MAKALAH METODE METAHEURISTIK

Dosen Pengampu : Mas’ud Effendi, STP,MP.

KELAS C

Oleh:

Candra Fungki Eka Retno Putri /175100301111013

JURUSAN TEKNOLOGI INDUSTRI PERTANIAN

FAKULTAS TEKNOLOGI PERTANIAN

UNIVERSITAS BRAWIJAYA

MALANG

2019
 ABSTRAK

Tujuan dari makalah ini adalah untuk merancang sebuah solusi dari
permasalahan rute kendaraan dalam mendistribusikan bahan dengan
menggunakan perbandingan 4 jenis algoritma metaheuristik yaitu:
Algoritma Genetika (GA), Particle Swarm Optimization (PSO), Ant Colony
Optimization (ACO) dan Cross Entropy (CE) dengan beberapa kombinasi
parameter yang digunakan untuk menjalankan algoritma. Kami
menggunakan studi kasus masalah routing dari perusahaan distribusi
dalam mendistribusikan bahan baku pada outletoutletnya, yang memiliki 10
node (outlet),dengan menggunakan data dari posisi node dan tingkat
lintasan (waktu kedatangan pada node).Hasil dari 4 (empat) algoritma
ditemukan bahwa GA, PSO dan ACO memiliki nilai optimasi yang lebih baik
daripada iterasi CE dan membutuhkan lebih banyak sumber daya untuk
waktu komputasi. Dalam kesimpulan akhir diperoleh waktu komputasi
paling cepat adalah CE, sedangkan waktu komputasi paling lambat adalah
GA, waktu yang memungkinkan untuk distribusi per hari ± 6 jam ditetapkan
jumlah kendaraan yang dibutuhkan sebanyak 3 unit, dengan total jarak 60
km dan total waktu 6 jam (kecepatam rata-rata 10km/jam).

Kata kunci:Vehicle Routing Problem, Metaheuristic, Optimasi

 BAB I
PENDAHULUAN
1.1 Latar Belakang
Penelitian ini pada dasarnya bertujuan untuk menemukan pengaruh
jumlah ‘node’ pada problem TSP terhadap nilai solusi optimal dan waktu
komputasi dalam studi kasus perusahaan distribusi makanan ke outlet di
mall. Hasil yang diperoleh untuk sebanyak k-cluster problem VRP
selanjutnya diolah dan dianalisis. Pendekatan ini didesain untuk
memecahkan masalah dengan mengutamakan waktu komputasi yang
relatif lebih singkat dan secara bersamaan memperoleh solusi optimal atau
solusi yang mendekati optimal dengan kasus yang serupa dengan TSP
namun dengan sedikit modifikasi yaitu VRP. Beberapa metode dalam
pendekatan metaheuristik yang berkembang dan dapat digunakan untuk
berbagai jenis masalah optimisasi kombinatorial diantaranya Genetic
Algorithm(GA), Cross Entropy (CE), Particle Swarm Optimization (PSO)
dan Ant Colony Optimization (ACO). Pemodelan masalah yang digunakan
dalam penelitian ini adalah menghubungkan posisi lokasi titik pengiriman
dengan mencari jarak yang optimal yang harus ditempuh oleh kendaraan
pengirim. Yang akan dibandingkan dengan beberapa metode algoritma.
Hasil penelitian diharapkan dapat memberikan rekomendasi metode yang
sebaiknya digunakan untuk untuk berbagai nilai ‘node’ problem
VRP.Ukuran kluster problem TSP dalam hal ini dinyatakan dalam jumlah
node.
1.2 Tujuan
Untuk mengetahui metode dalam pendekatan metaheuristik yang
berkembang dan dapat digunakan untuk berbagai jenis masalah optimisasi
kombinatorial diantaranya Genetic Algorithm(GA), Cross Entropy (CE),
Particle Swarm Optimization (PSO) dan Ant Colony Optimization (ACO).

1.3 Metode
Metode yang digunakan penulis dalam pembuatan Makalah ini adalah
dengan mencari referensi dari beberapa jurnal
 BAB II
PEMBAHASAN
2.1 Metaheuristik
Metaheuristik dapat didefinisikan sebagai metode lanjut (advanced)
berbasis heuristic untuk menyelesaikan persoalan optimisasi secara
efficient. Metaheuristik didefinisikan sebagai metode optimisasi yang
dilakukan dengan memperbaiki kandidat penyelesaian secara iteratif sesuai
dengan fungsi objektifnya. Metode ini mampu menghasilkan penyelesaian
yang baik dalam waktu yang cepat (acceptable), tetapi tidak menjamin
bahwa penyelesaian yang dihasilkan merupakan penyelesaian terbaik
(optimal). Metode metaheuristik banyak dipakai dalam optimisasi stokastik
(optimisasi stokastim merupakan optimisasi yang memiliki derajat
ketidakpastian atau random) (Darabi dkk, 2020)..
Metaheuristik memiliki beberapa karakteristik dasar yaitu
Metaheuristik adalah strategi yang memandu proses pencarian. Tujuan dari
metaheuristik adalah untuk menjelajahi ruang pencarian secara efficient
untuk menemukan solusi optimal. Teknik metaheuristik berkisar dari
prosedur pencarian local yang sederhana sampai proses pembelajaran
yang komplek. Meteheuristik adalah metode pendekatan dan biasanya non-
deterministik. Metaheuristik dapat terdiri dari penggabungan beberapa
mekanisme supaya proses pencarian tidak terjebak dalam daerah terbatas
di ruang pencarian. Konsep dasar dari metaheuristik memungkinkan
pendeskripsian secara abstrak. Metaheuristik bersifat general/umum
sehingga dapat diterapkan dalam berbagai macam persoalan.
Metaheuristik dapat menggunakan domain pengetahuan khusus dalam
bentuk heuristik yang dikendalikan dengan strategi tingkat lanjut.
Metaheuristik dapat menggunakan pengalaman yang didapat selama
proses pencarian untuk menuntun proses pencarian (Hassan dan Nelishia,
2019).
Dalam menentukan apakah metaheuristik adalah metode yang
sesuai untuk menyelesaikan suatu permasalahan, ada beberapa hal yang
perlu diperhatikan misalnya kompleksitas permasalahan, ukuran input,
struktur input dan waktu yang diperlukan untuk menyelesaikan masalah
tersebut. Secara umum metehauristik dipakai untuk masalah-masalah yang
komplek dan tidak bisa diselesaikan dengan mudah secara analitikal/eksak.
Tidaklah terlalu bermanfaat menggunakan metaheuristik untuk persoalan
yang dengan mudah dan cepat dapat diselesaikan secara eksak
(penyelesaian eksak merupakan penyelesaian terbaik, tetapi seringkali
metode ini tidak dapat diterapkan pada permasalahan optimisasi, sehingga
dipakailah metode pendekatan) (Hassan dan Nelishia, 2019).

2.2 Algoritma Genetika

Algoritma Genetika merupakan teknik optimasi yang terinspirasi dari
prinsip genetika dan seleksi alam, sebagaimana dinyatakan dalam Teori
Evolusi oleh Darwin. Algoritma ini digunakan untuk mendapatkan solusi
yang tepat untuk masalah optimasi multi-variabel. Berbeda dengan teknik
pencarian konvensional, Algoritma Genetika bermula dari himpunan solusi
yang dihasilkan secara acak. Himpunan ini disebut populasi. Sedangkan
setiap individu dalam populasi disebut kromosom yang merupakan
representasi dari fungsi fitness yang akan dicari nilai optimasinya (Silva dkk,
2018).

Adapun langkah-langkah dalam Algoritma PSO untuk Clustering,

sebagai berikut. Pendefinisian pusat cluster awal, Pengelompokan data ke
dalam cluster, Perhitungan nilai Sum of Squared-Error (SSE). Nilai SSE
inilah yang akan dicari nilai optimalnya (minimum) dengan menggunakan
algoritma PSO. Optimasi clustering dengan PSO. Sebelum memulai
optimasi clustering untuk iterasi awal perlu didefinisikan terlebih dahulu
kecepatan awal partikel (V0), dengan memperhatikan batas kecepatan.
Meng-update nilai SSE Nilai SSE yang diperoleh paling akhir kemudian
dibandingkan dengan nilai SSE sebelumnya. Jika nilai SSE tersebut lebih
kecil dari nilai SSE sebelumnya, maka pusat cluster yang dihasilkan akan
menjadi pusat cluster yang baru. Pengulangan dilakukan sampai terjadi
stopping condition, yaitu setelah beberapa kali iterasi sesuai yang telah
ditentukan sebelumnya (Jana dkk, 2019).
2.3 Metode Ant Colony Optimization (ACO)
Ant Colony Optimization(ACO) dikembangkan oleh Dorigo yang
terinspirasi dari hasil percobaan mengenai tingkah laku dari koloni
semut.Percobaan yang dilakukan adalah mendapatkan tingkah laku dari
koloni semut ketika mencari jalan dari sarangnya ke sumber makanan.Dua
buah cabang dari sarangnya ke sumber makanan dibedakan dari panjang
jalannya. Pada periode tertentu setelah semut melalui kedua percabangan
jalan itu, mereka berhasil menemukan jalan terpendek dari kedua jalan
tersebut.Tingkah laku semut untuk mencari jalan terpendek merupakan
hasil dari sebuah komunikasi secara tidak langsung yang kita ketahui
sebagai Stigmergy.Stigmergy didefinisikan sebagai sebuah metode
komunikasi pada sistem desentralisasi, dimana setiap individu
memodifikasi lingkungan mereka dalam berkomunikasi.Pada kasus semut
mencari makanan, semut merubah lingkungan mereka dengan
memberikan tanda-tanda kimiawi, yang dikenal sebagai pheromones,
disepanjang jalandari jembatan yang dilalui. Ant-Colony Optimization
termasuk dalam kelompok Swarm Intelligence, yang merupakan salah satu
jenis pengembangan paradigma yang digunakan untuk menyelesaikan
masalah optimasi dimana inspirasi yang digunakan untuk memecahkan
masalah tersebut berasal dari perilaku kumpulan atau kawanan (swarm)
serangga. ACO biasanya digunakan untuk menyelesaikan discrete
optimization problems dan persoalan yang kompleks dimana terdapat
banyak variabel. Hasil yang diperoleh dengan menggunakan ACO,
walaupun tidak optimal namun mendekati optimal. ACO sudah diterapkan
di berbagai masalah seperti VRP, penjadwalan proyek dengan sumberdaya
terbatas, data mining, penjadwalan pekerjaan (Kandidayeni dkk, 2019).
2.4 Metode Particle Swarm Optimization (PSO)

Algoritma PSO Clustering pada penelitian ini digunakan untuk proses

clustering data dan proses penemuan pusat klaster terbaik. Beberapa input
dalam Algoritma PSO Clusteringdiantaranya populasi data yang akan di-
cluster-kan, jumlah cluster (k), dan jumlah iterasi yang diinginkan. Algoritma
ini merupakan pengembangan dari algoritma Particle Swarm Optimization
(PSO). Algoritma ini meyelesaikan sistem persamaan nonlinear yang
sebelumnya telah diubah menjadi permasalahan optimasi. Uji coba
dilakukan terhadap beberapa fungsi dan sistem persamaan nonlinear untuk
menguji kinerja dan efisiensi algoritma. Berdasarkan hasil uji coba,
beberapa fungsi dan sistem persamaan nonlinear telah konvergen pada
iterasi ke 10 sampai 20 dan terdapat fungsi yang konvergen pada iterasi ke
200. Selain itu, solusi yang dihasilkan algoritma Particle Swarm mendekati
solusi eksak (Kuo dkk, 2018).

2.5 Metode Cross Entropy

Metode Cross Entropy (CE) yang digunakan berdasarkanliteratur

yang diperoleh beserta referensinya. Metode CE diawali denganalgoritma
adaptive untuk mengestimasi probabilitas dari rare-event pada jaringan
stokastik yang kompleks,yang melibatkan minimasi standar deviasi.Ide
utama dari metode CE untuk optimasi dapat dinyatakan sebagai berikut.
Misalnya terdapat suatu masalah untuk memaksimasi kinerja fungsi S(x)
pada setiap x di dalam kumpulan χ dimananilai maksimum yang didapat
adalah γ*. Pada tahap pertama, masalah deterministik dirandomisasi
dengan mendefinisikan robability density function (pdf).Diasumsikan pdf
memiliki densitas yang berdegenerasi pada x*, Dalam hal ini X adalah
vektor random dengan pdf. Tujuan algoritma CE adalah untuk
menghasilkan urutan solusi {(γt, vt)}, yang memusat dengancepat ke arah
solusi optimal (γ*, v*). Sebagai awalnya, v0 harus ditetapkan, dan ρ yang
tidak terlalu kecil dipilih, misalnya ρ = 0.01. MetodeCE melibatkan prosedur
iterasi, dimana tiap iterasi dapat dipecah menjadi dua fase, yaitu: 1)
Melakukan generatesampel data random (χ) berdasarkan mekanisme
spesifik. 2) Memperbaharui parameter (v) dari mekanisme random
berdasarkan data sampel elite untuk menghasilkan sampel yang lebih baik
pada iterasi berikutnya (Moya dkk, 2019).
2.6 Artificial bee colony optimization (ABC)

ABC adalah teknologi logistik yang dirancang oleh Karabogain 2005.Ini

adalah salah satu metaheuristik generasi baru yang paling banyak dikutip
dalam ABC, sebagai algoritma berbasis populasi, telah diterapkan pada
berbagai masalah optimisasi. Aspirasi alami ABC berasal dari kenyataan
bahwa solusi kandidat diwakili sebagai melihat / mengeksploitasi sumber
makanan, dan solusi yang disajikan sebagai bahan makanan untuk setiap
sumber makanan Sebuah solusi menunjukkan sumber makanan dan
jumlah nektar dari masing-masing sumber daya mewakili kualitas /
kebugaran setiap sumber daya. setiap solusi (Vaferi dkk, 2018). Ada tiga
jenis lebah di dalam sarang: lebah yang "dipekerjakan", "penonton", dan
"pengintai". Di alam, lebah yang dipekerjakan mencari sumber makanan,
kembali ke sarang dan berbagi informasi dengan pembiayaan. Ketika
dipekerjakan di bawah pengumpulan nektar, ia berubah menjadi pengintai
dan mencari sumber makanan baru. Lebah pengamat menyaksikan
bagaimana lebah yang dipekerjakan menari dan memilih sumber makanan,
sementara lebah pengintai menjelajahi sumber makanan. Secara
komputasi, perilaku dan perilaku koloni yang disajikan sebagai berikut
(Dokeroglu dkk, 2019).
 BAB III
PENUTUP

3.1 Kesimpulan

Metaheuristik didefinisikan sebagai metode optimisasi yang dilakukan

dengan memperbaiki kandidat penyelesaian secara iteratif sesuai dengan
fungsi objektifnya. Metode ini mampu menghasilkan penyelesaian yang
baik dalam waktu yang cepat (acceptable), tetapi tidak menjamin bahwa
penyelesaian yang dihasilkan merupakan penyelesaian terbaik (optimal).
Metode metaheuristik banyak dipakai dalam optimisasi stokastik (optimisasi
stokastim merupakan optimisasi yang memiliki derajat ketidakpastian atau
random). Metaheuristik memiliki beberapa karakteristik dasar yaitu
Metaheuristik adalah strategi yang memandu proses pencarian. Tujuan dari
metaheuristik adalah untuk menjelajahi ruang pencarian secara efficient
untuk menemukan solusi optimal. Teknik metaheuristik berkisar dari
prosedur pencarian local yang sederhana sampai proses pembelajaran
yang komplek. Metode pada meaheuristik yaitu Algoritma Genetika, Metode
Ant Colony Optimization (ACO), Metode Particle Swarm Optimization
(PSO), Metode Cross Entropy, Artificial bee colony optimization (ABC).
 DAFTAR PUSTAKA

Darabi A., M.B., G.B., G. 2020. Dual feasible direction-finding

nonlinear programming combined with metaheuristic
approaches for exact overcurrent relay coordination. Journal
ELSEVIER. 114(2020): 105420

Dokeroglu T., E.S., T.K., A.C. 2019. A survey on new generation

metaheuristic algorithms. Journal ELSEVIER. 137 (2019):
106040

Hassan A dan Nelishia P. 2019. Hybrid metaheuristics: An automated

approach. Journal ELSEVIER. 130(2019): 132-144.

Hidalgo A. B., Antonio J., J.G., I. O., J D. 2019. jMetalPy: a Python

Framework for Multi-Objective Optimization with
Metaheuristics. Journal ELSEVIER. 123(34): 45-60

Jana D., Renatas K., A.A.J., A.F., O. P. 2019. Metaheuristics for rich
portfolio optimisation and risk management: Current state
and future trends. Journal ELSEVIER. 6(2019):100121

Kandidayeni M., A. M., A. K., L. B. 2019. Benchmark of proton

exchange membrane fuel cell parameters extraction with
metaheuristic optimization algorithms. Journal ELSEVIER.
183(2019): 912-925.
Kuo R.J., Y.P., F.E.Z. 2018. Application of metaheuristic based fuzzy
K-modes algorithm to supplier clustering. Journal
ELSEVIER. 120(2018): 296-307
Moya I., M. C., J.B. 2019. Constructive metaheuristics for solving the
Car Sequencing Problem under uncertain partial demand.
Journal ELSEVIER. 137 (2019): 106048
Silva M. A., Sergio R., Marcone J. Moacir F. 2018. Hybrid
Metaheuristics and Multi-agent Systems for solving
Optimization Problems: a review of frameworks and a
comparative analysis. Journal ELSEVIER. 123(24):40-60
Vaferi M., M.S.F., Amir H. 2018. A Metaheuristic for the
Containership Feeder Routing Problem with Port Choice
Process. Journal ELSEVIER. 34(2) (2018) 119-128.
LAMPIRAN

REVIEW JURNAL

1. Constructive metaheuristics for solving the Car Sequencing Problem

under uncertain partial demand
Masalah pengurutan mobil adalah masalah yang sudah mapan yang
menjadi model konflik yang timbul dari penjadwalan mobil menjadi jalur
perakitan. Namun, pendekatan yang ada untuk masalah ini tidak
mempertimbangkan non-reguler atau out-of-kendaraan katalog, yang biasanya
diproduksi di jalur perakitan. Dalam tulisan ini, kami mengusulkan masalah
baru definisi yang berhubungan dengan kendaraan non-reguler. Model novel
ini disebut Car Sequencing Problem yang kuat. Kita modelkan masalah
optimisasi realistis ini menggunakan skenario yang ditentukan oleh berbagai
rencana produksi. Masalahnya bisa dipecahkan dengan mengukur dampak
variabilitas rencana dan dengan mengamati pelanggaran masalah kendala
yang muncul saat beralih dari satu paket ke paket lainnya. Selain formulasi
model kami, kami mendesain dan mengimplementasikan seperangkat
metaheuristik konstruktif untuk menangani mobil kuat tradisional dan novel
masalah sequencing. Metaheuristik yang dipilih didasarkan pada prosedur
pencarian adaptif acak serakah. dure, optimasi koloni semut, dan pencarian
lingkungan variabel. Kami telah membuat instance yang kompatibel dari tolok
ukur utama dalam literatur (CSPLib) dan kami telah menerapkan metaheuristik
ini untuk memecahkan yang baru ekstensi masalah yang kuat. Kami
melengkapi studi eksperimental dengan menerapkan analisis statistik post hoc
untuk mendeteksi perbedaan yang relevan secara statistik antara kinerja
metaheuristik. Hasil kami menunjukkan bahwa optimasi koloni semut memetika
dengan pencarian lokal adalah metode terbaik karena berkinerja baik untuk
setiap masalah. Jurnal ini bagus dan lengkap.

2. A survey on new generation metaheuristic algorithms

Metaheuristik adalah bidang penelitian yang mengesankan dengan
perbaikan yang sangat penting dalam solusi masalah pengoptimalan yang sulit
diterapkan. Kemajuan besar telah dibuat sejak metaheuristik pertama
 diusulkan dan banyak algoritma baru masih diusulkan setiap hari. Tidak ada
keraguan bahwa studi di bidang ini akan terus berkembang dalam waktu
dekat. Namun, ada permintaan yang jelas untuk memilih yang berkinerja
terbaik metaheuristik yang diharapkan bersifat permanen. Dalam survei ini,
kami membedakan empat belas baru dan luar biasa metaheuristik yang telah
diperkenalkan selama dua puluh tahun terakhir (antara 2000 dan 2020) selain
yang klasik seperti genetik, kawanan partikel, dan pencarian
tabu. Metaheuristik dipilih karena mereka kinerja yang efisien, jumlah kutipan
yang tinggi, operator evolusi spesifik, interaksi yang menarik saluran antara
individu, konsep pengaturan / penanganan parameter, dan metode
pencegahan stagnasi. Setelah memberikan dasar absolut dari metaheuristik
generasi baru, tren penelitian terbaru, metaheuristik hibrida, kurangnya
landasan teoretis, masalah terbuka, kemajuan dalam metaheuristik paralel dan
peluang penelitian baru. Jurnal ini sudah baik dan lengkap.

3. Hybrid metaheuristics: An automated approach

Metaheuristik hibrida telah terbukti efektif dalam memecahkan masalah
dunia nyata yang kompleks. Namun, menandatangani hybrid metaheuristik
sangat memakan waktu dan membutuhkan pengetahuan ahli tentang
metaheuristik ferent yang digabungkan. Dalam pekerjaan sebelumnya,
efektivitas mengotomatisasi desain metaheuristik hibrida relay telah
ditetapkan. Algoritma genetika digunakan untuk menentukanquence dari
metaheuristik hibridisasi dan parameter metaheuristik dalam hibrid. Pelajaran
ini memperluas ide ini dengan mengotomatisasi desain setiap metaheuristik
yang terlibat dalam hibridisasi dalam
untuk mengotomatisasi desain hibridisasi. Templat ditentukan untuk setiap
metaheuristik, yang mendefinisikan metaheuristik dalam hal
komponen. Desain manual dari metaheuristik biasanya melibatkan penentuan
komponen metaheuristik. Dalam penelitian ini, algoritma genetika digunakan
untuk menentukan komponen dan parameter untuk setiap metaheuristik serta
urutan metaheurisasi hibridisasitics. Pendekatan algoritma genetika yang
diusulkan dievaluasi dengan menggunakannya untuk secara otomatis
merancang hibrida metaheuristik untuk dua domain masalah, yaitu, masalah
 pendaratan pesawat dan dua dimens masalah pengepakan bin. Metaheuristik
hibrida yang dirancang secara otomatis ditemukan melakukan untuk
metaheuristik hibridisasi canggih untuk kedua masalah. Penelitian di masa
depan akan memperluas ini ide dengan melihat mengotomatisasi derivasi
algoritma metaheuristik tanpa struktur yang telah ditentukan ditentukan oleh
template. Jurnal ini sudah bagus dan lengkap.

4. Dual feasible direction-finding nonlinear programming combined with

metaheuristic approaches for exact overcurrent relay coordination
Dalam jurnal ini, pemrograman nonlinier arah-dapat digunakan ganda
yang dapat digunakan terkait dengan metaheur-pendekatan istic diterapkan
untuk koordinasi rele arus lebih terarah. Proyeksi gradien Rosen dan Metode
Zoutendijk dipilih sebagai teknik pemrograman nonlinear, dan algoritma
elektro-pencarian dikombinasikan dengan optimasi Cuckoo dipilih sebagai
bagian metaheuristik. Algoritma ini digabungkan dalam cara yang sesuai
berdasarkan kemampuan mereka. Pertama, semua kesalahan koordinasi
dihilangkan dengan menggabungkan meta-bagian heuristik dengan cara
manual yang diusulkan sederhana. Setelah menghilangkan semua
pelanggaran, bagian metaheuristik adalah bekerja sama dengan teknik
proyeksi gradien Rosen. Loop ini diulang sampai tidak ada perubahan yang
dapat diamati untuk jumlah iterasi yang ditentukan sebelumnya. Kemudian,
metode Zoutendijk diterapkan pada hasil yang diperoleh sebelumnya
algoritma. Metode yang diusulkan diuji pada sistem pengujian 8- dan 30-
bus. Kemudian, ditunjukkan bahwa total waktu operasi utama diperoleh,
bahkan untuk skema koordinasi non-komunikasi menggunakan relay dengan
normal karakteristik terbalik, jauh lebih rendah daripada yang diperoleh dengan
pendekatan pengaturan ganda. Jurnal ini sudah baik dan kompleks.

5. jMetalPy: a Python Framework for Multi-Objective Optimization with

Metaheuristics
Jurnal ini menjelaskan jMetalPy, kerangka kerja berbasis objek Python
berorientasi untuk optimasi multi-tujuan dengan metaheuristik
teknik. Berdasarkan pengalaman kami dengan kerangka kerja jMetal yang
 terkenal, kami telah mengembangkan multi-tujuan baru platform perangkat
lunak pengoptimalan bertujuan tidak hanya mereplikasi yang sebelumnya
dalam bahasa pemrograman yang berbeda, tetapi juga untuk mengambil
keuntungan dari set fitur penuh Python, termasuk fasilitas untuk prototyping
cepat dan sejumlah besar perpustakaan yang tersedia untuk pemrosesan data,
analisis data, visualisasi data, dan komputasi kinerja tinggi. Akibatnya,
jMetalPy menyediakan lingkungan untuk memecahkan masalah optimisasi
multi-tujuan yang berfokus tidak hanya pada metaheuristik tradisional, tetapi
juga pada teknik yang mendukung artikulasi preferensi, masalah terbatas dan
dinamis, bersama dengan serangkaian fitur kaya yang terkait dengan generasi
otomatis data statistik dari hasil yang dihasilkan, serta visualisasi real-time dan
interaktif dari perkiraan depan Pareto diproduksi oleh algoritma. jMetalPy
menawarkan dukungan tambahan untuk komputasi paralel di sistem multicore
dan cluster. Kita termasuk beberapa use case untuk mengeksplorasi fitur-fitur
utama jMetalPy dan untuk menggambarkan cara bekerja dengannya. Jurnal ini
sudah bagus dan kompleks.

6. Metaheuristics for rich portfolio optimisation and risk management:

Current state and future trends
Keuangan komputasi adalah bidang aplikasi yang muncul dari algoritma
metaheuristik. Secara khusus, metode misasi menjadi alternatif pendekatan
penyelesaian ketika berhadapan dengan versi realistis beberapa masalah
pengambilan keputusan di bidang keuangan, seperti optimisasi portofolio
yang kaya dan manajemen risiko. Makalah ini memandang literatur ilmiah
tentang penggunaan metaheuristik untuk menyelesaikan versi NP-hard dari
optimasi ini masalah dan menggambarkan kapasitas mereka untuk
memberikan solusi berkualitas tinggi di bawah skenario mempertimbangkan
realistis kendala. Makalah ini berkontribusi pada literatur yang ada dalam tiga
cara. Pertama, mengulas literatur tentang aplikasi optimisasi metaheuristik
untuk portofolio dan manajemen risiko secara sistematis. Kedua, itu
mengidentifikasi hubungan antara optimalisasi portofolio dan manajemen risiko
dan menyajikan pandangan terpadu dan klasifikasi kedua masalah
 tersebut. Akhirnya, itu menguraikan tren yang secara bertahap menjadi jelas
dalam literatur.Jurnal ini bagus dan sudah lengkap.

7. Hybrid Metaheuristics and Multi-agent Systems for solving Optimization

Problems: a review of frameworks and a comparative analysis
Analisis komparatif antara kerangka kerja untuk menyelesaikan masalah
pengoptimalan penggunaan metaheuristik. Tujuannya adalah untuk
mengidentifikasi kedua karakteristik yang diinginkan sebagai celah yang ada
dalam keadaan saat ini seni, dengan fokus khusus pada penggunaan struktur
multi-agen dalam pengembangan metaheuristik hibrida. Sebuah literatur
tinjauan kerangka kerja yang ada diperkenalkan, dengan penekanan pada
karakteristik hibridisasi, kerja sama, dan paralelisme, terutama berfokus pada
masalah yang terkait dengan penggunaan multi-agen. Untuk analisis
komparatif, satu set dari dua puluh dua karakteristik terdaftar, menurut empat
kategori: dasar-dasar, lanjutan, pendekatan multi-agen dan mendukung proses
optimasi. Strategi yang digunakan dalam hibridisasi, seperti paralelisme, kerja
sama, dekomposisi dari ruang pencarian, sistem hiper-heuristik dan multi-agen
dinilai sehubungan dengan penggunaannya dalam berbagai analisis kerangka
kerja Fitur spesifik dari sistem multi-agen, seperti pembelajaran dan interaksi
antara agen, juga dianalisis. Analisis komparatif menunjukkan bahwa
hibridisasi bukan fitur yang kuat dalam kerangka kerja yang ada. Di sisi lain,
proposal yang menggunakan sistem multi-agen menonjol dalam penerapan
metode hybrid, sebagaimana mereka memungkinkan interaksi antara
metaheuristik. Ini juga mencatat bahwa konsep hyper-heuristic sedikit
dieksplorasi oleh kerangka kerja yang dianalisis, serta ada kekurangan alat
yang menawarkan dukungan untuk proses optimisasi, seperti statistik analisis,
penyesuaian parameter dan antarmuka grafis. Berdasarkan analisis yang
disajikan, dapat dikatakan bahwa ada adalah kesenjangan penting yang harus
diisi dalam pengembangan Kerangka Kerja untuk Optimasi menggunakan
metaheuristik, yang terbuka kemungkinan penting untuk pekerjaan di masa
depan, terutama dengan menerapkan pendekatan sistem multi-agen. Jurnal ini
sudah baik dan kompleks.
8. Benchmark of proton exchange membrane fuel cell parameters extraction
with metaheuristic optimization algorithms
Model sel bahan bakar membran pertukaran proton (PEMFC) adalah
multivariat dengan elemen nonlinier yang berbeda yang harus diidentifikasi
secara akurat untuk memastikan pemodelan yang dapat diandalkan. Algoritma
metaheuristik adalah kandidat yang sempurna untuk tujuan ini karena mereka
melakukan pencarian informasi untuk menemukan parameter. Ini kertas
menggunakan tiga algoritma, yaitu shuffled frog-leaping algorithm (SFLA),
optimasi firefly juga gorithm (FOA), dan algoritma kompetitif imperialis (ICA)
untuk kalibrasi model PEMFC. Di dalam Berkenaan dengan, pertama,
algoritma digunakan untuk menemukan parameter dari model PEMFC patokan
oleh meminimalkan jumlah kesalahan kuadrat (SSE) antara tegangan yang
diukur dan yang diperkirakan untuk dua studi kasus yang tersedia dalam
literatur. Setelah melakukan 100 run independen, algoritme tersebut adalah
dibandingkan dalam hal SSE terbaik dan terburuk, varians, dan standar
deviasi. Perbandingan ini menunjukkan bahwa SFLA sedikit mengungguli ICA
dan FOA mengenai SSE terbaik dalam kedua kasus saat itu melakukan 20%
dan dua kali lipat lebih baik daripada algoritma lain tentang SSE
terburuk. Selanjutnya, varians yang diperoleh dan standar deviasi oleh SFLA
jauh lebih sedikit daripada algoritma lain yang menunjukkan presisi dan
pengulangan metode ini. Akhirnya, SFLA digunakan untuk mengkalibrasi
model untuk kasus baru studi (Horizon 500-W PEMFC) dengan suhu variabel.
Jurnal ini sudah bagus dan lengkap.

9. Application of metaheuristic based fuzzy K-modes algorithm to supplier

clustering
Banyak perusahaan mengalami kesulitan dalam memilih pemasok yang
tepat. Mengorganisir pemasok berdasarkan karakteristik mereka dapat
membantu perusahaan mengatasi masalah ini. Studi ini mengusulkan
pendekatan untuk pemilihan pemasok dengan mengatur pemasok
menggunakan metode pengelompokan. Tidak seperti metode segmentasi
pemasok lain, metode yang diusulkan menganalisis. Karakteristik pemasok
hanya berdasarkan pada produk yang dapat mereka tawarkan, karena data ini
 relatif lebih mudah diperoleh. Lebih lanjut, pendekatan klaster
mode K- fuzzy diterapkan untuk menangani kelas yang tumpang
tindih. Alasannya adalah itu beberapa pemasok mungkin memiliki karakteristik
yang sama dan milik lebih dari satu kelas. Clustering fuzzy dapat
memungkinkan situasi ini. Alih-alih menggunakan algoritma K- mode asli ,
penelitian ini mengusulkan peningkatan fuzzy K-algoritma
mode. Algoritma Fuzzy K- mode sensitif terhadap centroid awal. Jika centroid
awal buruk, itu tidak akan menyatu dengan hasil pengelompokan yang
baik. Oleh karena itu, penelitian ini menggabungkan algoritma fuzzy K- mode
dengan a pendekatan metaheuristik. Di sini, metaheuristik bertanggung jawab
untuk memberikan sentroid awal yang lebih menjanjikan
algoritma fuzzy K- mode. Ada tiga pendekatan metaheuristik yang diterapkan
dalam penelitian ini algoritma timization (PSO), algoritma genetika (GA), dan
algoritma lebah buatan koloni (ABC). Yang diusulkan Algoritma K- mode fuzzy
berbasis metaheuristik diverifikasi menggunakan dataset benchmark sebelum
diterapkan ke yang sebenarnya masalah segmentasi pemasok. Studi kasus
mempertimbangkan masalah segmentasi pemasok pada suku cadang
kendaraan bermotor pemasok di Taiwan. Hasil percobaan membuktikan
bahwa algoritma K- mode fuzzy berbasis metaheuristik melampaui
algoritma fuzzy K- mode. Di antara tiga metaheuristik yang
diuji, algoritma fuzzy K- mode berbasis GA adalah yang paling banyak
algoritma yang menjanjikan.

10. A Metaheuristic for the Containership Feeder Routing Problem with Port
Choice Process
Dalam tulisan ini, kami fokus pada memahami masalah bersama dari
generasi dan rute pembuatan kapal kontainer pemilihan pusat konsolidasi, dua
sub-masalah penting yang mempengaruhi keefektifan industri pelayaran liners,
yang menangani masalah perutean kapal. Dua metaheuristik berbeda
prosedur disajikan bahwa keduanya terdiri dari dua tahap: fase konstruksi
solusi (baiklingkungan terdekat dengan pengacakan serakah dan Clark dan
Wright dengan pengacakan serakah seleksi) dan fase peningkatan solusi,
berdasarkan pencarian lokal. Kedua metaheuristik itu dibandingkan dalam hal
kualitas solusi, analisis ketahanan dan waktu komputasi dalam berbagai
contoh, mulai dari kecil hingga besar. Evaluasi perbandingan menyeluruh
mengungkap keduanya metaheuristik dekat satu sama lain. Pendekatan acak
serakah adalah menghasilkan kinerja yang lebih baik daripada Clark dan
Wright konfigurasi. Selain itu, melalui analisis sensitivitas, kami menyelidiki dan
menguji dua hipotesis dalam jurnal ini.