Lihat diskusi, statistik, dan profil penulis untuk publikasi ini di: https://www.researchgate.

net/publication/228951482

Optimasi tata letak berbasis zona kopling, sistem koloni semut, dan pengetahuan domain
Artikel · Januari 2004

CITATIONS

12

4 authors, including:

Benoit Montreuil Edith Brotherton

Laval University Laval University
135 PUBLICATIONS 2,147 CITATIONS 9 PUBLICATIONS 27 CITATIONS

Mustapha Nourelfath
Laval University
103 PUBLICATIONS 1,342 CITATIONS

Beberapa penulis publikasi ini juga mengerjakan proyek-proyek terkait ini:

Penjadwalan dan Penjadwalan Personil di proyek Flexible Assembly Lines View

Semua konten yang mengikuti halaman ini diunggah oleh Edith Brotherton pada 29 April 2016 .

Pengguna telah meminta peningkatan fi le yang diunduh.

 METAHEURISTIK LAYOUT ANTSZONE: PENGOPERASIAN
LAYOUT BERBASIS ZONA, SISTEM KOLONI ANTS DAN
PENGETAHUAN DOMAIN

Benoit Montreuil12,3,
Nabil Ouazzani2,3,
Edith Brotherton2,3 dan
Mustapha Nourelfath2,4

1. Ketua Penelitian Kanada di Teknik Perusahaan

2. PUSAT Jaringan Organisasi Pusat Penelitian Teknologi
3. Laval University, Quebec, Kanada
4. Université du Québec en Abitibi-Témiscamingue, Québec, Kanada
Benoit.Montreuil@centor.ulaval.ca

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

Figure 1: Example for band-based and zone-based coding.

 Model optimisasi tata letak berbasis zona telah diperkenalkan dalam upaya untuk
menggabungkan aspek-aspek terbaik dari model penetapan kuadratik dan model tata ruang
kontinu, dengan memanfaatkan strategi penataan ruang yang mendasari sebagian besar
heuristik tata letak kontemporer. Memang banyak penulis (mis. Tate & Smith [17]) telah
sangat membatasi struktur ruang dalam desain heuristik mereka. Salah satu cara paling umum
untuk menyusun ruang adalah dengan pita area fleksibel untuk beradaptasi dengan pusat yang
ditempatkan di dalam. Representasi penataan ruang semacam ini dapat dicapai dengan
sejumlah skema pengkodean yang berbeda. Untuk kasus sepuluh-pusat, Gambar 1 menyajikan
pengkodean berbasis pita dan pengkodean berbasis zona dari suatu struktur dengan tiga pita
horisontal. Pengkodean berbasis-band terdiri dari menugaskan masing-masing pusat ke sebuah
band dan kemudian menentukan urutan linier dalam pita yang ditugaskan, sedangkan
pengkodean berbasis-zona terdiri dari pengalihan masing-masing pusat ke suatu zona.
Seperti yang ditunjukkan pada Gambar 2, model optimisasi tata letak berbasis zona dapat
mendukung struktur ruang berbasis pita apa pun seperti tiga pita horizontal di atas, penataan
di sekitar empat pita horisontal, serta yang lebih rumit yang dapat mewakili kasus industri
tertentu dengan lebih baik, seperti sebagai tiga pita horisontal di sisi barat dan satu pita vertikal
di sisi timur bangunan. Bahkan, segala jenis struktur ruang yang menghormati aturan berikut
dapat digunakan dalam model berbasis zona: posisi relatif dari dua zona sedemikian rupa
sehingga salah satu dari dua zona berisi yang lain atau dua zona tidak dapat berpotongan,
dengan satu zona ketat utara, selatan, timur atau barat yang lain.

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

Figure 2: Illustrative zone-based space structures.

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.

1. Model optimasi tata letak

Bagian ini pertama-tama mendefinisikan secara formal model optimisasi tata letak
berbasis zona, yang digunakan sebagai dasar untuk mendefinisikan model optimisasi tata letak
berbasis kode. Yang pertama sesuai dengan program bilangan bulat campuran sedangkan yang
kedua sesuai dengan program linier cepat dipecahkan.

1.1 Model optimisasi tata letak berbasis zona

Seperti yang dinyatakan dalam pendahuluan, model tata letak berbasis zona diperkenalkan
oleh Montreuil et al. (13) mensyaratkan terlebih dahulu untuk menetapkan satu set zona yang
posisi relatifnya harus diperbaiki, atau setidaknya pra-terstruktur, namun membiarkannya
memiliki bentuk dan lokasi ruang kontinu yang fleksibel dalam set kendala penempatan posisi
relatif ini, dan kedua untuk menetapkan pusat ke zona seperti dalam Masalah Penugasan
Quadratic klasik (Hillier & Connors [7]). Model optimisasi tata ruang-ruang-menerus
berbasis-zona diperkenalkan secara formal di bawah ini. Pertama didefinisikan indeks, set,
parameter dan variabel yang digunakan dalam model, kemudian fungsi tujuan dan set kendala
dinyatakan, masing-masing dengan penjelasan singkat.

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

de : Jumlah titik delta aproksimasi untuk area entitas e (ditetapkan ke 10 dalam

percobaan)
icsc’s’ : Interaksi antsara stasiun I / O pusat c dan stasiun I / O pusat c
lxe , lxe , lye , lye : Minimal / maksimal panjang yang diizinkan untuk entitas e sepanjang sumbu X & Y

M : Jumlah yang besar

pe , pe : Batas minimal / maksimal yang diizinkan untuk pusat c

re : Rasio panjang-ke-lebar maksimum yang diizinkan untuk entitas e

xe , xe , ye , ye : Minimal / maksimal diperbolehkan koordinat untuk entitas e sepanjang sumbu X dan Y

Variabel :

Acz : Penugasan 0-1 dari pusat c untuk ditata di zona z

Xcs, Ycs : Koordinasikan stasiun I / O pusat c sepanjang sumbu X dan Y
Xe , Xe , Ye , Ye : Koordinat bawah / atas dari entitas e sepanjang sumbu X dan Y
 
X csc' s' , X csc' s' : Nilai positif / negatif jarak-X antsara stasiun I / O pusat c dan stasiun I / O pusat c

 
Ycsc' s' , Y csc' s' : Nilai positif / negatif jarak Y antsara stasiun I / O pusat c dan stasiun I / O pusat c

Fungsi tujuan: meminimalkan jumlah interaksi kali jarak bujursangkar antsara

stasiun I / O pusat
MIN  i csc' s' X csc'


  
s'  X csc' s'  Y csc' s'  Y csc' s'  (1.1)

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)


0  lye  Ye - Ye  lye  e  CU B (2.2)

0.5 ae ( X e - X e ) + 0.5 ( x i)² ( Ye – Ye )  ae x i  e  C U B,  i =1, …, de (2.3)

 
i 

Dimana : x i = lxe + ( lxe – lxe ) ubxe = min  ; x B 

d e 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)

Kontrol lokasi bangunan: membatasi koordinat bangunan persegi panjang

x B  XB  XB  x B (4.1)

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

 

X c + bxcs  Xcs  X c - bxcs


 c  C;  s  Sc (5.1a)

Yc + bycs  Ycs  Yc - bycs


 c  C;  s  Sc (5.2a)

opsi b: Dibatasi pada centroid pusat

Xcs  ( X c + X c )/2  c  C;  s  Sc (5.1b)

Ycs  ( Yc + Yc )/2  c  C;  s  Sc (5.2b)

Perhitungan jarak bujursangkar antsara stasiun I / O yang berinteraksi

Xcs - Xc’s’ = X csc'
 s' - X csc' s'  [(c, s)-(c’, s’)]  I (6.1)

Ycs - Yc’s’ = Ycsc'  [(c, s)-(c’, s’)]  I
 s' - Ycsc' s' (6.2)

 
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)
 

Yz  Yz'  z, z’)  Py (7.2)

Penugasan center-to-zone: memastikan bahwa masing-masing pusat ditugaskan ke

zona, dengan paling banyak satu zona par pusat

zZ c
Acz = 1 cC (8.1)

 Acz ≤ 1  z  Zc (8.2)
cC
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)

Yz  Yc + M(1 - Acz)  c  C;  z  c (9.2)

Xc  X z + M(1 - Acz)  c  C;  z  c (9.3)

Yc  Yz + M(1 - Acz)  c  C;  z  c (9.4)

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.

2.2 Model optimisasi tata letak berbasis kode

Dalam model optimisasi tata letak zona, desain tata letak berhubungan dengan pengaturan variabel
Acz 0-1 sedangkan rekayasa tata letak sesuai dengan set pembatas sisanya. Ketika desain tata letak
diatur dan Acz ditentukan secara apriori, maka teknik tata letak sesuai dengan program linier. Dalam
tulisan ini, menugaskan masing-masing pusat ke zona unik
 disebut kode tata letak. Sejalan dengan definisi ini, model optimisasi tata letak berbasis
kode adalah versi linierisasi dari model optimisasi tata letak berbasis zona yang menyediakan
kode tata letak yang telah ditetapkan.
Model tata letak berbasis kode harus dipecahkan setiap kali seekor semut muncul dengan
kode dalam metaheuristik AntsZone, Karena hanya nilai-nilai penugasan yang bervariasi dari
satu resolusi ke yang berikutnya, algoritma simpleks tidak perlu dihidupkan ulang dari
menggaruk. Ini dapat diselesaikan dalam mode sensitivitas umumnya jauh lebih cepat.

2. AntsZone Layout metaheuristic

Bagian ini dimulai dengan menyajikan prinsip-prinsip sistem koloni semut dan mengejar
dengan presentasi rinci tentang elemen-elemen kunci dari metaheuristik Tata Letak AntsZone.
2.1 Prinsip sistem koloni semut
Secara alami, semut berbaring dalam jumlah tertentu zat aromatik, yang dikenal sebagai
feromon, dalam perjalanan mereka dari makanan. Jumlah feromon yang disimpan oleh semut
tergantsung pada panjang jalur dan kualitas sumber makanan yang ditemukan. Sumber kaya
di dekatnya mengarah ke deposit kuat di lokasi-lokasi utama di sepanjang jalan darinya. Semut
lain dapat mengamati jejak feromon dan tertarik untuk mengikutinya. Seekor semut memilih
jalur khusus berkorelasi dengan intensitas feromon yang diendapkan oleh semut yang
melakukan perjalanan di daerah tersebut. Jejak feromon menguap dari waktu ke waktu jika
tidak ada lagi feromon yang diletakkan. Dengan demikian, jalur menuju sumber makanan kaya
yang dekat dengan sarang lebih sering terjadi dan karenanya tingkat feromonnya semakin
tinggi. Dengan cara itu, jalur menuju sumber makanan terbaik memiliki lebih banyak feromon
dan probabilitas lebih tinggi untuk dipilih oleh semut yang mencari makanan. Pembelajaran
sosial yang terlibat memungkinkan optimalisasi heuristik dinamis dari proses pengumpulan
makanan oleh koloni semut.
Perilaku yang dijelaskan dari koloni semut nyata dapat digunakan untuk memecahkan
masalah optimisasi kombinatorial secara heuristik dengan simulasi (mis. Dorigo et al. [3]).
Semut tiruan yang mencari ruang solusi untuk solusi terbaik mensimulasikan semut nyata
mencari lingkungan mereka untuk sumber makanan terbaik. Jalur dalam pendekatan sistem
koloni semut ini sesuai dengan kode dari mana solusi dapat dibangun. Bobot feromon buatan
disimpan di titik-titik keputusan di sepanjang jalan. Bobot ini biasanya sebanding dengan
kualitas solusi atau beberapa fitur panduan solusi. Jalur semut tiruan, yang sesuai dengan kode
solusi, dibangun dengan cara heuristik acak yang dibiaskan oleh jejak feromon yang
ditinggalkan oleh semut sebelumnya. Jalur feromon diperbarui setelah pembangunan solusi,
yang menegaskan bahwa fitur terbaik akan memiliki feromon yang lebih intensif. Bergantsung
pada implementasinya, semua semut memengaruhi jejak feromon atau hanya semut yang
memberikan solusi yang lebih baik yang memengaruhi jejak feromon. Penyesuaian feromon
juga dapat dilakukan karena setiap semut menyelesaikan jalur atau ketika semut tertentu telah
menyelesaikan jalurnya. Dalam solusi heuristik dari masalah kombinatorial, bobot feromon
dapat dilihat sebagai semacam memori adaptif dari solusi sebelumnya yang memandu
pembelajaran kolektif dan optimalisasi.
 Pendekatan sistem koloni semut umumnya dikategorikan sebagai metaheuristik karena
mereka menanamkan sejumlah heuristik. Misalnya, heuristik sering digunakan untuk
menghasilkan solusi dari kode yang sesuai dengan jalur semut. Juga, heuristik diperlukan
untuk menghasilkan jalur semut dan untuk memperbarui bobot feromon.
Pendekatan sistem koloni semut telah digunakan untuk memecahkan berbagai masalah
kombinatorial dalam dekade terakhir (mis. Dorigo et al. [3]). Pendekatan seperti itu juga telah
digabungkan dengan pendekatan heuristik lain seperti pencarian lokal dan dengan pendekatan
metaheuristik seperti anil simulasi dan pencarian tabu (Dorigo et al. [3], Bland [2]).
Masalah tata letak fasilitas terdekat yang dibahas dalam makalah ini adalah penerapan
pendekatan sistem koloni semut untuk Masalah Tugas Kuadratik. Sejumlah peneliti telah
menerbitkan penelitian tentang masalah ini dalam beberapa tahun terakhir (misalnya Bland
[2], Gambardella et al. [6], Maniezzo [8], Maniezzo & Colorni [9], dan Stützle & Hoos [16])
. Namun setahu kami belum ada penelitian yang dipublikasikan hingga saat ini tentang
penerapan pendekatan sistem koloni semut untuk masalah tata letak fasilitas yang lebih
kompleks.
1.2 Deskripsi metaheuristik Tata Letak AntsZone
Secara umum, mendefinisikan metaheuristik sistem koloni semut perlu menjelaskan hal-
hal berikut:
1. Pengkodean jalur semut di ruang solusi
2. Pembuatan jalur semut yang diberi bobot feromon;
3. Menghasilkan dan mengevaluasi solusi yang diberikan jalur semut;
4. Inisialisasi dan pembaruan bobot feromon;
5. Penentuan jumlah antss dan disiplin perjalanan mereka.
Menggunakan skema pendefinisian ini, bagian-bagian berikut menjelaskan metaheuristik
Tata Letak AntsZone.
3.2.1 Pengodean solusi sebagai jalur semut
Dalam metaheuristik Tata Letak AntsZone pengkodean jalur semut memanfaatkan
gagasan kode tata letak yang dijelaskan dalam bagian 2, di mana kode tata letak menentukan
penugasan pusat-ke-zona. Dengan demikian jalur semut dinyatakan sebagai jalur dalam grafik
yang simpul-simpulnya berhubungan dengan penugasan pusat-ke-zona, dengan kendala
bahwa (1) ada satu simpul yang terkait dengan masing-masing pusat dan (2) paling banyak
ada satu simpul yang terkait dengan zona tertentu. Tautan dari simpul i ke simpul j di jalur
menunjukkan bahwa simpul saya telah dikunjungi tepat sebelum simpul j. Sebagai contoh
ilustrasi, Gambar 3 menyajikan jalur semut untuk kasus dengan sepuluh pusat dan dua belas
zona. Ini menunjukkan bahwa semut pertama kali mengunjungi simpul CAZ7 yang sesuai
dengan penugasan pusat A ke zona 7, kemudian simpul CDZ2 yang sesuai dengan penugasan
pusat D ke zona 2, dan seterusnya.
Seperti dapat dilihat pada Gambar 3, jalur semut dibangun tidak hanya pada node
penugasan center-to-zone, tetapi juga pada node kedekatan antar-pusat. Misalnya, tautan
CDCF antara node CGZ9 dan CFZ3 disorot sebagai keputusan di jalur, secara eksplisit
menyatakan bahwa simpul berikutnya yang harus dikunjungi harus sedemikian rupa sehingga
pusat F ditugaskan ke zona sedekat mungkin ke zona 2 yang merupakan zona sudah ditugaskan
pusat D. Memang pemilihan simpul CFZ3 adalah
secara stokastik diinduksi oleh tautan CDCF. Aturan berikut digunakan untuk memilih simpul
yang diinduksi oleh tautan kedekatan antar-pusat yang dipilih. Pertama, hanya zona yang
tersedia yang terdekat dengan zona dari pusat yang sudah dipilih yang dapat dipilih. Kedua,
zona dipilih secara acak di antara zona yang memenuhi syarat.

Gambar 3: Ilustrasi jalur semut.

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

CAZ7 CDZ2 CGZ9 A A

B B
Z1 Z2
Z2 Z3
Z3 Z4
Z4
CD CF
CF CI C C
CDCF CD CI D D
CENTER

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

CAZ7 CDZ2 CGZ9 A A

Z1
Z1 Z2
Z2 Z3
Z3 Z4
Z4 B B
CDCF CC CD
CC CD CF
CF CI
CI C C
CDCH D D
CENTER

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

CAZ7 CDZ2 CGZ9 A A

Z1 Z2 Z3 Z4 B B
Z1 Z2 Z3 Z4
CDCF CD CF
CF CI C C
CDCH CC CD
CC CI
CENTER

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

Figure 4: Illustrating the ants path creation process.

 zona terdekat yang tersedia untuk zona 2 adalah zona 1, 3 dan 6. Heuristik secara acak
memilih zona 3 untuk menugaskan pusat F. Ini menginduksi simpul CFZ3 untuk dipilih secara
implisit untuk memasuki jalur semut, dihubungkan oleh CDCF ke simpul CGZ9 sebelumnya.
Heuristik berlanjut sampai langkah terakhir di mana penyertaan simpul CEZ8 melengkapi jalur
semut.
Gambar 4 memungkinkan untuk mempelajari evolusi dari matriks tugas dan kedekatan
melalui iterasi. Matriks penugasan secara bertahap diubah dari sepenuhnya tersedia menjadi
sebagian besar terlarang, dengan pilihan pilihan berkurang pada setiap iterasi. Matriks
proximity mulai sepenuhnya dilarang. Kemudian jumlah link proximity yang tersedia
bertambah ketika jumlah node di jalur meningkat, sampai titik di mana peningkatan jumlah
link terlarang antara dua pusat yang sudah ditugaskan secara bertahap mengubah matriks lagi
menuju keadaan yang sebagian besar dilarang.

i. Pembuatan dan evaluasi solusi diberikan jalur semut

Seperti disebutkan dalam pendahuluan, jalur semut menyediakan kode tata letak untuk
mana model optimisasi tata letak berbasis kode diselesaikan. Solusi model menyediakan tata
letak optimal yang dihasilkan dengan kode tata letak, fungsi tujuan, dan kendala desain.
Tabel 1 memberikan informasi desain utama untuk kasus sepuluh pusat yang
diperkenalkan oleh Francis et al. [5]: persyaratan area untuk masing-masing pusat, aliran antar
pusat, serta dimensi tetap untuk bangunan. Ketika memecahkan model tata letak berbasis kode
untuk kasus ini, mengingat kode tata letak Gambar 3, tata letak kiri Gambar 5 dihasilkan
dengan asumsi perjalanan antar pusat. Skor aliran * jarak 16.345 optimal untuk kode tata letak
yang disediakan. Demikian pula tata letak yang tepat dari Gambar 5 hasil dari penyelesaian
model optimasi tata letak berbasis kode dengan asumsi satu stasiun Input / Output per pusat,
yang lokasinya dapat dioptimalkan di dalam pusat. Sekali lagi skornya 6.183 optimal untuk
kode yang disediakan. Kedua tata letak berbeda satu sama lain dengan beberapa modifikasi
bentuk dan lokasi beberapa pusat, dan lokasi stasiun I / O.
Ada dua jenis kasus di mana model tata letak berbasis kode tidak perlu diselesaikan karena
desain optimal yang dihasilkan dapat ditemukan dengan cara yang lebih efisien. Keduanya
mengharuskan bentuk masing-masing pusat diperbaiki dan bahwa jumlah area pusat sama
dengan luas bangunan tetap. Dalam kasus seperti itu, baik ada tata letak layak tunggal dari
pusat yang sesuai dengan kode tata letak atau tidak ada tata letak layak yang sesuai dengan
kode tata letak. Dalam jenis kasus pertama, lokasi relatif setiap stasiun I / O di dalam pusatnya
telah disetel sebelumnya. Ini menyiratkan bahwa setelah tata letak pusat diambil, maka stasiun
I / O semuanya terletak dan fungsi objektif dari solusi dapat dihitung. Jenis kasus ini termasuk
sebagai subtipe versi yang banyak diteliti dari masalah penetapan kuadrat di mana pusat harus
ditugaskan untuk zona tetap. Dalam jenis kasus kedua, lokasi relatif stasiun I / O tidak diatur,
sehingga rekayasa tata letak harus diselesaikan dengan mengoptimalkan lokasi mereka
mengingat tata letak pusat yang sekarang diperbaiki. Ini dapat dicapai secara efisien melalui
algoritma polinomial yang diperkenalkan oleh Montreuil dan Ratliff [14].
 Tabel 1: Desain informasi untuk sepuluh pusat Francis et al. kasus.

Pusat Tempat Aliran antar-pusat

(ft²) C2 C3 C4 C5 C6 C7 C8 C9 C10
C1 1200 1 16 1
C2 150 4 1 4 4 4 1 4 4
C3 300
C4 400 1 4
C5 600 64
C6 300 16 4
C7 900 16
C8 600 64
C9 1000 16
C10 3000
Bangun 90*95
an

Nilai = 16345 Nilai = 6183

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.

g. Inisialisasi dan pembaruan bobot feromon

Berat feromon spesifik yang terkait dengan setiap node penugasan pusat-ke-zona dan
setiap kedekatan hubungan antar-pusat memainkan peran penting dalam metaheuristik karena
memengaruhi secara signifikan pembuatan jalur semut seperti dijelaskan dalam bagian 3.2.2.
Oleh karena itu heuristik untuk inisialisasi dan pembaruan berat feromon adalah aspek kunci
dari metaheuristik Tata Letak AntsZone.
 Meskipun beberapa implementasi sistem koloni semut membiarkan antss dimulai tanpa
bobot awal, di Tata Letak AntsZone, inisialisasi heuristik domain berdasarkan bobot bobot
feromon dilakukan untuk mendorong pembelajaran yang lebih cepat. Inisialisasi bobot
feromon untuk simpul penetapan pusat-ke-zona dan hubungan kedekatan antar-pusat masing-
masing dicapai melalui formula berikut:

W
0
 i c c, z 10.1

cz
da z c

 1  icc'c c, c'

0
W cc'
i
10.2

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

= Interaksi antara pusat dan semua pusat lainnya (disimpulkan melalui

stasiun I / O mereka)
ic = Ic rata-rata di semua pusat

i cc'
= i csc' s' , c, c' 10.4
cc '
 csc' s' I

= Interaksi antara pusat c dan pusat c '(disimpulkan dari stasiun I / O mereka)

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.

Tabel 2: Berat feromon awal dalam matriks penetapan zona-tengah.

Pusat/Zona 1 2 3 4 5 6 7 8 9 10 11 12
A 0,18 0,22 0,22 0,18 0,20 0,26 0,26 0,20 0,18 0,22 0,22 0,18
B 2,11 2,64 2,64 2,11 2,44 3,17 3,17 2,44 2,11 2,64 2,64 2,11
C 0,78 0,98 0,98 0,78 0,90 1,17 1,17 0,90 0,78 0,98 0,98 0,78
D 0,21 0,26 0,26 0,21 0,24 0,31 0,31 0,24 0,21 0,26 0,26 0,21
E 1,33 1,66 1,66 1,33 1,53 1,99 1,99 1,53 1,33 1,66 1,66 1,33
F 0,98 1,22 1,22 0,98 1,13 1,47 1,47 1,13 0,98 1,22 1,22 0,98
G 0,47 0,59 0,59 0,47 0,54 0,70 0,70 0,54 0,47 0,59 0,59 0,47
H 1,27 1,59 1,59 1,27 1,47 1,91 1,91 1,47 1,27 1,59 1,59 1,27
I 0,47 0,59 0,59 0,47 0,54 0,70 0,70 0,54 0,47 0,59 0,59 0,47
J 0,59 0,74 0,74 0,59 0,69 0,89 0,89 0,69 0,59 0,74 0,74 0,59

Tabel 3: Berat feromon awal dalam matriks penetapan kedekatan pusat.

Centers C2 C3 C4 C5 C6 C7 C8 C9 C10
C1 0,598 2,072 0,598 0,5 0,5 0,5 0,5 0,5 0,5
C2 0,893 0,598 0,893 0,893 0,893 0,598 0,893 0,893
C3 0,5 0,5 0,5 0,5 0,5 0,5 0,5
C4 0,5 0,598 0,5 0,5 0,5 0,893
C5 0,5 0,5 0,5 0,5 6,788
C6 2,072 0,5 0,893 0,5
C7 0,5 2,072 0,5
C8 0,5 6,788
C9 2,072

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 ,u1  c,u1 
u
 
a
 u1 
 
a S  d c  (c, z) 
u
10.5
W cz 1 W cz   S u  u c   P 

 
 d i 

c 

 N ,u1  cc',u1 
u
  
p
 u1 

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 u1
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'

csc' s' I cc '

= 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'

Berdasarkan persamaan 10.5, pembaruan feromon untuk node penugasan center-to-zone

semata-mata untuk node yang digunakan dalam jalur semut dilakukan sebagai berikut. Bobot
baru ditetapkan sama dengan rata-rata tertimbang antara bobot lama dan bobot yang dikaitkan,
di mana rata-rata tertimbang menurut faktor pemulusan yang dipilih pengguna. Bobot yang
dikaitkan adalah produk dari rasio kualitas jalur dan rasio kontribusi simpul. Rasio kualitas
jalur hanya membagi skor tata letak rata-rata untuk jalur semut terbaik N saat ini dengan skor
tata letak untuk jalur semut yang dianggap. Rasio kontribusi simpul didasarkan pada kenyataan
bahwa meskipun tata letak yang diberikan mungkin memiliki skor yang sangat baik, beberapa
bagian tata letak berkontribusi lebih banyak pada kualitas ini daripada yang lain. Sebagai
contoh, sebuah pusat dengan tingkat interaksi yang tinggi dengan pusat-pusat lain yang
berakhir dengan jarak interaksi rata-rata lebih rendah dari jarak rata-rata semua pusat memang
berkontribusi besar terhadap kualitas solusi. Pusat dengan intensitas interaksi yang lebih
rendah memiliki potensi lebih kecil untuk mempengaruhi skor tata letak secara signifikan.
Rasio interaksi pusat mencerminkan fakta itu dengan membagi interaksi total pusat c dengan
rata-rata di atas semua pusat. Sebuah pusat yang jarak interaksinya rata-rata lebih tinggi dari
rata-rata di atas semua pusat memperburuk skor tata letak sementara yang di bawah rata-rata
berkontribusi untuk meminimalkan skor tata letak. Rasio jarak pusat mencerminkan fakta itu
dengan membagi jarak interaksi rata-rata pusat dengan yang dari pusat c. Rasio kontribusi
simpul adalah produk dari rasio interaksi pusatnya dengan rasio jarak pusatnya.
Persamaan 10.7 memungkinkan untuk memodelkan peluruhan feromon melalui
penguapan ketika node tidak digunakan, seperti yang biasa terjadi di alam. Berat feromon dari
sebuah node yang tidak digunakan dalam jalur semut yang dipilih untuk memperbarui feromon
hanya dikurangi dengan faktor pemulusan peluruhan feromon kecil.
Sementara tugas adalah nol-satu di alam, kedekatan sifatnya relatif dan dapat diukur
secara bertahap. Ini memungkinkan Tata Letak AntsZone untuk memperbarui bobot feromon
dari semua tautan kedekatan di setiap jalur semut. Komputasi pembaruan dilakukan sangat
mirip dengan pembaruan simpul. Satu-satunya perbedaan adalah penggunaan rasio jarak antar
pusat bukan rasio jarak pusat, dan rasio interaksi antar pusat bukan rasio interaksi pusat, dalam
perhitungan rasio kontribusi tautan.
Singkatnya, pembaruan membayar secara umum lebih ketika solusinya lebih baik
dibandingkan dengan rata-rata saat ini dari jalur terbaik N, namun membuat diskriminasi di
antara
 node penugasan dan tautan kedekatan dalam hal kontribusinya terhadap kualitas jalur
semut.
3.2.5 Penentuan jumlah antss dan disiplin perjalanan mereka
Jumlah antss memungkinkan eksplorasi bersamaan beberapa jalur dalam ruang solusi.
Dalam implementasi paralel, masing-masing semut dapat ditempatkan pada prosesor yang
berbeda, memungkinkan eksplorasi cepat. Dalam implementasi prosesor tunggal biasa, antss
biasanya diluncurkan secara berurutan, semuanya memulai pencarian mereka berdasarkan
pembaruan feromon dari iterasi sebelumnya. Dalam aplikasi seperti Tata Letak AntsZone di
mana kualitas solusi dievaluasi setelah lintasan seluruhnya dibuat, maka seluruh pembuatan
lintasan dilanjutkan berdasarkan bobot feromon dari iterasi sebelumnya. Dengan demikian,
ketika semua antss telah menyelesaikan jalurnya, maka antss dipilih untuk memperbarui
feromon dan proses pembaruan feromon diluncurkan, sehingga dapat memandu putaran
berikutnya dari peluncuran semut.
Menggunakan antss lebih sedikit menyiratkan bahwa jumlah antss yang sangat terbatas
mengeksplorasi lingkungan ruang solusi di sekitar bobot feromon pada iterasi yang diberikan.
Jumlah yang lebih besar dari antss memperlambat pembaruan feromon dan pembelajaran,
berharap bahwa setiap putaran eksplorasi adalah untuk memungkinkan penemuan solusi
berkualitas tinggi yang mempengaruhi arah pencarian secara signifikan. Dalam metaheuristik
Tata Letak AntsZone, pengguna memilih jumlah antss yang akan digunakan melalui proses
solusi.
4. Implementasi perangkat lunak dan investigasi empiris awal
Seperti yang dijelaskan pada bagian sebelumnya, metaheuristik seperti AntsZone Layout
mencakup beberapa fitur yang memengaruhi kinerjanya. Khususnya, sistem koloni semut
semut seperti itu menanamkan ketergantungan pada keputusan probabilistik dan pembelajaran
terdistribusi berbasis feromon. Ini membuat perilaku metaheuristik menjadi kompleks untuk
dipahami dan diprediksi. Inilah sebabnya mengapa implementasi perangkat lunak interaktif
telah direalisasikan, menekankan kemampuan untuk secara dinamis memeriksa evolusi bobot
feromon, kinerja proses resolusi, tata letak yang sebenarnya terbaik, dan sebagainya.
Gambar 6 menggambarkan tangkapan layar implementasi perangkat lunak Layout
AntsZone. Di sisi kanan terletak panel yang memungkinkan untuk melacak tata letak
pemberian skor tertinggi. Dengan mengklik salah satu identifikasi tata letak, panel pusat
mengizinkan untuk memeriksa tata letak itu sendiri. Di panel tengah bawah, grafik yang
diperbarui secara dinamis memungkinkan untuk melacak skor tata letak ketika metaheuristik
berlangsung. Ini menunjukkan pada setiap putaran skor tata letak yang dihasilkan dengan
menyelesaikan model tata letak-dari-kode untuk jalur semut saat ini, serta skor rata-rata terkini
dan wilayah deviasi dua standar di sekitar rata-rata. Panel kiri atas menunjukkan matriks
penetapan pusat ke zona dan matriks kedekatan antar pusat. Skema warna dari hot red ke white
neutral ke blue dark memungkinkan untuk memantau evolusi bobot feromon antara nilai
tinggi, rata-rata dan rendah.
 Gambar 6: Screenshot dari implementasi perangkat lunak interaktif dari AntsZone Layout.

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.

4. Hasil empiris awal

Bagian ini menyajikan hasil percobaan empiris awal yang bertujuan untuk menilai validitas
metaheuristik Layout AntsZone. Eksperimen ini sengaja berfokus pada kasus kecil yang
terkenal dari Francis et al. [5] agar keduanya dapat belajar secara menyeluruh
perilaku metaheuristik dan untuk memungkinkan perbandingan dengan hasil yang optimal, baik
dengan stasiun I / O tunggal per pusat, versi di mana ia terbatas pada pusat massa pusat dan
versi yang lokasinya dapat dioptimalkan dalam pusatnya. Eksperimen lebih lanjut akan
bertujuan untuk menguji metaheuristik pada kasus skala besar dan untuk membandingkan
kinerjanya dengan heuristik tata letak fasilitas dan metaheuristik.

4.1 Memecahkan model optimisasi tata letak berbasis-bilangan bulat integer

Dimodelkan menggunakan model optimasi tata letak berbasis zona, kasing ini pertama-
tama diselesaikan dengan pemecah pemrograman integer campuran CPlex 8.0 pada server
komputasi IBM. Seperti yang ditunjukkan pada Tabel 4, versi I / O centroid diselesaikan dalam
waktu sekitar 7,3 jam sementara versi I / O yang terletak secara optimal diselesaikan secara
intuitif dalam waktu yang lebih singkat yaitu 5,7 jam. Waktu solusi ini dapat diterima ketika
taruhannya tinggi dan optimal mutlak diinginkan. Gambar 7 menggambarkan solusi optimal 3-
horizontal-band untuk kedua versi. Perlu dicatat bahwa versi tidak memiliki tata letak optimal
yang sama, menunjukkan dengan contoh bahwa hipotesis relatif terhadap lokasi I / O memiliki
dampak signifikan pada solusi optimal.
Solusi optimal seperti ini belum dapat ditemukan secara umum untuk kasus dengan lebih
dari 12 hingga 15 pusat, bahkan ketika membiarkan solver berjalan selama beberapa hari. Untuk
menganalisis potensi menggunakan model yang optimal, menghentikan proses solusinya pada
waktu tertentu, dan menggunakan solusi terbaiknya hingga saat itu, solver dihentikan setelah
tiga menit dan satu jam. Marker tiga menit sesuai untuk kasus itu untuk membiarkan Tata Letak
AntsZone metaheuristik untuk sekitar 10.000 kreasi dan evaluasi jalur semut. Marker satu jam
adalah pengganti untuk menghentikan solver setelah waktu yang sangat lama, namun sebelum
secara optimal, untuk kasus yang lebih besar. Ketika berhenti pada penanda tiga menit, Tabel 4
menunjukkan bahwa optimasi versi I / O centroid memberikan solusi dengan 27% dari
optimalitas sedangkan versi I / O yang terletak secara optimal memiliki jarak 32%. Setelah satu
jam, celahnya masing-masing turun menjadi 5% dan 8%.

Tabel 4: Hasil dari penyelesaian model optimisasi tata letak berbasis zona dengan CPlex 8.0.

I / O Centroid Optimasi I/O

Solusi Waktu Optimasi Optimasi
(sec.) Nilai kelompok Nilai kelompok
(%) (%)
180 10875 27% 1848 32%
3,600 8986 5% 1520 8%
26,300 8567 -
20,410 1404 -
 Centroid I/O Lokasi Optimal I/O

Nilai = 8567 Nilai = 1404

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.

4.1 Mengatasi melalui pengambilan sampel acak dengan ants acak

Di ujung lain dari prosedur solusi terletak pendekatan sampling acak yang terkenal.
Idenya adalah menggunakan kecepatan komputer untuk menghasilkan dan mengevaluasi
solusi, dan mengingat solusi terbaik hingga saat ini, sehingga memungkinkan banyaknya
solusi yang dihasilkan membantu menghasilkan solusi optimal. Di sini ini telah
diimplementasikan dengan menggunakan bobot feromon tetap yang sama dengan satu
untuk semua node penugasan pusat-ke-zona dan semua tautan kedekatan antar-pusat. Jadi
jalur semut dihasilkan secara acak kemudian masing-masing diubah menjadi tata letak dan
dievaluasi menggunakan model optimasi tata letak-dari-kode.
Gambar 8 menggambarkan versi I / O centroid hasil khas yang diperoleh dengan
menggunakan pendekatan ini. Lebih dari 10.000 iterasi pembuatan dan evaluasi jalur
semut, grafik secara dinamis menunjukkan skor minimum, rata-rata dan maksimum yang
diperoleh lebih dari kelompok 100 antss. Ini juga menunjukkan garis yang mewakili
penerapan model regresi linear bertahap bertahap. Rata-rata skor 100-semut berada di
sekitar level 14.500, dengan sedikit degradasi dengan meningkatkan nilai sepanjang
waktu. Skor terbaik adalah meja di sekitar 11.000 hingga 4000 antss, kemudian turun
menjadi sekitar 10.000 dan tetap di sana sampai akhir. Skor rata-rata semut acak adalah
69% di atas skor optimal, sedangkan skor semut acak terbaik adalah 17% di atas nilai
optimal. Tabel 5 merangkum hasil yang sama rata-rata 10 berjalan 10.000 antss acak untuk
kedua versi.
 22000

20000

18000

16000
Score

14000

12000

10000

Linéaire (MEAN)
8000
0 5000 10000
Iterations

Gambar 8 .: Mengilustrasikan kinerja pengambilan sampel acak dengan antss

acak menggunakan versi I / O centroid dari Francis et al. (1992) kasus .

Tabel 5: Membandingkan pengambilan sampel acak melalui antss acak untuk solusi optimal.

Hasil lebih dari 10 Centroid I/O Lokasi Optimal I/O

berjalan dengan Nilai gap (%) Nilai gap (%)
10.000 antss acak / lari
Solusi Terbaik 9175 7% 1594 14%
Minimum rata-rata per lari 10031 17% 1838 31%
Rata-rata per lari 14570 70% 5298 277%
Miksimum rata-rata per lari 19305 125% 9861 602%
 Centroid I/O Optimally located I/O

Nilai = 9175 Nilai = 1594

Optimal gap = 7% Optimal gap = 14%

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.

4.1 Mengatasi metaheuristik Tata Letak zona semut

Setelah menetapkan arena kinerja antara menggunakan pemecah yang optimal dan
pengambilan sampel acak di bagian 5.1 dan 5.2, bagian ini memberikan hasil empiris awal
untuk metaheuristik Tata Letak AntsZone.
Semua proses pengoptimalan telah menggunakan koloni 100 antss dan telah berhenti
setelah 10.000 jalur semut, yang diselesaikan secara seragam sekitar tiga menit pada
komputer IBM Intellistation yang digunakan untuk eksperimen. Perhatikan implementasi
metaheuristik di Jawa memudahkan portabilitas webnya dengan biaya kinerja komputasi
yang relatif luas dibandingkan dengan implementasi C dan C ++. Jadi lari tiga menit pasti
bisa dilakukan dalam waktu yang lebih singkat melalui pengkodean yang dioptimalkan
kecepatan.
Pertanyaan pertama yang harus dijawab adalah apakah metaheuristik memiliki
kemampuan mencapai hasil yang mendekati optimal. Gambar 10 dengan jelas
menggambarkan jawaban untuk pertanyaan ini dengan menggambarkan hasil terbaik yang
diperoleh untuk kedua versi Francis et al. kasus. Skor tata letak untuk I / O centroid optimal
karena Tata Letak AntsZone menghasilkan tata letak yang sama dengan solusi optimal
yang ditunjukkan pada Gambar 7. Untuk versi I / O yang berlokasi optimal, metaheuristik
menghasilkan tata letak yang dioptimalkan dalam 0,03% dari optimalitas. Kode tata letak
dari mana tata letak telah dihasilkan, (JE | CDBH | AGFI), berbeda secara signifikan dari
 kode solusi optimal, (HJ | EBDC | IFGA), sementara memiliki beberapa kesamaan
struktural.
Pertanyaan kedua adalah apakah metaheuristik kuat dalam hal kinerja mengingat ia
mengambil keputusan probabilistik melalui proses solusinya. Tabel 6 memberikan bukti relatif
terhadap pertanyaan ini dengan menggambarkan hasil untuk sepuluh kali berjalan 10.000
antss, pada masing-masing tiga menit, memecahkan versi I / O centroid. Semua proses
menggunakan faktor pemilihan-terbaik β = 0,9, faktor penghalusan a = a = 0,3 untuk bobot
feromon dari node penugasan dan hubungan kedekatan, dan faktor peluruhan pembusukan
diatur ke nol. Ini menunjukkan bahwa solusi optimal 8567 dihasilkan oleh run kesembilan.
Rata-rata jalur semut dalam putaran ini adalah 10.680. Skor rata-rata terbaik lari adalah 8633,
yang sesuai dengan kesenjangan optimalitas yang sangat baik dari 0,77%. Run tunggal keliru
pada 5, 54% dari optimalitas, mencontohkan perangkap pengambilan keputusan probabilistik,
sementara delapan run berada dalam 0,27% dari optimalitas, sembilan dari sepuluh berada
dalam 0,77%.

Centroid I/O Optimally located I/O

Nilai = 8567 Nilai = 1404

Optimal gap = Zero Optimal gap = 0.03%

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.

Run of Nilai Optimality Gap (%)

10,000 antss Minimum Rata- Maximum Minimum Rata-rata Maximum
rata
1 8590 10844 15793 0,27% 26,57% 84,34%
2 9042 10857 15788 5,54% 26,72% 84,28%
3 8590 10742 17450 0,27% 25,38% 103,68%
4 8590 10806 15660 0,27% 26,13% 82,79%
5 8590 11012 17085 0,27% 28,54% 99,42%
6 8590 10761 15269 0,27% 25,61% 78,22%
7 8590 10774 18234 0,27% 25,76% 112,83%
8 8590 10834 16985 0,27% 26,45% 98,26%
9 8567 10680 15706 0,00% 24,66% 83,32%
10 8590 10759 15932 0,27% 25,58% 85,97%
Terbaik 8567 10680 15269 0,00% 24,66% 78,22%
Rata-rata 8633 10807 16390 0,77% 26,14% 91,31%
Terburuk 9042 11012 18234 5,54% 28,54% 112,83%

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

Skor evolusi oleh kelompok 100 antss

18000

16000
Nilai

14000

12000

10000

8000
0 5000 10000
Iterations

MIN MAX MEAN néaireregression

LiLinear (MEAN)

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

Table7: Impact of best-selection and pheromone smoothing factors on the ability of

AntsZone Layout to reach optimality for the centroid I/O version of Francis et al. [5] case.

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.

Ucapan Terima Kasih

Penelitian ini telah didukung oleh Ketua Penelitian Kanada di Teknik Perusahaan.
Referensi Ucapan Terima Kasih
Penelitian ini telah didukung oleh Ketua Penelitian Kanada di Teknik Perusahaan.
Referensi
[1] Armour G.C., A Heuristic Algorithm and Simulation Approach to Relative Location
of Facilities, Ph.D. Dissertation, UCLA, Los Angeles, U.S.A. (1961).
[2] Bland J.A., Space Planning by Ants Colony Optimization, International Journal of
Computer Applications in Technology, 12, No. 6, 320-328 (1999).
[3] Dorigo M, V. Maniezzo and A. Colorni, The Ants System: Optimization by a Colony
of Cooperating Agents, IEEE Transactions on Systems, Man and Cybernetics- Part
B, 26, No.1, 1-13 (1996).
[4] Dorigo M. & T. Stützle, The Ants Colony Optimization Metaheuristic : Algorithms,
applications and advances. Handbook of Metaheuristics, edited by F. Glover & G.
Kochenberger (2001)
[5] Francis, R.L., L.F. McGinnis Jr & J.A. White, Facility layout and location : An
analytical approach 2nd ed., Prentice Hall (1992).
[6] Gambardella M., E.D. Taillard & M. Dorigo, Ants Colonies for the quadratic
assignment problem, Journal of Operational Research Society, 50 (2), 167-176
(1999).
[7] Hillier F.S. & M.M. Connors, Quadratic Assignment Problem Algorithms and the
Location of Indivisible Facilities, Management Science, 13, 42-57 (1966).
[8] Maniezzo V., Exact and approximate nondeterministic tree-search procedures for the
Quadratic Assignment Problem, INFORMS Journal on Computing, 11 (4), 358-369
(1999).
[9] Maniezzo V. & A. Colorni, The Ants System Applied to the Quadratic Assignment
Problem, IEEE Transactions on Data and Knowledge Engineering, vol. 11, no. 5,
769-778 (1999).
[10] Meller R.D., V. Narayanan & P.H. Vance, Optimal Facility Layout Design. OR
Letters. 23, 117-127 (1999).
[11] Montreuil, B., A modelling framework for integrating layout design and flow
network design, Progress in Material Handling and Logistics, v2, ed. J.A. White &
1.W. Pence, Springer-Verlag, 95-116 (1991).
[12] Montreuil B., N. Ouazzani & S. Marcotte, WebLayout: an open web-based platform
for factory design research and training, Progress in Material Handling : 2002,
edited by R. J. Graves et al., Material Handling Institute, Braun-Brumfield Inc.
(2002).
[13] Montreuil, B., E. Brotherton & S. Marcotte, Zone based Layout Optimization,
Proceedings of 2002 Industrial Engineering Research Conference, Orlando, U.S.A,
May 19-22 (2002).
 [14] Montreuil, B. & H.D. Ratliff, Optimizing the Location of Input/Output Stations
within Facilities Layout, Engineering Costs and Production Economics, v14, 177-
187 (1988).
[15] Sherali H.D., B.M.P. Fraticelli & R.D. Meller, Enhanced Model Formulations for
Optimal Facility Layout, Virginia Polytechnic Institute and State University,
Blacksburg, Virginia 24061, U.S.A. (2001).
[16] Stützle T. & H.H. Hoos, MAX-MIN Ants System, Future Generation Computer
Systems, 16 (8), 889-914 (2000).
[17] Tate D.M. & A.E. Smith, Unequal-area Facility Layout by Genetic Search. IIE
Transactions, 27, 465-472 (1995).
[18] Tompkins, J.A., J.A. White, Y.A. Bozer, E. H. Frazelle, J.M.A. Tanchoco & J.
Trevino, Facilities Planning, Wiley (1996).

View publication stats