Rangkuman tentang Travelling Salesman Problem (TSP)

Definisi: Diberikan satu set kota dan jarak antara setiap pasangan yang mungkin, file
Travelling Salesman Problem adalah menemukan cara terbaik untuk mengunjungi semua kota
tepat sekali dan kembali ke titik awal.

Pertama kali didefinisikan pada tahun 1800-an oleh ahli matematika Irlandia WR Hamilton dan
ahli matematika Inggris Thomas Kirkman. Nama Travelling Salesman Problem diperkenalkan
oleh Amerika Hassler Whitney. Asal usul TSP terletak pada Hamilton Game Icosion, yang
merupakan teka-teki rekreasi berdasarkan penemuan Siklus Hamiltonian.

Aplikasi Traveling Salesman Problem

 Dalam bentuknya yang paling murni, TSP memiliki beberapa aplikasi seperti
perencanaan, logistik, dan pembuatan microchip.

 Sedikit diubah, ini muncul sebagai sub-masalah di banyak bidang seperti Pengurutan
DNA

 Dalam aplikasi ini, konsep kota mewakili, misalnya pelanggan, titik penyolderan, atau
fragmen DNA.

 Konsep jarak mewakili waktu perjalanan atau biaya, atau ukuran kesamaan antara
fragmen DNA.

 Karena TSP adalah masalah NP hard, ini sering digunakan sebagai patokan teknik
pengoptimalan.

Variasi TSP yang berguna

Variasi TSP mungkin diinginkan dalam skenario kehidupan nyata tertentu

 Dalam grafik berbasis transportasi, bobot tepi dapat berubah secara konstan bila
didasarkan pada waktu untuk melintasi jalan yang di wakilinya.
  Mungkin tidak perlu mengunjungi setiap node dalam sebuah rute, jadi rute yang hanya
mengunjungi subset node yang telah ditentukan perlu ditentukan.

 Sebuah node dapat dikunjungi lebih dari sekali jika itu menyediakan rute yang lebih
cepat.

 Mengunjungi node tertentu yang tidak diinginkan mungkin berguna untuk mendapatkan
rute yang lebih cepat.

Rangkuman tentang GA (Genetic Algorithm)

Algoritma genetika terinspirasi dari prinsip genetika dan seleksi alam (teori evolusi
Darwin) yang ditemukan di Universitas Michigan, AS, oleh John Holland (1975) melalui sebuah
penelitian dan dipopulerkan oleh salah satu muridnya, David Goldberg. Konsep dasar algoritma
genetika sebenarnya dirancang untuk menyimulasikan proses-proses dalam sistem alam yang
diperlukan untuk evolusi, khususnya teori evolusi alam yang dicetuskan oleh Charles Darwin,
yaitu survival of the fittest. Menurut teori ini, di alam terjadi persaingan antara individu-individu
untuk memperebutkan sumber daya alam yang langka sebagai makhluk yang kuat mendominasi
makhluk yang lebih lemah.

Algoritma genetika adalah teknik pencarian heuristik yang didasarkan pada gagasan
evolusi seleksi alam dan genetik. Algoritma ini memanfaatkan proses seleksi alamiah yang
dikenal dengan proses evolusi, “hanya individu-individu yang kuat mampu bertahan”. Proses
seleksi alamiah ini melibatkan perubahan gen yang terjadi pada invidu melalui proses
perkembangbiakan.

Permasalahan yang membutuhkan Algoritma Genetika

1. Ruang pencarian sangat besar, kompleks atau kurang dipahami

2. Tidak ada pengetahuan yang memadai untuk menyederhanakan ruang pencarian yang
sangat besar menjadi ruang pencarian yang lebih sempit.
 3. Tidak ada analisis matematis yang bisa menangani ketika metode konvensional gagal
menyelesaikan masalah yang dihadapi.
4. Solusi yang dihasilkan tidak harus optimal, asal sudah memenuhi kriteria sudah bisa
diterima.
5. Mempunyai kemungkinan solusi yang jumlahnya tak hingga.
6. Membutuhkan solusi “real-time”, yaitu solusi yang bisa didapatkan dengan cepat
sehingga dapat diimplementasikan untuk permasalahan yang mempunyai perubahan yang
cepat.

APLIKASI ALGORITMA GENETIKA

 Algoritma genetika telah digunakan untuk memecahkan masalah dan pemodelan di

bidang teknik, bisnis dan hiburan, termasuk:
1. Optimasi: algoritma genetika banyak digunakan dalam berbagai tugas optimasi, termasuk
optimasi numerik, dan masalah-masalah optimasi kombinatorial seperti Travelling
Salesman Problem (TSP), desain sirkuit, Job Shoping Scheduling dan optimasi video &
kualitas suara.
2. Pemrograman Otomatis: algoritma genetika telah digunakan untuk berevolusi terhadap
program computer untuk melakukan tugas-tugas yang spesifik dan merancang struktur
komputasi lain, misalnya selular automata dan sorting networking.
3. Machine Learning: algoritma genetika banyak digunakan untuk aplikasi mesin-learning,
termasuk klasifikasi dan prediksi struktur protein. Algoritma genetika juga telah
digunakan untuk merancang JST dan untuk mengendalikan robot.
4. Model ekonomi: algoritma genetika telah digunakan untuk memodelkan proses inovasi,
pengembangan strategi penawaran dan munculnya pasar ekonomi.

BEBERAPA PENGERTIAN DASAR

1. Gen (genotype) adalah variabel dasar yang membentuk suatu kromosom. Dalam
algoritma genetika, gen ini bisa bernilai biner, float, integer maupun karakter.
2. Allele adalah nilai dari sutu gen, bisa berupa biner, float, integer, maupun karakter.
3. Kromosom adalah gabungan dari gen-gen yang membentuk arti tertentu.
 4. Individu adalah kumpulan gen, bisa dikatakan sama dengan kromosom. Invidu
menyatakan salah satu kemungkinan solusi dari suatu permasalahan.
5. Populasi adalah sekempulan individu yang akan di proses secara bersama-sama dalam
satu siklus proses evolusi.
6. Generasi menyatakan satu satuan siklus proses evolusi.
7. Nilai fitness menyatakan seberapa baik nilai dari suatu individu atau solusi yang
didapatkan. Nilai inilah yang dijadikan acuan untuk mencapai nilai optimal. Algortima
genetika bertujuan untuk mencari individu yang mempunyai nilai fitness yang paling
optimal (bisa maksimum atau minimum, tergantung pada kebutuhan)

Algoritma Genetika untuk TSP

 Algoritma genetika adalah kelas baru Algoritma yang meniru alam dan evolusi.
 Mereka mengikuti teori Darwin tentang survival of the fittest.
 Mereka adalah algoritma acak dan mungkin tidak menemukan solusi terbaik.
 Dengan menggunakan Algoritma Genetik, kita dapat dengan mudah menyelesaikan
masalah dengan ukuran dari 100.
 Algoritma genetic dimulai dengan populasi acak, dan menghasilkan populasi modern dan
baru.
 Ini menggantikan kandidat yang lemah dengan kandidat kuat dan berguna yang baru
dibentuk.
 Di TSP, permutasi adalah kandidat populasi Algoritma Genetika (GA)
 Grafik dapat dengan mudah diubah menjadi grafik yang terhubung sepenuhnya, dengan
memasukkan tepi yang memiliki berat tak terbatas.

Algortima genetik memiliki banyak tahapan di dalamnya:

 Evolusi
o Mencari tahu anggota yang baik dari populasi
 Menyeberang
 o Menggabungkan dua anggota orang tua untuk membentuk dua anggota baru yang
berbeda (anak-anak) dengan karakteristik yang sama seperti orang tua.
 Mutasi
o Beberapa anggota yang baru dibentuk diubah secara acak
o Mencegah mereka menjadi identic dan menyatu ke minimum lokal.