TUGAS TEKNOLOGI OPTIMASI

MAKALAH HASIL REVIEW JURNAL HEURISTIC

Oleh:
Isnan Nurdiansyah (175100300111005)

JURUSAN TEKNOLOGI INDUSTRI PERTANIAN

FAKULTAS TEKNOLOGI PERTANIAN
UNIVERSITAS BRAWIJAYA
MALANG
2019
 ABSTRAK
Banyak masalah optimasi mengakui sejumlah optima lokal, di antaranya
ada global optimal. Untuk masalah ini, berbagai metode optimasi heuristik telah
diusulkan. Membandingkan hasilnya dari pemecah ini membutuhkan definisi
metrik yang sesuai. Dalam literatur sistem energi listrik, metrik sederhana seperti
nilai terbaik yang diperoleh, nilai rata-rata, median atau standar deviasi dari solusi
masih digunakan. Namun, perbandingan yang dilakukan dengan metrik ini agak
lemah, dan terus pangkalan-pangkalan ini entah bagaimana proliferasi pemecah
heuristik yang entah bagaimana tidak terkendali sedang terjadi. Makalah ini
membahas masalah keseluruhan memahami alasan proliferasi ini, menunjukkan
skema konseptual itu menunjukkan bagaimana penilaian solver terbaik dapat
menghasilkan formulasi solver baru yang tidak terbatas. Selain itu, makalah ini
menunjukkan bagaimana penggunaan metrik yang lebih disempurnakan
didefinisikan untuk membandingkan optimasi hasil, terkait dengan definisi tolok
ukur yang sesuai, dapat membuat perbandingan di antara pemecah lebih kuat.
Metrik yang diusulkan didasarkan pada konsep dominasi stokastik orde pertama
dan didefinisikan untuk kasus-kasus di mana: (i) solusi optimal secara global dapat
ditemukan (untuk tujuan pengujian); dan (ii) jumlah solusi yang mungkin sangat
besar sehingga secara praktis tidak dapat dijamin global optimal telah ditemukan.
Contoh ilustratif disediakan untuk masalah tipikal pada energi listrik area sistem -
konfigurasi ulang jaringan distribusi. Hasil konseptual yang diperoleh umumnya
valid untuk membandingkan hasil dari masalah optimasi lainnya.
 PENDAHULUAN
Dalam banyak masalah pengoptimalan, ruang solusi berisi beberapa
optima lokal. Global optimum dapat dihitung melalui pencarian menyeluruh atas
semua solusi yang layak (untuk masalah skala kecil), atau dengan pencarian atas
sejumlah solusi (ketika dapat dijamin bahwa solusi yang tidak dicari) tidak dapat
memberikan hasil yang lebih baik). Kalau tidak (mis., Untuk metaheuristic metode
optimasi berdasarkan ekstraksi angka acak), itu tidak dapat dikatakan bahwa
global optimum telah tercapai. Prosedur optimasi didasarkan pada beberapa
eksekusi metode heuristik mengarah untuk mendapatkan pseudo-optimal atau
terbaik sejauh ini solusi dengan berbagai cara: dengan menjalankan metode yang
diberikan dengan parameter yang berbeda, juga bertujuan melakukan analisis
sensitivitas untuk menentukan nilai terbaik dari parameter; dengan menjalankan
metode yang berbeda (atau varian yang sama metode), masing-masing dengan
satu set parameter yang diberikan; dengan mengubah benih untuk ekstraksi angka
acak (genap); dengan menggunakan parameter yang sama). Dalam sekuel, istilah
pemecah umumnya digunakan untuk menunjukkan eksekusi metode optimasi atau
varian dengan spesifik struktur dan set parameter.
 PEMBAHASAN
Heuristik merupakan strategi algoritma pencarian solusi optimum dengan
melakukan trial-and-error untuk menghasilkan sebuah solusi yang dapat diterima
untuk pemecahan masalah yang cukup kompleks. Akan tetapi, permasalahan
yang kompleks itu sendiri akan membuat waktu komputasi yang cukup lama dan
sulit dalam menggunakan algoritma heuristik ke komputer .

STOCHASTIC DOMINANCE
Aplikasi paling umum dari konsep dominasi stokastik dalam bidang sistem
energi dan energi mengacu pada pemodelan penghindaran risiko dalam
perdagangan listrik dan optimalisasi portofolio. Batasan dominasi stokastik
secondorder telah diberlakukan padamengurangi risiko untung rendah bagi
pengecer listrik, dan di untuk penjadwalan sendiri konsumen besar. Dalam
optimasi portofolio telah dilakukan dengan menyiapkan CDF minimum yang dapat
ditoleransi yang digunakan sebagai referensi; kemudian, CDF dari model portofolio
diterima jika itu menunjukkan dominasi stokastik orde kedua atas referensi
CDF (Chicco and Andrea, 2019).

MAXIMUM LIFETIME COVERAGE PROBLEM

Dalam masalah cakupan sensor [2], sensor immobile NS adalah digunakan
secara acak di suatu daerah untuk memantau tempat menarik NP (POI). Semua
sensor memiliki rensens penginderaan yang sama dan sama kapasitas baterai
terbatas. Kami berasumsi bahwa waktu adalah diskrit. Selama setiap periode,
sensor bisa aktif atau tidur. Sensor yang berfungsi mengkonsumsi satu unit energi
per unit waktu untuk aktivitasnya. Kita berasumsi bahwa dalam keadaan tidur
konsumsi energi dapat diabaikan. Sebuah sensor dapat aktif selama langkah
waktu Tbatt (berturut-turut, atau tidak). Ini adalah model yang disederhanakan
yang sangat berbeda dari kondisi kerja aktual dari jaringan semacam itu. Dalam
kehidupan nyata, efektif kapasitas baterai tergantung pada berbagai faktor, seperti
suhu, dan sulit diprediksi. Sering menyalakan dan mematikan baterai
mempersingkat masa hidupnya. Jadi, tidak masalah apakah baterai menyala
dalam langkah waktu berturut-turut atau dalam setiap langkah langkah dihidupkan
dimatikan. Namun, model kami menghilangkan masalah ini, dan suhu maupun
jadwal aktivitas sensor tidak mempengaruhi baterai parameter. Selain itu, sensor
aktif memonitor semua POI di dalamnya rentang penginderaan (Mikitiuk and
Krzysztof, 2019).

NON-CONVEX OPTIMIZATION
Solusi daya optimal dan penjadwalan pembangkit panas Sistem CHP
diperoleh dengan implementasi berbagai optimasi teknik, yang dapat
diklasifikasikan ke pemrograman matematika metode dan prosedur optimasi
heuristik. Optimalisasi heuristic produsen, yang diperkenalkan sebagai optimasi
berbasis pengalaman metode, adalah teknik cepat untuk mendapatkan solusi
optimal masalah optimisasi, yang metode matematisnya tidak mampu memberikan
solusi optimal dalam waktu yang terbatas. Masalah CHPED adalah masalah
optimasi nonconvex dan non-linear dengan serangkaian intens kendala
kesetaraan dan ketidaksetaraan. Makalah ini bertujuan untuk belajar paling
banyak metode optimisasi heuristik yang efektif diterapkan untuk menyelesaikan
masalah optimisasi CHPED yang tidak mulus (Heris dkk, 2018).

ROUTING OPTIMIZATION PROBLEM

Biasanya, masalah perutean dan penjadwalan dapat dikategorikan
sebagai masalah perutean kendaraan (VRP), dan studi yang sebanding untuk
VRP, termasuk ekstensi dan variasinya, dapat ditemukan dari beberapa tahun
terakhir. ertujuan pada masalah Dynamic Vehicle Routing (DVRP). Menggunakan
algoritma evolusioner (EM) untuk menemukan serangkaian rute kemelayani
beberapa pelanggan dengan total biaya perjalanan minimal waktu perjalanan antar
titik dapat bervariasi selama proses karena kemacetan lalu lintas. Membahas
masalah perutean kendaraan pengiriman terpisah (SDVRP) di mana pengiriman
ke titik permintaan dapat dilayani oleh sejumlah kendaraan (Fan dkk, 2019).

GLOWWORM SWARM OPTIMIZATION

Algoritma optimisasi tradisional, seperti algoritma genetika, fokus pada
menemukan salah satu atau semua optima global yang diberikan fungsi tujuan
multimodal dan menghindari terjebak di local optimal. Ada kelas optimasi lain, yang
bertujuan menemukan beberapa optima lokal. Mengetahui banyak lokal dan global
optimal dapat memberikan wawasan tentang lanskap fungsi dan memilih solusi
alternatif. Selain itu, ketika solusi optimal tidak layak, beberapa lokal optimal
menawarkan beragam alternative pilihan. Misalnya, untuk bangunan-jaringan net-
zero interaktif, untuk mencapai keseimbangan energi, para desainer dapat memilih
peralatan penyimpanan energi yang lebih besar untuk mengurangi fluktuasi
permintaan atau memilih sistem pembangkit yang lebih besar yang dapat menjual
listrik ekstra dan membelinya kembali bila perlu (Sun dkk, 2019).

FIX AND OPTIMIZE

Dasar fix and optimize heuristik memiliki dua fase utama. Yang pertama
fase, kami menemukan solusi yang layak dan berkualitas, dan pada fase kedua,
proses perbaikan dijalankan pada solusi ini. Logika utama di heuristiknya adalah
membagi masalah menjadi beberapa bagian kecil himpunan bagian pelanggan,
dan itu memecahkan masalah sebagai urutan parsial masalah pemrograman
integer (Dastjerd and Kadir, 2019).

LOAD FORECASTING
Metode peramalan berulang dan langsung diusulkan untuk hari ini
peramalan ke depan. Sejak langsung perkiraan sering menimbulkan kesalahan
pembulatan yang signifikan, dalam investigasi ini merupakan iterative pendekatan
peramalan digunakan. Data yang dinormalkan digunakan untuk proses pemilihan
fitur, sebelum memasukkan iterative tahap jaringan saraf. Untuk jaringan saraf
tiruan (JST), multilayer perceptron (MLP) adalah pendekatan yang paling khas
dipekerjakan (Zhang dkk, 2019).

REVIEWER ASSIGNMENT
tugas pengkaji untuk memaksimalkan jumlah total perbandingan proposal
berpasangan sambil memastikan cakupan yang seimbang dari pasangan proposal
yang berbeda. Kami mengusulkan campuran alternative Formulasi pemrograman
linier bilangan bulat untuk masalah penugasan peninjau (Yesilcimen and Alper,
2019).

PKPD MODEL
Kami hadir di sini model yang diandalkan oleh latihan optimisasi kami di.
Untuk kemoterapi dan awalnya ditujukan untuk pemodelan leukemia pada tikus.
Modelnya mengandalkan dua utama biasa persamaan diferensial yang
mendorong evolusi jumlah sel tumor dan sel efektor. Sel-sel yang terakhir dapat
dianggap sebagai sel yang sesuai untuk CD8 + sel T sitotoksik (Houy and
Francois, 2019).

CCHP
Kerangka kerja sistem terintegrasi CCHP-thermal-heat only, di mana
tuntutan pendinginan, panas, dan daya seimbang. Dalam studi ini, asumsi berikut
dipertimbangkan: CCHP dan unit termal menyediakan permintaan pendinginan
melalui pendingin penyerapan dan kompresi, masing-masing. Unit CCHP dan
hanya panas menyediakan permintaan panas. Daya dihasilkan oleh CCHP dan
unit termal. Spinning reserve dianggap hanya untuk kebutuhan daya (Olamaei,
2018).
 KESIMPULAN
Skema konseptual memiliki telah ditarik untuk mewakili proses yang
digunakan untuk mengklaim bahwa yang baru. Pemecah terbaik ’telah ditemukan.
Dari skema ini, dapat dilihat bahwa mekanisme penciptaan dan pengujian heuristik
baru tidak bisasecara resmi berhenti. Namun, definisi metrik perbandingan lebih
kuat dari indikator sederhana tetapi lemah (seperti nilai rata-rata, median, standar
deviasi, nilai terbaik, nilai terburuk, serta Indikator PERC ditunjukkan dalam
makalah ini) dapat membantu mengurangi proposal pemecah lebih lanjut tanpa
kinerja yang unggul dengan sehubungan dengan pemecah lain yang digunakan
untuk masalah yang sama. Membangun perbandingan suara membutuhkan
definisi pemecah tolok ukur untuk setiap masalah, yang hasilnya dapat dinyatakan
sebagai CDF terdiri dari solusi H. Atas dasar ini, perbandingan dengan hasil yang
diperoleh oleh pemecah lain dapat dilakukan dengan menghitung indikator OPISD
yang sesuai dengan pemecah benchmark dan pemecah yang diusulkan,
menyiapkan CDF dari solusi yang diberikan oleh pemecah peringkat teratas
sebagai tolok ukur (tidak berubah atau baru). Lebih umumnya, menguji pemecah
pada beberapa masalah penting untuk perbandingan yang lebih luas di antara
para pemecah, dengan tujuan mendapatkan semacam keyakinan bahwa para
pemecah masalah dapat bekerja dengan baik masalah yang tak terlihat. Namun,
untuk solver diterapkan pada listrik masalah sistem energi, harus dianggap sama
solver bisa lebih cocok untuk diterapkan pada masalah saja dari yang lain,
misalnya karena kendala dapat dimodelkan dengan cara yang lebih mudah untuk
masalah itu, sedangkan untuk masalah lain pemodelan kendala bisa lebih rumit
(dan ini tidak terjadi komplikasi untuk semua solver).
 DAFTAR PUSTAKA
Chicco, G and Andrea, M. 2019. Heuristic Optimization Of Electrical Energy
Systems: Refined Metrics To Compare The Solutions. Suistainable
Energy. 17(2019):1-13.

Dastjerd, N, K. and Kadir, E. 2019. A Fix-And-Optimize Heuristic For The

Integrated Fleet Sizing And Replenishment Planning Problem With
Predetermined Delivery Frequencies. Computers and Industrial
Engineering. 127(2019):778-787.

Fan, D., Yi, R., Qiang, F., Bngyu, Z., Yiliu, L., and Zili, W. 2019. A Hybrid Heuristic
Optimization Of Maintenance Routing And Scheduling For Offshore
Wind Farms. Journal of Loss Prevention in the Process Industries.
62(2019):1-13.

Heris, M, N. Mohammadi, B, I., and Gharepetian, G, B. 2018. A Comprehensive

Review Of Heuristic Optimization Algorithms For Optimal Combined
Heat And Power Dispatch From Economic And Environmental
Perspectives. Renewable and Suistainable Energy. 81(2018):2128-2143.

Houy, N and Francois, L, G. 2019. Optimizing Treatment Combination For

Lymphoma Using An Optimization Heuristic. Mathematical
Biosciences. 315(2019):1-10.

Mikitiuk, A and Krzysztof ,T. 2019. Maximization Of The Sensor Network

Lifetime By Activity Schedule Heuristic Optimization. Ad Hoc Network.
96(2020):1-15.

Olamaei, J., Mohammad, E, N., and Sepideh, B. 2018. Economic Environmental

Unit Commitment For Integrated Cchpthermal-Heat Only System With
Considerations For Valve-Point Effect Based On A Heuristic
Optimization Algorithm. Energy. 159(2018):737-750
Sun, Y., Rui, M., Jiayu, T., and Tao, X.2019. Heuristic Optimization For Grid
Interactive Net-Zero Energy Building Design Through The Glowworm
Swarm Algorithm. Energy and Buildings. 29(2019):13-26.

Yesilcimen, A, and Alper E, Y. 2019. An Alternative Polynomial-Sized

Formulation And An Optimization Based Heuristic For The Reviewer
Assignment Problem. European Journal of Operational Research.
276(2019):436-450.

Zhang, W., Akbar, M, and Marc, A, E. 2019. A Heuristic-Based Approach For

Optimizing A Small Independent Solar And Wind Hybrid Power
Scheme Incorporating Load Forecasting. Journal of Cleaner Production.
241(2019):1-18