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
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
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.