Buku Metoda Metaheuristik

Metaheuristikmini

Buku yang diperlukan untuk memahami metoda metaheuristik. Mulai dari konsep dan implementasi menggunakan Matlab dan contoh kasus bisa ditemukan di buku ini. Ditulis dengan tujuan membantu pembaca memahami metaheuristik dan mampu mengimplementasikannya, buku ini sangat penting untuk dijadikan referensi baik oleh dosen, mahasiswa pasca sarjana atau mahasiswa S1. Untuk pembelian bisa kontak ke  WA 083857170651 shima1907@yahoo.com dengan harga Rp 85 ribu + ongkos kirim.

Kata Pengantar   v

I  Pendahuluan   8

2 Beberapa Konsep Dasar Optimasi  9

2.1 Masalah Optimasi 9

2.2 Local dan Global Optimum    13

2.3 Contoh Masalah Optimasi 23

2.4 Membangkitkan Bilangan Random    30

2.5 Konsep Jarak  31

2.6 Vektor  33

2.7        Matrik  29

2.8        Fungsi convex  30

2.9        Set Convex  31

2.10      Menangani Optimasi Dengan Pembatas  32

Lagrange multiplier  32

Fungsi Pinalti 33

3 Optimasi Multi – Tujuan   31

3.1 Pendahuluan  31

3.2 Sejarah Perkembangan  39

3.3 Ilustrasi Pengantar  40

3.4 Tujuan Tunggal vs Multitujuan  47

3.4.1     Formulasi Umum dan Fungsi Tujuan  48

3.4.2     Trade-Off Solutions dan Masalah Konversi 48

3.5 Beberapa Konsep Dasar  51

3.5.1 Linieritas dan Konveksitas  51

3.5.2 Optimalitas Pareto dan Dominansi 39

3.5.3 Optimalitas Pareto pada Ilustrasi Pengantar  47

3.5.4 Kondisi Kuhn-Tucker  49

3.5.5 Dominansi –   49

4 Optimasi Klasik   57

4.1 Pendahuluan  57

4.2 Algoritma Direct Search  58

4.2 1 Algoritma Hooke Jevees  59

4.2.2 Algoritma Nelder Mead  59

4.3 Gradient-based Search  63

4.3.1 Steepest Descent 63

4.3.2 Metoda Newton  66

4.4        Lampiran  70

5 Metode Klasik Optimasi  85

Multi-Tujuan   85

5.1 Pendahuluan  85

5.2 Metode Pembobotan  86

5.3 Metode  -Constraint  92

5.4 Metode-metode Lainnya  95

5.4.1 Metode Metrik Berbobot 95

5.4.2     Metode Benson  96

5.5        Lexicographic Ordering  96

6 Genetic Algorithm    87

6.1 Pendahuluan  87

6.2 Beberapa Konsep  87

6.3        Algoritma GA   96

6.4 Implementasi GA dengan Biner  97

6.5        Implementasi menggunakan nilai kontinyus  102

6.6        GA untuk TSP  120

6.7        Kode Matlab untuk GA Kontinyus  124

6.8        Kode Matlab untuk GA Biner  127

6.9        Kode Matlab untuk TSP dengan GA   131

6.10      Kode Matlab GA Modifikasi untuk TSP  135

7 GA untuk Optimasi Multi-Tujuan   123

7.1        Pendahuluan  123

7.2        Evolutionary Multiobjective Optimization  124

7.2.1 Sejarah Perkembangan  124

7.2.1 Penugasan Nilai Fitness  126

7.2.2 Elitisme  129

7.2.3 Promosi Keragaman  130

7.2.4 Penanganan Kendala  131

7.3        GA Multi-Tujuan  123

7.3.2 Multi-objective GA (MOGA) 125

7.3.3 Niched Pareto GA (NPGA) dan NPGA-2  126

7.3.4 Nondominated Sorting GA (NSGA) dan NSGA-II 128

7.3.5 Distance-based Pareto GA (DPGA) 133

7.3.6 Thermodynamic GA (TDGA) 135

7.3.7 Multi-Objective Messy GA (MOMGA) 137

7.3.8 Micro-GA (μGA) 139

8 Ant Colony Optimization   163

8.1        Pendahuluan  163

8.2 Konsep ACO   164

8.4 Algoritma ACO   169

8.5 ACO untuk Traveling Salesman Problem    176

9 ACO Multi-Tujuan   171

9.1        Pendahuluan  171

9.2 Garis Besar Perluasan Model 172

9.3 Beberapa Model 176

9.3.1 Multi-Objective Ant-Q (MOAQ) 176

9.3.2 Multiple Ant Colony System for Vehicle Routing Problems with Time Windows  177

9.3.3 Multi-Objective ACO Metaheuristic (MOACOM) 177

9.3.4 SACO   178

9.3.5 Multi-Objective Network Optimization using ACO   178

9.3.6 Population-based ACO (PACO) 179

9.3.7 COMPETants  179

9.3.8 Pareto ACO (P-ACO) 180

10 Particle Swarm    Optimization   184

10.1 Pendahuluan  184

10.2 Particle swarm optimization  186

10.3 Implementasi PSO   189

10.4 Modifikasi PSO   197

10.5 PSO untuk TSP  200

10.6 Lampiran  204

11  PSO Multi-Tujuan   213

11.1 Pendahuluan  213

11.2 Sejarah Perkembangan  213

11.3 Garis Besar Perluasan Model 214

11.4 Pemilihan dan Pembaharuan Para Pemimpin  216

11.5 Pembentukan Solusi Baru  218

11.4 Klasifikasi Model 219

11.4.1 Adaptive Weighted PSO (AWPSO) 219

12 Simulated Annealing   225

12.1      Pendahuluan  225

12.2 Algoritma SA   236

12.3 Simulated Annealing untuk TSP  241

12.4 Lampiran  242

13 SA untuk Optimasi Multi-Tujuan   240

13.1 Pendahuluan  240

14 Cross Entropy   259

14.1 Pendahuluan  259

14.2 Monte Carlo  259

14.3 CE untuk Optimasi 262

14.4 Optimasi Kombinatorial dengan CE  265

14.5 CE untuk optimasi dengan pembatas  279

15 Aplikasi Cross Entropy   274

15.1 CE Untuk Menyelesaikan TSP  274

15.2 Vehicle Routing Problem    291

15.3 Single Machine with Total Weighted Tardiness  294

15.4 Single Machine with Common Due Date  299

15.5 Latihan  299

15.6 Lampiran  302

16.1 Pendahuluan  301

16.2 Ide Dasar DE  302

16.3 Inisialisasi 304

16.4 Mutasi 304

16.5 Crossover  306

16.6 Seleksi 307

16.7 Contoh Implementasi DE  310

16.8 Lampiran  314

17 DE untuk Multi-Tujuan   319

17.1 Pendahuluan  319

17.2 Perbandingan Singkat dengan EA   321

17.3 Beberapa Model 322

17.3.1 Pareto-frontier DE (PDE) 322

17.3.2 Generalized DE (GDE) dan variannya  324

17.3.3 Pareto-based DE Approach  326

17.3.4 Multi-Objective DE (MODE) 326

17.3.5 Nondominated Sorting DE (NSDE) 327

17.3.6 Vector Evaluated DE (VEDE) 328

17.3.7 -MyDE  328

17.4 DE for Multi-Objective Optimization (DEMO) 331

17.4.1 Multi Objective DE based on Decomposition  332

17.4.2 Cultured DE  333

18 Harmony Search   331

18.1 Pendahuluan  331

18.2 Konsep Harmony Search  333

18.3 Implementasi Harmony Search  338

18.4 Lampiran  341

Daftar Pustaka  345

Leave a Reply

Fill in your details below or click an icon to log in:

WordPress.com Logo

You are commenting using your WordPress.com account. Log Out / Change )

Twitter picture

You are commenting using your Twitter account. Log Out / Change )

Facebook photo

You are commenting using your Facebook account. Log Out / Change )

Google+ photo

You are commenting using your Google+ account. Log Out / Change )

Connecting to %s