Coupling Zone-Based Layout Optimization Ant Colony
Coupling Zone-Based Layout Optimization Ant Colony
net/publication/228951482
Optimasi tata letak berbasis zona kopling, sistem koloni semut, dan pengetahuan domain
Artikel · Januari 2004
CITATIONS
12
4 authors, including:
Mustapha Nourelfath
Laval University
103 PUBLICATIONS 1,342 CITATIONS
Semua konten yang mengikuti halaman ini diunggah oleh Edith Brotherton pada 29 April 2016 .
Benoit Montreuil12,3,
Nabil Ouazzani2,3,
Edith Brotherton2,3 dan
Mustapha Nourelfath2,4
Abstrak
Makalah ini mengusulkan metaheuristik baru untuk memecahkan masalah tata letak blok.
Metaheuristik mengeksploitasi pendekatan sistem koloni semut, dikombinasikan dengan
kemajuan terbaru dalam pemodelan matematika masalah serta pengetahuan domain tentang
tata letak blok. Masalah keseluruhan dibagi dalam dua bagian: desain tata letak dan teknik tata
letak. Pendekatan koloni semut berkaitan dengan desain tata letak sementara model
pengoptimalan linear berkaitan dengan rekayasa tata letak. Model optimisasi adalah versi linier
dari model optimisasi tata letak berbasis zona, yang mengoptimalkan tata letak yang diberi
kode tata letak pusat ke zona. Kode tata letak adalah output dari jalur yang dihasilkan oleh
setiap semut dalam koloni dalam perjalanannya melalui ruang solusi. Makalah ini menjelaskan
elemen-elemen mendasar yang mendefinisikan metaheuristik. Kemudian ia menyajikan
implementasi perangkat lunak berbasis java interaktif dari metaheuristik. Akhirnya menyajikan
hasil empiris awal.
1. Pendahuluan
Makalah ini membahas masalah optimisasi tata letak fasilitas dasar, yang terdiri dari
menentukan lokasi dan bentuk pusat dalam suatu bangunan sehingga untuk menghormati
spesifikasi bentuk pusat dan kendala lokasi dan untuk mengoptimalkan hubungan kedekatan
antsara pusat dan dengan eksterior, sering dikenal sebagai tata letak blok masalah. Versi
masalah ini di mana ruang bangunan yang tersedia didiskritisasi sebagai satu set lokasi tetap,
di mana satu pusat dapat ditata di setiap lokasi, adalah yang pertama dimodelkan secara
matematis, memang sebagai masalah penugasan kuadratik (Hillier & Connors [7]). Kemudian
Montreuil [11] telah memperkenalkan serangkaian model komprehensif yang memungkinkan
untuk mewakili optimasi tata letak dalam ruang kontinu daripada ruang diskrit, dan
menjelaskan bagaimana mengintegrasikan secara eksplisit dalam pemodelan stasiun input /
output untuk setiap pusat, jaringan aliran dan jaringan lorong. Model-model ini adalah program
linear integer campuran. Dalam dekade terakhir, beberapa ekstensi dan peningkatan telah
dicapai pada model optimisasi ini (mis. Meller et al. [10], Sherali et al. [15]). Namun, bahkan
mengambil keuntungan dari peningkatan kemampuan pemecah komersial seperti Cplex, case
ukuran industri tidak bisa
dipecahkan dengan cepat dan andal. Situasi ini telah mempercepat dominasi optimasi
heuristik saat ini, dimulai beberapa dekade yang lalu dengan pengenalan heuristik seperti
CRAFT (Armor [1]) dan diperkuat oleh kemajuan terbaru dalam optimasi metaheuristik (lihat
Tompkins et al. [18] untuk dasar-dasar).
Kontribusi dari makalah ini adalah untuk menyelidiki potensi mengintegrasikan kemajuan
terbaru dalam (1) pemodelan optimasi matematika dari masalah tata letak, melalui model
optimasi tata letak berbasis zona (Montreuil et al. [13]), dan (2) optimisasi metaheuristik ,
secara khusus mengeksploitasi kerangka metaheuristik koloni semut (misalnya Maniezzo &
Colorni [8]), ditambah dengan pengetahuan domain tentang tata letak blok.
Z1 Z2 Z3 Z4
Band 1 Z1 Z2 Z3 Z4 Z13
Z5 Z6 Z7 Z8
Band 2 Z5 Z6 Z7 Z8 Z14
Z9 Z10
Z10Z1 1 Z1Z12
2
Band 3 Z9 Z10 Z11
Z11 Z12Z15
A B C D
A BBC D
C D Z1 Z2
Z2Z3Z3Z4 Z4 Z13
Z17
E F G H
E F G Z5 Z6
Z6Z7Z7Z8 Z8 Z14
Z18
I J - -
H I J Z9 Z10 Z11 Z12Z15
centers A B C D E F G H I J
ABCD EFG | HIJ zones Z1
Z1 Z2 Z3 Z4 Z5 Z6 Z7 Z8 Z9 Z10
Z1 Z5 Z9 Z13 Z13
Z13 Z1
Z1 Z5 Z7
Z5 Z6 Z6 Z7 Z14
Z1 Z2
Z2Z3Z3
Z4 Z4 Z18Z18
Z17
Z2 Z6 Z10 Z14 Z14
Z14 Z2
Z2 Z15
Z3 Z7 Z11 Z15 Z5 Z6 Z7 Z8
Z15 Z3 Z8Z8
Z9Z9 Z10
Z10 Z19 Z16
Z16
Z18 Z15 Z19
Z4 Z8 Z12 Z16 Z16
Z16
Z16 Z4 Z17
Z17
Z9 Z10 Z11 Z12 Z11 Z12
Z11 Z12 Z13
Z13
Z17 Z18 Z19 Z20 Z19 Z20 Z21
Z21 Z20
Z20 Z22
Z22
Z20
Mendefinisikan kode tata letak dapat dianggap sebagai fase desain tata letak. Fase kedua
adalah rekayasa tata letak yang sesuai dengan generasi tata letak yang menghormati kode,
bentuk dan batasan lokasi, dan mengoptimalkan hubungan kedekatan antsar pusat. Model zona
secara global mengoptimalkan fase desain dan rekayasa. Fase desain ditangani dengan
menugaskan pusat ke zona, di mana zona ini disusun secara spasial relatif satu sama lain.
Bagian dari model zona yang dikhususkan untuk fase desain melibatkan 0-1 variabel dan
batasan linier. Fase rekayasa dimodelkan dengan menggunakan kerangka pemodelan ruang
kontinu yang diperkenalkan di Montreuil [11], yang menentukan lokasi dan bentuk setiap zona
yang diberikan penugasan pusatnya dan struktur spasial yang diberlakukan, lokasi dan bentuk
masing-masing pusat dalam zona yang ditugaskan tersebut diberikan bentuknya dan kendala
lokasi, dan
lokasi stasiun input / output masing-masing pusat. Bagian dari model zona yang
dikhususkan untuk fase teknik melibatkan variabel linier dan kendala. Fungsi objektif dari
model zona adalah linier. Hasil empiris saat ini ketika memecahkan model zona menjanjikan
untuk kasus-kasus kecil, memberikan hasil terbaik yang pernah ada pada serangkaian kasus
terkenal. Namun jelas bahwa model, yang dipecahkan secara ketat dengan menggunakan
pemecah komersial, tidak dalam posisi untuk menyelesaikan kasus industri besar secara
optimal (Montreuil et al. [13]).
Ide dasar pada sumber makalah ini adalah untuk menggunakan metaheuristik untuk
mendorong fase desain tata letak dan menggunakan bagian teknik tata letak model tata letak
zona, model pemrograman linier, untuk mengoptimalkan tata letak yang diberikan kode
desain. Keindahan menggunakan model tata letak-dari-kode linier adalah (1) bahwa untuk
setiap kode pendekatan menjamin bahwa tata letak optimal dieksplorasi untuk kode itu dan (2)
bahwa model mudah memungkinkan untuk menggabungkan melalui variabel linier dan
kendala gagasan seperti sebagai lokasi optimal stasiun input / output masing-masing pusat dan
meletakkan pusat terbatas pada area tertentu di gedung. Memang ide tersebut berlaku untuk
setiap metaheuristik yang bekerja dari pengkodean solusi. Makalah ini membahas potensi
optimasi heuristik berbasis koloni semut.
Sisa dari makalah ini disusun sebagai berikut. Bagian 2 menjelaskan model optimisasi tata
letak berbasis zona integer campuran dan model optimisasi tata letak berbasis kode linier.
Bagian 3 memperkenalkan metaheuristik Tata Letak AntsZone. Bagian 4 menjelaskan
implementasi perangkat lunak interaktif. Bagian 5 menyajikan hasil empiris awal. Bagian
terakhir 6 memberikan komentar konklusif.
Indeks :
B : bangunan
C, c’ : Pusat
e: : entitas (baik pusat c, zona z atau bangunan B)
z, z’ : zona
Set :
I : Set interaksi positif (aliran atau hubungan)
C : Set pusat
Px : Kumpulan pasangan zona (z, z ') sehingga zona z berada di sebelah kiri zona z' di sepanjang sumbu-X
Py : Kumpulan pasangan zona (z, z ') sehingga zona z ditempatkan di bawah zona z' sepanjang sumbu y
Sc : Set stasiun Input / Output untuk pusat c
Z : Set zona
Zc : Set zona di mana pusat c diizinkan untuk ditata
Parameter :
ae : Area target untuk entitas e
bxcs , bxcs , bycs , bycs : Jarak min antsara koordinat bawah / atas stasiun I / O pusat c pada sumbu X & Y
Variabel :
Ycsc' s' , Y csc' s' : Nilai positif / negatif jarak Y antsara stasiun I / O pusat c dan stasiun I / O pusat c
csc' s'I
Kontrol bentuk bangunan dan pusat: menghormati batas di pusat dan panjang bangunan,
lebar, keliling, dan area
0 lxe Xe - Xe lx e e CU B (2.1)
ae ae
lye = min ; y B lx e = ly e =
lye lxe
Kontrol lokasi pusat dan zona: mengikat setiap pusat dan zona agar berada dalam
batas yang diizinkan dalam bangunan
x B x e Xe Xe x e x B e CU Z (3.1)
y B ye Ye Ye ye
y B e CU Z (3.2)
y B YB YB y B (4.2)
Lokasi stasiun Input / Output di pusatnya: mengendalikan lokasinya untuk memastikan representasi
yang memadai
Opsi a: Terbatas berada di dalam persegi panjang di tengah
s' , X c sc' s' , Ycsc' s' , Yc sc' s' 0 [(c, s)-(c’, s’)] I
X csc' (6.3)
Kontrol posisi relatif antsar zona: memaksa struktur ruang berdasarkan zona yang
diinginkan
X z Xz' z, z’) Px (7.1)
Acz ≤ 1 z Zc (8.2)
cC
Acz = 0 or 1 c C; z c (8.3)
Tata letak pusat di zona yang ditugaskan: memaksa zona untuk menanamkan
pusat ketika pusat ditugaskan ke zona
X z Xc + M(1 - Acz) c C; z c (9.1)
Seperti di Montreuil [11], tata letak didefinisikan melalui nilai-nilai koordinat X dan Y bawah
dan atas dari masing-masing pusat dan bangunan, serta lokasi stasiun input / output masing-masing
pusat. Pusat-pusatnya terpaksa memiliki bentuk persegi panjang. Batasan menetapkan 2.1 hingga
2.3 memastikan bahwa batas bawah dan atas pada panjang dan lebar masing-masing pusat dan
bangunan berada dalam spesifikasi, serta rasio panjang-ke-lebar dan luasnya (lihat Montreuil [11]
dan Sherali et al. . [15]), Kendala menetapkan 3.1 dan 3.2 memaksa pusat berada di dalam gedung,
atau lebih ketat dalam area bangunan tertentu. Batasan 4.1 dan 4.2 membatasi lokasi bangunan.
Setiap pusat dapat memiliki sejumlah stasiun I / O, masing-masing dibatasi melalui set kendala
5.1 dan 5.2 untuk diletakkan dalam ruang persegi panjang yang relatif spesifik di dalam pusat. Pada
tingkat paling sederhana, sebuah pusat mungkin memiliki stasiun I / O tunggal, yang dibatasi untuk
berada di pusat massa pusat. Interaksi positif dapat ditentukan antsara setiap stasiun I / O di pusat
mana pun. Interaksi ini dapat berhubungan, misalnya, dengan aliran dari stasiun keluaran pusat ke
stasiun input pusat. Hal ini juga dapat sesuai dengan penilaian kualitatif tentang pentingnya dua
pusat diletakkan berdekatan satu sama lain, dalam hal ini interaksi dapat didefinisikan antsara
stasiun I / O yang dibatasi pada pusat massa dari pusat masing-masing. Fungsi objektif 1.1
meminimalkan jumlah seluruh pasangan stasiun I / O di mana interaksi didefinisikan, produk dari
interaksi ini dan jarak bujursangkar antsara stasiun I / O. Jarak bujursangkar ini dihitung melalui
komponen positif dan negatifnya melalui penggunaan set kendala 6.1.to 6.3
Model ini membutuhkan definisi dari satu set zona di mana pusat-pusat harus diletakkan, dan
posisi relatif dari zona-zona yang melarang tumpang tindih sel. Penentuan posisi relatif ini
ditegakkan melalui set kendala 7.1 dan 7.2. Setiap pusat harus ditugaskan ke zona tunggal dan setiap
zona dapat paling banyak menanamkan satu pusat tunggal, sebagaimana diberlakukan melalui set
kendala 8.1 hingga 8.3. Ini melibatkan 0-1 variabel Acz. Ketika sebuah pusat ditugaskan ke zona
maka zona persegi panjang ini harus secara fisik berisi pusat, seperti yang diberlakukan melalui set
kendala 9,1 hingga 9,4.
Alasan untuk mengadopsi pengkodean tingkat ganda yang melibatkan node penugasan
pusat-ke-zona dan tautan kedekatan antar-pusat adalah untuk mencerminkan sifat kuadrat dari
subproblem penugasan. Node penugasan center-to-zone memungkinkan untuk
mempertimbangkan pembelajaran bahwa tata letak yang lebih baik diharapkan dihasilkan
ketika pusat ditugaskan ke beberapa zona daripada yang lain. Tautan kedekatan antar-pusat
memungkinkan untuk mengambil pembelajaran dengan relatif terhadap penugasan relatif dari
pusat ke zona, bahwa tata letak yang lebih baik dihasilkan ketika pusat i diletakkan dekat
dengan beberapa pusat, bukan dari yang lain.
3.2.1 Pembuatan jalur semut yang diberi bobot feromon
Algoritme di bawah ini menjelaskan bagaimana jalur semut dibuat pada beberapa iterasi
dalam metaheuristik Tata Letak AntsZone, mengingat bobot feromon saat ini terkait dengan
setiap node penetapan pusat-ke-zona dan setiap tautan kedekatan antar pusat.
1. Tetapkan faktor pemilihan-terbaik β antara 0 dan 1.
2. Tetapkan semua node tugas yang layak sebagai tersedia untuk seleksi dan semua tautan
kedekatan sebagai dilarang (tabu).
3. Jika angka yang dipilih secara acak antara 0 dan 1 lebih besar dari β
Kemudian
1.1 Hitung probabilitas pemilihan untuk setiap simpul tugas yang tersedia dan
tautan kedekatan, sebanding dengan berat feromonnya, dengan jumlah
probabilitas sama dengan satu;
1.2 Secara acak memilih node penugasan atau kedekatan di antara yang tersedia,
berdasarkan probabilitas masing-masing;
Jika tidak
1.3 Pilih node penetapan atau kedekatan yang memiliki berat feromon tertinggi di
antara yang tersedia, memutuskan ikatan secara acak.
4. Jika node penugasan cz dipilih,
Kemudian
a. Sebuah. Tetapkan pusat c ke zona z;
b. Tambahkan simpul cz ke jalur semut dengan menautkannya ke simpul yang
dikunjungi sebelumnya jika ada; Jika tidak, tautan kedekatan cc ’dipilih,
dengan pusat c saat ini tidak ditetapkan;
c. Temukan zona terdekat ke zona yang ditugaskan pusat c;
d. Secara acak berikan pusat c ke zona z di antara zona terdekat, dengan
probabilitas pemilihan zona yang sama;
e. Tambahkan node penugasan cz dan kedekatan tautan cc ’ke jalur semut dengan
melampirkan tautan cc’ ke simpul yang dikunjungi sebelumnya dan
menjangkau ke simpul cz;
5. Set as forbidden all other assignments of center c to some zone and all other assignments
of some center to zone z; then set as available all proximity links between center c and
unassigned centers
6. If all centers are assigned to a zone, then stop, otherwise go back to step 3.
Ketika faktor pilihan-terbaik β diatur mendekati satu, maka heuristik memilih lebih sering
penugasan yang tersedia atau kedekatan dengan bobot feromon tertinggi daripada
mengandalkan pengundian probabilistik berdasarkan probabilitas berdasarkan pada bobot
feromon. Dengan demikian β yang tinggi mendorong eksplorasi lingkungan di sekitar node
dan tautan dengan bobot feromon tertinggi. Sebaliknya, β rendah sangat bergantung pada
undian probabilistik berbobot feromon. Jika β = 1, maka set yang digerakkan tertinggi selalu
dipilih dan tidak ada pencarian karena semua antss mengikuti jalur yang sama, kecuali ketika
beberapa node atau tautan memiliki berat feromon yang sama dalam set feromon tertinggi.
Jika β = 0,8, maka probabilitas bahwa set penggerak tertinggi saat ini dipilih turun menjadi
0,810 atau sekitar 8,6%, memungkinkan lebih banyak eksplorasi solusi sementara masih
memungkinkan eksplorasi lingkungan dari set node dan tautan dengan berat feromon tertinggi
saat ini.
Gambar 4 menggambarkan secara grafis bagaimana jalur semut dibuat berulang
mengingat bobot feromon saat ini. Gambar ini disusun dalam empat kolom dan satu baris
untuk setiap iterasi dari proses pembuatan jalur. Kolom pertama menggambarkan jalur semut
saat ini di akhir iterasi yang sebenarnya. Kolom kedua menggambarkan dalam bentuk spasial
kode tata letak saat ini yang terkait dengan jalur semut dengan menunjukkan pusat yang telah
ditetapkan ke zona tertentu. Penugasan center-to-zone yang dipilih atau diinduksi disorot.
Kolom ketiga dan keempat menunjukkan dalam bentuk matriks dari matriks penetapan pusat-
ke-zona saat ini dan matriks kedekatan antar-pusat, tidak menunjukkan bobot feromon yang
sebenarnya tetapi lebih menyoroti status dari setiap node penetapan dan tautan kedekatan.
Status yang mungkin adalah: tidak mungkin (dengan input pengguna), sudah ada di jalur
semut, tersedia untuk seleksi, dipilih secara eksplisit, dipilih secara implisit (diinduksi), dan
dipertimbangkan untuk seleksi (tetapi tidak dipilih).
Dalam contoh tersebut, pertama node penugasan, CAZ7, dipilih untuk memulai jalur
semut. Dengan demikian pusat A akan ditugaskan ke zona 7. Jadi dalam iterasi kedua, matriks
penugasan menunjukkan sebagai terlarang semua penugasan lain yang melibatkan pusat A dan
zona 7. Matriks kedekatan menunjukkan bahwa semua perkiraan antar-pusat yang melibatkan
pusat A telah tersedia. Dalam iterasi kedua ini, lagi node penugasan (CDZ2) dipilih. Pusat D
akan ditugaskan ke zona 2. Dengan demikian, sebuah tautan diambil pada jalur semut dari
simpul CAZ7 dan simpul CDZ2. Dalam iterasi 3, simpul CGZ9 ditambahkan ke jalur. Dalam
iterasi 4, tautan kedekatan antar-pusat CDCF dipilih. Ini berarti bahwa pusat F akan ditugaskan
ke zona sedekat mungkin ke pusat D yang telah ditugaskan ke zona 2. Mengingat tiga struktur
pita horizontal zona,
CURRENT ANTS PATH CURRENT LAYOUT CODE CURRENT CENTOR-ZONE CURRENT INTER-CENTOR
DEFINED THROUGH DEFINED THROUGH ASSIGNMENT MATRIX PROXIMITY ASSIGNMENT MATRIX
CENTER-ZONE ASSIGNMENTS AND CENTER-ZONE ASSIGNEMNTS
INTER-CENTER PROXIMITY ASSIGNMENTS ZONE CENTER
1 2 3 4 5 6 7 8 9 10 11 12 ABCDEFGHIJ
A A
Z1 Z2 Z3 Z4 B B
C C
D D
CAZ7 Z5 Z6 Z7 Z8
CENTER
Z7
CA E
CA F F
Z9 Z10 Z11 Z12 G G
H H
I I
J J
A
A B
B C
Z1 Z2
Z2 Z3 Z4 C
CD D
CD D
CENTER
E
Z5 Z6 Z7
Z7 Z8 E F
CAZ7 CDZ2
CA
CA F G
G H
Z9 Z10 Z11 Z12 H I
I J
J
A A
B B
Z1 Z2
Z2 Z3 Z4
C C
CD
CD D D
CENTER
Z5 Z6 Z7
Z7 Z8 E E
CAZ7 CDZ2 CGZ9 CA
CA F F
G G
Z9
Z9 Z10 Z11 Z12
H H
CG
CG I I
J J
A A
B B
Z1
Z1 Z2
Z2 Z3
Z3 Z4 C
CAZ7 CDZ2 CGZ9 C
CD CF
CD CF D
D
CENTER
Z5 Z6
Z6 Z7
Z7 Z8 E E
CDCF CA F
CA F
G G
Z9
Z9 Z10 Z11 Z12 H
CFZ3 H
CG
CG I I
J J
A A
B B
Z1 Z2
Z2 Z3
Z3 Z4 C
CAZ7 CDZ2 CGZ9 C
CD CF
CD CF D
D
CENTER
Z5
Z5 Z6 Z7
Z7 Z8 E E
CDCF CB F
CB CA
CA F
G G
Z9
Z9 Z10 Z11 Z12 H
CBZ5 CFZ3 H
CG
CG I
I
J J
A A
B B
Z1
Z1 Z2
Z2 Z3
Z3 Z4
CAZ7 CDZ2 CGZ9 C C
CD CF
CD CF
D D
CENTER
Z5
Z5 Z6
Z6 Z7
Z7 Z8 E E
CDCF
CB CH
CB CH CA
CA F F
CDCH G G
Z9
Z9 Z10 Z11 Z12
CHZ6 CBZ5 CFZ3 H H
CG
CG I I
J J
A A
B B
Z1 Z2
Z2 Z3
Z3 Z4 C
CAZ7 CDZ2 CGZ9 CD CF
CF C
CD D
CENTER
D
Z5
Z5 Z6
Z6 Z7
Z7 Z8 E E
CDCF CB CH
CH CA
CA F F
CDCH CB G
G
CHZ6 CBZ5 CFZ3 Z9
Z9 Z10 Z11
Z11 Z12 H
CJZ11 H
CG
CG CJ
CJ I I
J J
CDCH
Z5
Z5 Z6
Z6 Z7
Z7 Z8 E E
CJZ11 CHZ6 CBZ5 CFZ3 CB CH
CH CA
CA
CB F F
G G
Z9
Z9 Z10 Z11
Z11 Z12
CFCI H H
CG
CG CJ
CJ I I
CIZ4 J J
Z5
Z5 Z6
Z6 Z7
Z7 Z8
CJZ11 CHZ6 CBZ5 CFZ3 CB CH E E
CB CH CA
CA
F F
Z9
Z9 Z10 Z11
Z11 Z12 G G
CFCI
CG
CG CJ
CJ H H
I I
CIZ4 CCZ1 J J
D D
CBZ5 CFZ3 Z5
Z5 Z6
Z6 Z7
Z7 Z8
Z8 E E
CJZ11 CHZ6
CB CH
CB CH CA CE
CA CE F F
Z9 Z11 G G
CFCI Z9 Z10 Z11 Z12
H H
CG
CG CJ
CJ I I
CIZ4 CCZ1 CEZ8 J J
Gambar 5: Tata letak yang optimal untuk kode Gambar 3 dengan asumsi satu stasiun I /
O per pusat, terletak (1) di pusat massa pusat mereka dan (2) terletak secara optimal di
dalam pusat mereka.
W
0
i c c, z 10.1
cz
da z c
0
Dimana W cz = Bobot awal dari titik yang menugaskan pusat c ke zona z
d z
= Jarak rata-rata antara zona z dan semua zona lainnya
i c
= i csc' s' , c 10.3
c
csc' s' I
i cc'
= i csc' s' , c, c' 10.4
cc '
csc' s' I
cc '
i = Icc rata-rata 'atas semua pusat
Rasio kepadatan interaksi ic / ac membagi total interaksi yang terkait dengan pusat dengan
wilayahnya. Jadi pusat kecil dengan banyak interaksi dengan pusat lain memiliki rasio
kepadatan interaksi yang jauh lebih tinggi daripada pusat besar dengan interaksi terbatas. Berat
feromon awal untuk node penugasan pusat-ke-zona membagi rasio kerapatan interaksi pusat c
dengan jarak rata-rata antara zona z dan semua zona lainnya. Di sini jarak antar-zona dapat
dihitung dalam hal jumlah zona yang akan dilintasi untuk mencapai satu sama lain atau dengan
menyusun tata letak zona yang sama di dalam gedung dan menghitung jarak aktual antar zona
(antar-sentroid atau antar-batas tergantung pada asumsi relatif terhadap lokasi stasiun I / O).
Penugasan pusat yang memiliki rasio kepadatan interaksi tinggi ke zona pusat memiliki berat
feromon awal yang tinggi sedangkan penugasan pusat yang sama ke zona jauh memiliki bobot
feromon awal yang lebih rendah.
Berat feromon awal untuk hubungan kedekatan antar-pusat dihitung sebagai jumlah dari
konstanta (sama dengan satu) dan rasio pentingnya interaksi. Rasio hanya dihitung dengan
membagi interaksi total antara pusat dengan rata-rata antar pusat
interaksi. Dengan menambahkan satu ke rasio ini, ini berarti bahwa sepasang pusat yang tidak
memiliki interaksi langsung menghasilkan hubungan kedekatan antar-pusat mereka yang
memiliki berat feromon awal satu daripada nol. Pusat-pusat dengan interaksi tinggi satu sama
lain memiliki bobot yang berat terkait dengan hubungan kedekatan mereka.
Setelah perhitungan pertama dari bobot feromon awal, mereka dinormalisasi sehingga
berat simpul rata-rata sama dengan satu dan berat tautan rata-rata sama dengan rasio
kedekatan-tugas awal, where, di mana γ ≥ 0 ditetapkan oleh pengguna. Ketika γ = 1, maka
bobot simpul tugas rata-rata sama dengan berat tautan proximity rata-rata. Ketika γ 1, lebih
banyak bobot relatif diberikan ke node penugasan, dan sebaliknya ketika γ 1.
Tabel 2 dan 3 masing-masing memberikan bobot feromon awal untuk setiap node
penugasan pusat-ke-zona dan tautan kedekatan antar-pusat untuk kasus 10-pusat Francis et
al.[5] untuk struktur zona berdasarkan tiga pita horisontal, masing-masing memungkinkan
empat zona sejajar horisontal seperti yang ditunjukkan pada Gambar 1.
Metaheuristik Tata Letak AntsZone secara terus-menerus memelihara daftar jalur semut
yang telah diletakkan pada tata letak N terbaik saat ini, di mana N ditentukan oleh pengguna.
Semut diizinkan untuk memperbarui bobot feromon hanya jika ia kembali dengan solusi yang
masuk daftar
jalur top-N. Berdasarkan pembelajaran oleh tim melalui eksperimen yang luas, hal ini telah
diberlakukan untuk menghindari banyaknya tata letak yang buruk yang memengaruhi evolusi
acak bobot feromon ketika pengguna memang mencari krim dari semua tata letak di ruang
solusi. Strategi elitis seperti itu sebelumnya telah digunakan dengan sukses dalam literatur
(mis. Dorigo et al. [3] dan Gambardella et al. [6]).
Ketika semut diizinkan untuk memperbarui bobot feromon pada node penetapan pusat-ke-
zona dan tautan kedekatan antar-pusat, dilakukan dengan menggunakan rumus berikut
N ,u1 c,u1
u
a
u1
a S d c (c, z)
u
10.5
W cz 1 W cz S u u c P
d i
c
N ,u1 cc',u1
u
p
u1
p
S d icc' c, c' 10.6
W cc' 1 W cc' S u
u cc'
d cc' i
W
u
cz
1 W d u1
cz (c, z) P
u
10.7
Dimana :
a
= Faktor smoothing [0,1] untuk bobot feromon dari node tugas
p
= Smoothing factor [0,1] untuk bobot feromon dari link proximity
d
= Smoothing factor [0,1] untuk pembusukan feron dari node tugas
u
W cz
= Berat feromon dari node yang menugaskan pusat c ke zona z setelah memperbarui uth
u
W cc'
= Berat feromon dari link kedekatan antar-pusat c-c setelah pembaruan uth
u
P = Kumpulan node penetapan pusat ke zona dan tautan kedekatan antar pusat
menentukan jalur semut untuk pembaruan uth
N ,u
S = Skor tata letak rata-rata jalur semut N terbaik setelah pembaruan uth
u
S = Skor tata letak jalur semut untuk pembaruan uth
i csc' s' X csc'
s' X csc' s' Y csc' s' Y csc' s'
u
csc' s' I
d = 10.8
i
c
c
csc' s'
csc' s' I c
= Jarak rata-rata untuk interaksi yang melibatkan pusat c dalam tata letak jalur
semut untuk pembaruan uth
c,u
u dalam tata letak jalur semut untuk pembaruan uth
= Rata-rata d
d c
i csc' s' X
csc' s' X csc'
s' Y csc' s' Y csc' s'
u csc' s'
= I 10.9
d cc'
cc '
i csc' s'
= Jarak rata-rata untuk interaksi yang melibatkan pusat c dalam tata letak
jalur semut untuk pembaruan uth
cc',u
u th
= Average
d d in the layout of the ants path for the u updating
cc'
Ketika fitur-fitur grafis ini diaktifkan, itu memperlambat proses solusi. Namun itu
memungkinkan untuk menilai perilaku dinamis dari metaheuristik. Dari perspektif penelitian,
ini memungkinkan tim desain untuk menyempurnakan fitur metaheuristik, seperti proses dan
formula pembaruan berat feromon. Dari sudut pandang perancang fasilitas, ia memungkinkan
untuk menghindari fenomena kotak hitam dan membantu mempelajari dampak fitur heuristik
sehingga dapat menyempurnakan metaheuristik dengan lebih baik.
Dari perspektif akademis, Java-code implementasi AntsZone Layout sepenuhnya kompatibel
dan dapat diakses melalui platform desain WebLayout yang didukung internet (Montreuil et
al. [12]), memungkinkan para profesor dan mahasiswa untuk mengeksplorasi potensinya baik
sebagai desain tata ruang metaheuristik sebagai alat yang memungkinkan dalam lingkungan
desain pabrik lingkup yang lebih besar.
Tabel 4: Hasil dari penyelesaian model optimisasi tata letak berbasis zona dengan CPlex 8.0.
Gambar 7: Tata letak optimal dengan asumsi satu stasiun I / O per pusat, terletak (1) di
pusat massa pusat mereka dan (2) secara optimal di dalam pusat mereka.
20000
18000
16000
Score
14000
12000
10000
Linéaire (MEAN)
8000
0 5000 10000
Iterations
Tabel 5: Membandingkan pengambilan sampel acak melalui antss acak untuk solusi optimal.
Gambar 9: Solusi terbaik lebih dari 10 kali jalan 10.000 antss acak dengan asumsi satu
stasiun I / O per pusat, terletak (1) di pusat massa pusat mereka dan (2) secara optimal di
dalam pusat mereka.
Figure 10: Best solution found by AntsZone metaheuristic assuming one I/O station per
center, located (1) at the centroid of their center and (2) optimally within their center.
Tabel 6: Kinerja metaheuristik Tata Letak AntsZone
untuk versi I / O centroid dari Francis et al. [5] kasus menggunakan = 0,3 dan = 0,9.
Karena seluruh konsep sistem koloni semut adalah tentang pembelajaran kolektif, maka
pertanyaan ketiga adalah apakah ada bukti bahwa antss secara kolektif belajar melalui proses
penyimpanan feromon yang dinamis. Kemampuan belajar kolektif antss dalam metaheuristik
Tata Letak AntsZone diilustrasikan dengan baik dengan membandingkan Gambar 8 dan 11.
Yang pertama menunjukkan kinerja dinamis dari pengambilan sampel acak sedangkan yang
kedua memperlihatkan persamaan untuk Tata Letak AntsZone menggunakan = 0,3 dan =
0,9, Itu mudah untuk melihat bahwa pada Gambar 8 antss acak, dengan konstanta bobot
feromon diatur ke satu, tidak belajar karena kinerjanya tidak meningkat melalui waktu. Pada
Gambar 11, kinerja relatif kelompok 100 antss secara bertahap membaik melalui waktu sampai
ditemukan solusi optimal atau mendekati optimal. Kemudian itu menstabilkan ke tingkat yang
lebih baik daripada antss acak baik dalam hal skor rata-rata dari setiap jalur semut dan dalam
hal skor terbaik yang dicapai oleh semut dalam kelompok mereka. Memang skor rata-rata 100-
semut secara bertahap meningkat menjadi sekitar 11.000 bukannya 14.500 stabil untuk antss
acak. Lebih dari sepuluh sampel yang dijalankan, kinerja rata-rata berjalan pengambilan
sampel acak dengan 10.000 antss acak yang tidak belajar adalah kesenjangan optimal 17%
sedangkan kinerja AntsZone Layout dengan 10.000 antss pembelajaran mencapai kesenjangan
optimal rata-rata 0,77%. Ini jelas menunjukkan bahwa antss secara kolektif belajar dan bahwa
pembelajaran ini memungkinkan mereka untuk mencapai kinerja yang unggul.
Pertanyaan keempat adalah tentang kalibrasi metaheuristik dan dampak relatifnya
terhadap kinerja. Hasil yang sebelumnya ditunjukkan dalam makalah telah diperoleh dengan
100 antss, faktor pilihan-terbaik β = 0,9, faktor smoothing a = a = 0,3 untuk bobot feromon
dari node tugas dan hubungan proximity, dan faktor smoothing decay atur ke nol. Apakah
pengaturan ini memengaruhi kinerja metaheuristik? Seperti kebanyakan metaheuristik,
jawaban untuk pertanyaan ini positif. Dalam makalah ini percobaan difokuskan pada yang
terbaik-
faktor pemilihan dan faktor pemulusan untuk simpul penugasan dan kedekatan hubungan untuk
menunjukkan pengaruh signifikan dari kalibrasi metaheuristik.
20000
16000
Nilai
14000
12000
10000
8000
0 5000 10000
Iterations
Gambar 11: Menggambarkan kinerja kemampuan belajar semut dari metaheuristik Tata Letak
Zona Antss menggunakan versi centroid dari Francis et al. [5] kasus dengan a = 0,3 dan b =
0,9.
Gambar 12 dan Tabel 7 memberikan hasil percobaan yang melibatkan sepuluh langkah
untuk setiap kombinasi faktor pemilihan terbaik dan faktor pemulusan, masing-masing dengan
opsi berikut. Faktor pilihan-terbaik ditetapkan ke 0, 0,25, 0,5, 0,75, 0,9, 0,95 atau 0,99.
Faktor perataan pemutakhiran feromon ditetapkan sama untuk mengontrol jumlah kombinasi
dalam percobaan pendahuluan ini, dan diizinkan untuk mengambil nilai kelipatan dari 0,1
hingga 0,9, serta
0,99. Jumlah antss stasioner di 100 serta faktor pembusukan di nol. Percobaan dijalankan
untuk versi I / O centroid dari Francis et al. [5] kasing.
Untuk setiap kombinasi dan , Gambar 12 plot kesenjangan optimalitas rata-rata
selama sepuluh berjalan skor terbaik yang diperoleh pada setiap lari. Ini jelas menunjukkan
bahwa faktor seleksi terbaik adalah yang paling berpengaruh. Kisaran terbaiknya adalah
sekitar 0,75 dan 0,9, dengan signifikan
degradasi turun atau naik dari nilai-nilai ini. Dalam kisaran terbaiknya, kesenjangan
optimalitas dari skor terbaik rata-rata 10-lari paling banyak 1,4%. Menariknya dalam kisaran
ini probabilitas menempel di lingkungan feromon terbaik masih signifikan sementara tidak
terlalu tinggi, sejalan dengan diskusi bagian 3.2.3. Hasil untuk faktor penghalusan kurang
jelas. Untuk beberapa nilai ada penurunan dengan nilai ekstrim untuk for. Juga, seseorang
dapat mengamati bentuk V dengan dasar lembah di sekitar = 0,3 atau 0,4 untuk beberapa
nilai
, namun tidak dapat digeneralisasi.
Tabel 7 membawa perspektif lain dengan menunjukkan berapa kali solusi optimal
ditemukan melalui sepuluh kali berjalan dari setiap kombinasi faktor dan . Sepanjang
perspektif ini pemenang yang jelas adalah faktor pilihan-terbaik ditetapkan ke 0,75 yang
kuat pada berbagai nilai faktor smoothing . Nilai terbaik untuk faktor smoothing sepanjang
perspektif ini adalah 0,5, namun ada lebih sedikit dominasi dibandingkan dengan faktor .
Secara umum faktor-faktor memberikan hasil yang lebih buruk pada nilai ekstremnya.
Kesenjangan optimalitas (%) dari rata-rata lebih dari sepuluh kali jalan dari skor minimum per langkah
Faktor pemilihan terbaik
16%
0 0.25 0.5 0.75 0.9 0.95 0.99
14%
12%
10%
Optimal gap
8%
6%
4%
2%
0%
alpha
Gambar 12: Dampak pemilihan faktor terbaik dan penghalusan feromon pada kinerja
Layout Zona Semut dalam hal kesenjangan optimalitas untuk versi I / O centroid dari
Francis et al. [5] kasing.
0 0.1 0.25 0.5 0.75 0.9 0.95 0.99
0.1 1
0.2 1 1
0.3 3 1
0.4 1 1 2
0.5 4 2
0.6 1 2 1
0.7 3 1
0.8 1 2
0.9 1 2
4. Kesimpulan
Makalah ini telah memperkenalkan metaheuristik baru untuk memecahkan
masalah tata letak blok yang menantang. Metaheuristik Tata Letak AntsZone ini
memanfaatkan struktur ruang yang sangat fleksibel melalui zona yang memungkinkan
untuk menguraikan masalah dalam dua bagian: desain tata letak dan rekayasa tata
letak. Bagian desain tata letak terdiri dari mendefinisikan penugasan pusat ke zona,
yang sesuai dengan kode tata letak. Pendekatan sistem koloni semut digunakan untuk
mengoptimalkan secara heuristik kode tata letak ini. Rekayasa tata letak terdiri dari
menghasilkan tata letak yang dioptimalkan dari kode tata letak. Memanfaatkan versi
linear yang disederhanakan dari model optimisasi tata letak berbasis zona yang
diperkenalkan oleh Montreuil et al. [13], disebut model optimisasi tata letak berbasis
kode, tata letak yang optimal mengingat kode tata letak dapat ditemukan
menggunakan pemecah pemrograman linier. Jadi metaheuristik mengirimkan
kelompok antss untuk menghasilkan jalur yang dapat ditransformasikan menjadi kode
tata letak. Kemudian ia menggunakan pemrograman linier untuk menghasilkan tata
letak dari setiap jalur semut dan mengevaluasi tata letak ini. Antss yang membawa
tata letak yang berada di antara seperangkat tata letak terbaik yang ada, diizinkan
untuk memperbarui bobot feromon dalam fungsi tata letak yang dihasilkan dan
kualitas relatifnya. Pembaruan dan inisialisasi level feromon bergantung pada formula
heuristik yang mengeksploitasi domain pengetahuan. Metaheuristik mengulangi
pengiriman kelompok antss hingga kriteria penghentian tercapai.
Hasil awal sangat menggembirakan karena mereka membuktikan bahwa
metaheuristik berhasil membuat antss belajar melalui pembaruan berat badan feromon
yang didistribusikan secara kolektif. Pembelajaran ini telah memungkinkan
metaheuristik untuk mendapatkan hasil yang kuat dengan kesenjangan optimalitas
minimal untuk kasus uji. Langkah selanjutnya dalam penelitian ini adalah untuk
terlibat dalam pengujian ekstensif metaheuristik dengan kasus yang lebih besar dan
perbandingan kinerjanya dengan heuristik alternatif dan metaheuristik.
Jika metaheuristik terbukti kuat dan berkinerja pada kasus yang lebih besar, ia
berpotensi diperluas ke versi yang lebih kompleks dari masalah tata letak yang
melibatkan dinamika tata letak, pusat bentuk tetap, penugasan aliran ke pusat
fleksibel, jaringan lorong dan sebagainya. Memang kombinasi pemodelan matematis,
pengetahuan domain, dan sistem koloni semut menyediakan platform yang intuitif
dan teoretis untuk desain metaheuristik.