Pengembangan Algoritma Ant Colony Optimization (ACO) dalam...
Transcript of Pengembangan Algoritma Ant Colony Optimization (ACO) dalam...
Pengembangan Algoritma Ant Colony Optimization (ACO) dalam Penyelesaian Capacitated Location-
Routing Problem (CLRP)
Dosen Pembimbing :Prof. Ir. Budi Santosa, M.S., Ph.DNIP. 19690512 199402 1001
Jurusan Teknik Industri
Fakultas Teknologi Industri
Institut Teknologi Sepuluh Nopember
Presentation Outlines
Pendahuluan
RumusanMasalah
TujuanPenelitian
RuangLingkup
ManfaatPenelitian
LatarBelakang
VRP
RumusanMasalah
TujuanPenelitian
RuangLingkup
ManfaatPenelitian
LatarBelakang
Location-Routing
Problem
Pendahuluan
With Time Windows
Capacitated
Periodic
With Pick-Up and Delivering
Capacitated
RumusanMasalah
TujuanPenelitian
RuangLingkup
ManfaatPenelitian
LatarBelakang
Kendaraan
Capacitated Location-
Routing Problem
Pendahuluan
Depot
NP-HARD
Exact Method
Heuristic
Metaheuristic
RumusanMasalah
TujuanPenelitian
RuangLingkup
ManfaatPenelitian
LatarBelakang
NP-HARD
Pendahuluan
“An Exact Algorithm” (Laporte et al. 1986)
“A Branch-and-Cut Method” (Belenguer et al. 2011)
“Two-Phase Tabu Search Approach” (Tuzun dan Burke 1999)
“Simulated Annealing (Yu, et al. 2010)
“Greedy Randomized Adaptive Search Procedure” (Duhamel et al. 2010)
“Cross Entropy” (Prabaningtyas 2011)
“A Particle Swarm Optimization Algorithm with Path Relinking”
(Marinakis dan Marinaki 2008)
Exact Method
Heuristic
Metaheuristic
ACO for CLRP
Pendahuluan
RumusanMasalah
LatarBelakang
TujuanPenelitian
RuangLingkup
ManfaatPenelitian
Bagaimana mengembangkan
algoritma Ant Colony Optimization
sehingga dapat digunakan dalam
menyelesaikan permasalahan
Capacitated Location Routing Problem.
Pendahuluan
RumusanMasalah
RuangLingkup
ManfaatPenelitian
TujuanPenelitian
LatarBelakang
Mengembangkan algoritma ACO danACO-LS untuk menyelesaikan CLRP
Menerapkan algoritma ACO danACO-LS untuk kasus CLRP
Membandingkan performansialgoritma ACO dan ACO-LSdenganalgoritma lain.
Pendahuluan
RuangLingkup
RumusanMasalah
TujuanPenelitian
LatarBelakang
1. Biaya transportasi ~
jarak tempuh
kendaraan
2. Kapasitas kendaraan
yang digunakan
sama
1. Data yang digunakan adalah
data sekunder.
2. Perhitungan jarak dilakukan
dengan menggunakan
prinsip euclidean distance
dan merupakan symmetric
distance
3. Software yang digunakan
untuk percobaan adalah
MATLABManfaatPenelitian
Pendahuluan
ManfaatPenelitian
RumusanMasalah
TujuanPenelitian
RuangLingkup
LatarBelakang
Tinjauan
Pustaka
Tin
ja
ua
nP
us
ta
ka
Tin
ja
ua
nP
us
ta
ka
Sebuah rute kendaraan harus bermuladan berakhir pada depot yang sama
Adanya batasan kapasitas yang berhubungandengan rute kendaraan dan depot
Setiap customer hanya difasilitasi oleh satu depot
Setiap customer hanya berada dalam sebuah rute
Fungsi tujuan:Minimasi jumlah dari biaya pembukaan depot danrouting cost yang terdiri dari travel cost dan fixed cost
Tin
ja
ua
nP
us
ta
ka Jumlah opening cost depot pada lokasi i, travel cost
dari depot i ke konsumen j dengan kendaraan k, dan
fixed cost pengiriman dari depot i ke konsumen j
dengan kendaraan k.Memastikan bahwa satu konsumen hanya dilayani
oleh satu rute dan hanya memiliki satu predecessor.
Konstrain (3) dan (4) menjamin bahwa pengiriman
tidak melanggar kapasitas kendaraan dan depot.
Konstrain (5) dan (6) kontinyuitas rute, yaitu diawali
dan diakhiri pada titik yang sama.
Konstrain untuk mengeliminasi sub-tour.
Memastikan bahwa konsumen j akan dibebankan
kepada depot i jika ada rute yang menghubungkan
keduanya.
Tin
ja
ua
nP
us
ta
ka Perilaku semut saat melakukan perjalanan dari sarang ke
sumber makanan
Semut k pada simpul i akan memilih simpul j dengan probabilitas tertentu
update feromon
,),(),(
),(),(
0
),( kMu
uiui
jiji
k jip
jika j M k
lainnya
Pembentukan rute
Evaluasi rute
N
k
k
jijiji
1
,,, )1(
Tin
ja
ua
nP
us
ta
ka
Start
Route construction
Mutation?
pm
Inisialitation
Pheromone updating
Local Search
Stop?
End
Yes
No
No
Yes
ACO & ACO-
LS CLRP
SIMULATED
ANEALLING-
CLRP
TABU SEARCH-
CLRP
CLUSTER
HEURISTIC-
CLRP
ACO-TSP
ACO-VRP
GRASP-CLRP
CE-CLRP
Start
Pembentukan rute
Inisialisasi parameter awal
Update feromon
Stop?(Itmax)
End
Input data customer dan depot
Tidak
Ya
Local Search
Hitung Total Biaya
Hitung tingkat feromon setiap ruas yang terhubung dgn kota i dan probabilitas
transisi dari kota i ke j
Bangkitkan bilangan random, gunakan roulete wheel selection untuk memilih
kota berikutnya
Output : Jumlah depot, rute kendaraan, jumlah kendaraan, total biaya
Tidak
Ya
Validasi Model
Algoritma
valid?
Eksperimen
Kesimpulan dan Saran
Analisis dan Interpretasi
Start
Finish
Bandingkan dengan metode lain
Pengembangan Algoritma Ant
Colony Optimization untuk
Capacitated Location Routing
Problem
1-2-3-5-6-4
DEPOT
CUSTOMERREPRESENTASI SOLUSI
2-3-5-6-4-2
Biaya Opening depot = 50
Biaya Setup rute (f)= 1
Biaya Transportasi = 19.1336Total Biaya=
70.1336
α : 1
Penentuan Parameter Awal
1. Inisialisasi
β : 3
ρ : 0.5
Derajat kepentingan feromon
Derajat pengontrol visibility
Koefisien penguapan feromon
Feromon awal
01.001.001.001.001.001.0
01.001.001.001.001.001.0
01.001.001.001.001.001.0
01.001.001.001.001.001.0
01.001.001.001.001.001.0
01.001.001.001.001.001.0
Visibility jarak ( )ijij d/1
0000.03162.02357.01562.02425.02774.0
3162.00000.01581.02774.02774.00000.1
2357.01581.00000.01240.02425.01644.0
1562.02774.01240.00000.02500.03536.0
2425.02774.02425.02500.00000.03536.0
2774.00000.11644.03536.03536.00000.0
1. Rute diawali pada sebuah depot yang dipilih secara random
2. Pembangkitan Rute
2. Pemilihan node berikutnya menghitung probabilitas transisi
,0
,u)(i, u)(i,/j)(i, j)(i,),( kMu
jipk
1-5-2-4-6-3
jika j M k
lainnya
1. Pemecahan rute berdasarkan depot yang dibuka
3. Evaluasi Rute
2. Perhitungan Kapasitas Kendaraan dan Depot
1-5-2-4-6-3 2-4-6-3-2
1-5-1
3. Perhitungan Total Biaya
Q : 200
2-4-6-3-2
W : 300
40jd
120jd
Depot terbuka : 1 & 2 Biaya Pembukaan depot = 50 +50 = 100
Banyak subrute : 2 Biaya setup rute = 1+1 = 2
Jarak tempuh Biaya transportasi = 2 +18.7688 = 20.7688
Jarak tempuh = 2
Jarak tempuh = 18.7688
Total Biaya = 122.7688
1-5-1
4. Update Feromon
1-5-2-4-6-3Rute semut k:
N
k
k
jijiji
1
,,, )1( 0.008)1/122.7688( )(
, k
k
jiL
Q
005.0005.0005.0013.0005.0005.0
005.0005.0005.0005.0013.0005.0
013.0005.0005.0005.0005.0005.0
005.0005.0005.0005.0005.0005.0
005.0005.0013.0005.0005.0005.0
005.0013.0005.0005.0005.0005.0
new
ρ : 0.5
0050.00182.00435.00131.00260.00128.0
0433.00050.00259.00346.00131.00050.0
0213.00050.00050.00259.00130.00050.0
0181.00193.00262.00050.00214.00130.0
0210.00050.00213.00433.00050.00182.0
0182.00744.00050.00050.00193.00050.0
6. Local Search
1-2-3-5-6-4
5. Kriteria pemberhentian
Maksimum iterasi
Rute terbaik 2-opt-exchange
Rute Total Biaya
1 2 3 5 6 4 70.1336
2 1 3 5 6 4 74.9217
1 3 2 5 6 4 120.7904
1 2 5 3 6 4 72.9800
1 2 3 6 5 4 75.0131
1 2 3 5 4 6 72.7784
7. Penentuan Hasil Optimal
Hasil optimal ditentukan dengan cara memilih hasil terbaik dari
proses local search
UJI PERUBAHAN PARAMETER
Parameter
α = 1;
β = 3
ρ = 0.5
UJI SET DATA BARRETO DAN TUZUN & BURKE
Problem BKS CH SA-ACS GRASP MA|MP LRGTS GAHLS SALRP CELRP ACO ACO-LS
B2 585.1 591.5 586.7 611.8 611.8 587.4 585.1 585.1 593.7 593.6 585.1
B5 504.3 511.4 506.1 504.3 534.7 504.8 504.3 504.3 512.8 512.2 510.2
B6 460.4 470.7 470.4 460.4 485.4 476.5 460.4 460.4 478.4 475.3 473.9
B7 565.5 582.7 - 599.1 565.6 586.4 584.8 565.5 584.8 643.3 645.4
B8 844.4 886.3 - 861.6 866.1 863.5 851.8 844.4 869.3 969.7 957.3
B9 833.4 889.4 - 861.6 850.1 842.4 842.4 838.9 871.1 989.5 970.7
B10 204 204 204 - - - - 204 204 204 204
B15 3062 3062 3062 3062 3062 3065.2 3062 3062 3062 3190.1 3116.5
Problem BKS2-Phase
TSGRASP MA|MP LRGTS SALRP CELRP ACO ACO-LS
T2 1866.75 2000.97 2006.7 1959.39 1946.01 1922.59 2029.94 2218.1 2238.1
T4 2185.41 2211.74 2288.09 2277.39 2207.5 2185.41 2385.78 2903.6 2878.3
Set Data Barreto
Set Data Tuzun & Burke
GAP
Problem CH SA-ACS GRASP MA|MP LRGTS GAHLS SALRP CELRP ACO ACO-LS
B2 1.09 0.27 4.56 4.56 0.39 0.00 0.00 1.47 1.45 0.00
B5 1.41 0.36 0.00 6.03 0.10 0.00 0.00 1.69 1.57 1.17
B6 2.24 2.17 0.00 5.43 3.50 0.00 0.00 3.91 3.24 2.93
B7 3.04 - 5.94 0.02 3.70 3.41 0.00 3.41 13.76 14.13
B8 4.96 - 2.04 2.57 2.26 0.88 0.00 2.95 14.84 13.37
B9 6.72 - 3.38 2.00 1.08 1.08 0.66 4.52 18.73 16.47
B10 0.00 0.00 - - - - 0.00 0.00 0.00 0.00
B15 0.00 0.00 0.00 0.00 0.10 0.00 0.00 0.00 4.18 1.78
Rata-rata 2.43 0.56 2.28 2.94 1.59 0.77 0.08 2.24 7.22 6.23
Problem 2-Phase TS GRASP MA|MP LRGTS SALRP CELRP ACO ACO-LS
T2 7.190 7.497 4.963 4.246 2.991 8.742 18.821 19.893
T4 1.205 4.698 4.209 1.011 0.000 9.169 32.863 31.705
Rata-rata 4.197 6.098 4.586 2.628 1.496 8.955 25.842 25.799
ACO VS ACO-LS
Problem
ACO ACO-LS
Total Biaya Waktu GAP Total Biaya Waktu GAP
B2 593.6 586.3 1.45 585.1 682.3 0.00
B5 512.2 731.1 1.57 510.2 943.0 1.17
B6 475.3 885.0 3.24 473.9 1002.5 2.93
B7 643.3 7829.9 13.76 645.4 8671.8 14.13
B8 969.7 24678.0 14.84 957.3 34579.0 13.37
B9 989.5 52806.3 18.73 970.7 54395.4 16.47
B10 204 77.0 0.00 204 105.0 0.00
B15 3190.1 659.0 4.18 3116.5 777.4 1.78
T2 2218.1 111716 18.82 2238.1 137575 19.89
T4 2903.6 184108 32.863 2878.3 207121.5 31.705
Pada ACO proses pembentukan rute mengikuti probabilitas transisi
yang mempertimbangkan tingkat feromon dan kedekatan jarak.
ACO-LS memiliki performansi lebih baik daripada ACO
Tingkat kerandoman rute sangat kecil (kurang terdiversifikasi)
Node besar terjebak pada lokal optima
Membutuhkan jumlah populasi yang lebih besar
Kriteria pemberhentian maksimum iterasi membatasi
proses pencarian
Strategi local search mampu menuntuk ACO keluar dari lokal
optima
Waktu komputasi ACO-LS lebih lama karena adanya
penambahan proses local search dengan iterasi tertentu
1. Algoritma ACO dan ACO-LS mampu diterapkan untukmenyelesaikan CLRP
2. ACO dan ACO-LS mampu menghasilkan solusi yang kompetitifuntuk permasalahan CLRP dengan node < 50
3. ACO-LS memberikan performansi yang lebih baik daripadaACO dari segi kualitas solusi, tetapi waktu komputasinya lebihlama
Untuk penelitian selanjutnya, algoritma ACO masih dapatdikembangkan dengan melakukan improvisasi (penambahanproses mutasi) atau mengkombinasikan ACO dengan strategiperbaikan lain (path relinking) atau dengan menghibrid ACOdengan algoritma lain
KESIMPULAN
SARAN
DAFTAR PUSTAKA
• Barreto, S. S. (2004). Análise e Modelização de Problemas de localização-distribuição (Analysis and modelization of location-routing problems)(in Portuguese). University of Aveiro, campus universitário de Santiago.
• Belenguer, J.-M., E. Benavent, et al. (2011). "A Branch-and-Cut method for the Capacitated Location-Routing Problem." Computers & Operations Research 38(6): 931-941.
• Bell, J. E. and P. R. McMullen (2004). "Ant colony optimization techniques for the vehicle routing problem." Advanced Engineering Informatics 18(1): 41-48.
• Bontoux, B. and D. Feillet (2008). "Ant colony optimization for the traveling purchaser problem." Computers & Operations Research 35(2): 628-637.
• Bouhafs, L., A. hajjam, et al. (2006). A Combination of Simulated Annealing and Ant Colony System for the Capacitated Location-Routing Problem. Knowledge-Based Intelligent Information and Engineering Systems. B. Gabrys, R. Howlett and L. Jain, Springer Berlin / Heidelberg. 4251: 409-416.
• Dorigo, M. and L. M. Gambardella (1997). "Ant colonies for the travelling salesman problem." Biosystems 43(2): 73-81.
• Duhamel, C., P. Lacomme, et al. (2010). "A GRASP×ELS approach for the capacitated location-routing problem." Computers & Operations Research 37(11): 1912-1923.
• Laporte, G., J. R. Ledesma, et al. (2000). "A Branc and Cut Algorithm for the Undirected Traveling Purchaser Problem."
DAFTAR PUSTAKA
• Laporte, G., Y. Nobert, et al. (1986). "An Exact Algorith for Solving Capacitated Location-Routing
Problem." Annals of Operation Research 6: 293-310.
• Ledesma, J. R. and J. J. S. Gonzales (2003). "A heuristic approach for the Travelling Purchaser
Problem." 142–152.
• Maranzana, F. E. (1964). "On the Location of Supply Points to Minimise Transport Cost."
Operational Research Quarterly 15: 261-270.
• Marinakis, Y. and M. Marinaki (2008). "A Particle Swarm Optimization Algorithm with Path
Relinking for the Location Routing Problem." Journal of Mathematical Modelling and Algorithms
7(1): 59-78.
• Nagy, G. and S. Salhi (2007). "Location-routing: Issues, models and methods." European Journal
of Operational Research 177(2): 649-672.
• Prabaningtyas, N. (2011). Penerapan Metode Cross Entropy dalam Penyelesaian Capacitated
Location-Routing Problem. Teknik Industri. Surabaya, Institut Teknologi Sepuluh Nopember.
• Prins, C., C. Prodhon, et al. (2006). "Solving the capacitated location-routing problem by a GRASP
complemented by a learning process and a path relinking." 4OR: A Quarterly Journal of
Operations Research 4(3): 221-238.
DAFTAR PUSTAKA
• Prins, C., C. Prodhon, et al. (2004). "Nouveaux algorithmes pour le problème de localisation et
routage sous contraintes de capacité." MOSIM’04 02: 1115–1122.
• Prins, C., C. Prodhon, et al. (2007). "Solving the Capacitated Location-Routing Problem by a
Cooperative Lagrangean Relaxation-Granular Tabu Search Heuristic." Informs 41(4): 470-483.
• Santosa, B. and P. Willy (2011). Metoda Metaheuristik Konsep dan Implementasi. Surabaya,
Guna Widya.
• Tuzun, D. and L. I. Burke (1999). "A two-phase tabu search approach to the location routing
problem." European Journal of Operational Research 116(1): 87-99.
• Yu, B., Z.-Z. Yang, et al. (2009). "An improved ant colony optimization for vehicle routing problem."
European Journal of Operational Research 196(1): 171-176.
• Yu, V. F., S.-W. Lin, et al. (2010). "A simulated annealing heuristic for the capacitated location
routing problem." Computers & Industrial Engineering 58(2): 288-299.
• Zhang, X., Q. Bai, et al. (2010). "A New Hybrid Path Relinking Algorithm for the Vehicle Routing
Problem." International Conference on Intelligent Computation Technology and Automation: 234-
237.