 − 𝜃𝑖𝑗𝑘 )
Setelah dilakukan iterasi maka didapat bawah hasil batas bawah
terbaik.
Siklus Reformulasi
Biarkan siklus C menjadi G sebagai bukti perubahan biaya
 𝑞(𝐶) = ∑(𝑖,𝑗,𝑘)∈𝐴;(𝑖,𝑗),(𝑗,𝑘)∈𝐶 𝑄𝑖𝑗𝑘
Kita memiliki 𝑇 ⊆ 𝑐
min 𝑞(𝐶) = min 𝑞(𝑇)
𝐶∈𝐶 𝑇∈𝑇
Kemudian berlaku
min 𝑑(𝐶) = min{𝑞(𝐶) + 𝜋(𝐶) ≤ 𝑑(𝑇°) = 𝑞(𝑇°) + 𝜋(𝑉)
𝐶∈𝐶 𝐶∈𝐶
min{𝑞(𝐶) − 𝜋(𝑉\𝐶) ≤ 𝑞(𝑇°)
𝐶∈𝐶
max𝑛 min{𝑞(𝐶) − 𝜋(𝑉\𝐶)}
𝜋𝜖ℝ 𝐶∈𝐶
P : Max 𝜌
s.t. 𝜌 + 𝜋(𝑉\𝐶) ≤ 𝑞(𝐶) 𝐶 ∈ 𝐶
𝜌, 𝜋 tidak dibatasi
Sehingga dapat diselesaikan sebagai berikut.
MP: min ∑𝐶∈𝐶 𝑞(𝐶)𝜆𝑐
s.t. ∑𝐶∈𝐶;𝑖∉𝑐 𝜆𝑐 = 0 𝑖∈𝑉
∑𝐶∈𝐶 𝜆𝑐 = 1
𝜆𝑐 ≥ 0 𝐶 ∈ 𝐶
Pendekatan pembuatan kolom
Teorema 1
Jika kolom cp yang dimasukkan ke dalam tur, maka itu adalah tur
yang optimal.
Proposisi 2
Untuk setiap tur T𝜖Tdi G terdapat n-arc –T yang melewati dalam
G melewati cluster tepat sekali q(T) = q’(T) maupun sebaliknya.
Teorema 3
Kendala ATSP berlebihan sehingga bisa dihapuskan dari model

Pembuatan Kolom yang Stabil

SRP: max 𝜌 + ∑𝑖=𝑉 𝜋𝑖 − 𝜀𝑖− 𝜔𝑖− − 𝜀𝑖+ 𝜔𝑖+
s.t 𝜌 + ∑𝑖∈𝑐 𝜋𝑖 ≤ 𝑞(𝐶) 𝐶 ∈ 𝑐̅
− −
𝜋𝑖 + 𝜔𝑖 ≥ 𝛿𝑖 𝑖∈𝑉
𝜋𝑖 − 𝜔𝑖+ ≤ 𝛿𝑖+ 𝑖∈𝑉
− +
𝜋𝑖 , 𝜔𝑖 , 𝜔𝑖 ≥ 0, 𝜌 tidak dibatasi
SRP: min ∑𝐶∈𝐶̅ 𝑞(𝐶)𝜆𝑐 + ∑𝑖∈𝑉 −𝛿𝑖− 𝜇𝑖− + 𝛿𝑖+ 𝜇𝑖+
s.t. ∑𝐶∈𝐶̅ 𝜆𝐶 − 𝜇𝐼− + 𝜇𝐼+ ≥ 1 𝑖 ∈ 𝑉
∑𝐶∈𝐶 𝜆𝐶 = 1
𝜇𝑖− ≤ 𝜀𝑖− 𝑖 ∈ 𝑉
𝜇𝑖+ ≤ 𝜀𝑖+ 𝑖 ∈ 𝑉
𝜆, 𝜇 − , 𝜇 + ≥ 0

Pembahasan Pada contoh uji diberikan rangkaian data acak yang dimulai dari
n=5 hingga n=25 dimana biaya kuadratik didefinisikan sebagai
sebagai bilangan bulat yang dipilih secara beragam dama set
{0,1,...,1000}. Kumpulan data reload adalah G=(V,A). Adapun
pilihan parameter stabilisasi dengan menginisialisasi 𝛿 − , 𝛿 + di -
1000 dan 1000, masing-masing parameter vektor 𝜀- dan 𝜀+ dipilih
sebagai -5 dan 5. Dengan algoritma pembangkitan adalan 𝑞(𝐶) ≥
0 dan (𝜇-, 𝜇+) = (0,0). Sehingga perhitungan batas bawahnya
 didapat jika kolom memasui basis sesuai dengan tur yang optimal
dan pada pendekatan CG, solusi masalah penetapan harga
tergantung pada pada node 𝑖 ∈ 𝑉sehingga peneliti menghapus
biaya yang bernilai negatif. Oleh sebab itu, tidak ada lagi kolom
yang diberi harga dan barulah ditemukan biaya pada batas bawah
sesuai dengan masalah aslinya.
Simpulan Mempelajari skema batas bawah menggunakan generasi kolom
untuk memecahkan masalah biaya. Oleh karena itu, dengan
menggunakan lagrangian sehingga mempermudah linearisasi
didapatkan hasil yang approach, karena pendekatan kolom sangat
mengungguli, kedua ATSP memberikan batasan yang linear,
ketiga disempurnakan dengan reformulasi-lineariasi.
Persamaan Mengangkat permasalahan TSP berupa jarak yang harus ditempuh
Jurnal
Perbedaan Menyelesaikan asalah TSP dengan metode sekali jalan untuk
Jurnal minimisasi biaya
Kekuatan Pada penyelesaian ini, menggunakan algoritma batas bawah
Penelitian adalah yang cukup dan terbaik. Sehingga didapatkan nilai 1. Hal
ini memungkinkan ditemukannya biaya optimal yang seminimal
mungkin dan tentunya dapat mempermudah menemukan solusinya
dalam TSP dengan berbagai node yang terhubung satu sama lain.
Kelemahan Menghapus biaya yang negatif dapat dimungkinkan terjadinya
Penelitian solusi yang tidak optimal. Akibatnya bisa terjadi pergeseran biaya
asli dengan biaya yang ada dalam program sehingga solusi optimal
belum bisa ditemukan.
Program yang Untuk menyelesaikan masalah ini, peneliti menggunakan
digunakan algoritma yang dilinearisasi dan direformulasi pada pemasalahan
kuadratik TSP ini.
Kondisi TSP Penggunaan ini digunakan untuk memunculkan biaya yang
digunakan minimum denga alur pendistirbusian tepat sekali jalan.
Implikasi Jadi dengan adanya masalah dan penggunaan batas bawah ini
Manajerial diharapkan bahwa para pelaku bisnis dapat menggunakannya
untuk memprediksikan jalur distribusi tepat sekali jalan agar tepat
sekali jalan dan biaya yang minimum.