Telah terbit buku Metoda Metaheuristik, Konsep dan Implementasi. Ditulis oleh Budi Santosa (T Industri ITS) bersama dengan Paul Willy (Uni Heidelberg Jerman). Buku pertama berbahasa Indonesia yang membahasa metaheuristik secara detail disertai contoh mplementasi dan program komputer dalam Matlab. Bisa dibaca bagi para pemula sampai yang ingin mengembangkannya. Pemesanan ke shima1907@yahoo.com , harga Rp 75.000 + ongkos kirim (Jawa Rp15000, luar Jawa,Rp22.000). Untuk wilayah Surabaya bisa ambil langsung ke kampus ITS. Buku ini berisi topik-topik berikut:
2 Beberapa Konsep Dasar Optimasi 7
3 Optimasi Multi-Tujuan 31
4 Optimasi Klasik 51
4.2 Algoritma Direct Search . . . . . . . . . . . . . . . . . . . . . . . . 52
4.2.1 Algoritma Hooke Jevees . . . . . . . . . . . . . . . . . . . . 53
4.2.2 Algoritma Nelder Mead . . . . . . . . . . . . . . . . . . . . 53
4.3 Gradient-based Search . . . . . . . . . . . . . . . . . . . . . . . . . 56
4.3.1 Steepest Descent . . . . . . . . . . . . . . . . . . . . . . . . 56
4.3.2 Metoda Newton . . . . . . . . . . . . . . . . . . . . . . . . 60
5 Metode Klasik Optimasi Multi-Tujuan 75
5.2 Metode Pembobotan . . . . . . . . . . . . . . . . . . . . . . . . . . 76
5.3 Metode _-Constraint . . . . . . . . . . . . . . . . . . . . . . . . . . 81
5.4 Metode-metode Lainnya . . . . . . . . . . . . . . . . . . . . . . . . 83
5.4.1 MetodeMetrik Berbobot . . . . . . . . . . . . . . . . . . . 83
5.4.2 Metode Benson . . . . . . . . . . . . . . . . . . . . . . . . . 84
5.5 Lexicographic Ordering . . . . . . . . . . . . . . . . . . . . . . . . . 85
6 Genetic Algorithm 87
6.3 Algoritma GA. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 92
6.4 Implementasi GA dengan Biner . . . . . . . . . . . . . . . . . . . . 93
6.5 Implementasi menggunakan nilai kontinyus . . . . . . . . . . . . . 98
6.6 GA untuk TSP . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 102
6.7 KodeMatlab untuk GA Kontinyus . . . . . . . . . . . . . . . . . 106
6.8 KodeMatlab untuk GA Biner . . . . . . . . . . . . . . . . . . . . 110
6.9 Kode Matlab untuk TSP dengan GA . . . . . . . . . . . . . . . . 113
6.10 Kode Matlab GA Modifikasi untuk TSP . . . . . . . . . . . . . . . 117
7 GA untuk Optimasi Multi-Tujuan 121
7.2 Evolutionary Multiobjective Optimization . . . . . . . . . . . . . . 122
7.3 GAMulti-Tujuan . . . . . . . . . . . . . . . . . . . . . . . . . . . . 131
7.3.1 Vector Evaluated GA (VEGA) . . . . . . . . . . . . . . . . 131
7.3.2 Multi-objective GA (MOGA) . . . . . . . . . . . . . . . . . 133
7.3.3 Niched Pareto GA (NPGA) dan NPGA-2 . . . . . . . . . . 134
7.3.4 Nondominated Sorting GA (NSGA) dan NSGA-II . . . . . 136
7.3.5 Distance-based Pareto GA (DPGA) . . . . . . . . . . . . . 140
7.3.6 Thermodynamic GA (TDGA) . . . . . . . . . . . . . . . . . 142
7.3.7 Multi-Objective Messy GA (MOMGA) . . . . . . . . . . . . 144
7.3.8 Micro-GA (μGA) . . . . . . . . . . . . . . . . . . . . . . . . 146
8 Ant Colony Optimization 151
8.2 Konsep ACO . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 152
8.3 Perilaku Semut . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 154
8.4 Penambahan dan Penguapan Pheromone . . . . . . . . . . . . . . . 156
8.5 Algoritma ACO . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 157
8.6 ACO untuk Traveling Salesman Problem. . . . . . . . . . . . . . . 163
9 ACO Multi-Tujuan 171
9.2.5 Pengarsipan Pareto . . . . . . . . . . . . . . . . . . . . . . . 174
9.2.6 KlasifikasiModel . . . . . . . . . . . . . . . . . . . . . . . . 176
9.3 BeberapaModel . . . . . . . . . . . . . . . . . . . . . . . . . . . . 176
9.3.1 Multi-Objective Ant-Q (MOAQ) . . . . . . . . . . . . . . . 176
9.3.2 Multiple Ant Colony System for Vehicle Routing Problems
with TimeWindows . . . . . . . . . . . . . . . . . . . . . . 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-basedACO (PACO) . . . . . . . . . . . . . . . 179
9.3.7 COMPETants . . . . . . . . . . . . . . . . . . . . . . . . . 180
9.3.8 Pareto ACO (P-ACO) . . . . . . . . . . . . . . . . . . . . . 180
10 Particle Swarm Optimization 183
10.2 Particle swarmoptimization . . . . . . . . . . . . . . . . . . . . . . 185
10.3 Implementasi PSO . . . . . . . . . . . . . . . . . . . . . . . . . . . 188
10.4 Modifikasi PSO . . . . . . . . . . . . . . . . . . . . . . . . . . . . 193
10.5 PSO untuk TSP . . . . . . . . . . . . . . . . . . . . . . . . . . . . 196
10.6 Lampiran . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 200
11 PSO Multi Tujuan 207
11.1 Pendahuluan . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 207
11.1.1 Sejarah Perkembangan . . . . . . . . . . . . . . . . . . . . . 207
11.2 Garis Besar PerluasanModel . . . . . . . . . . . . . . . . . . . . . 208
11.2.1 Pemilihan dan Pembaharuan Para Pemimpin . . . . . . . . 210
11.2.2 Pembentukan Solusi Baru . . . . . . . . . . . . . . . . . . . 211
11.2.3 KlasifikasiModel . . . . . . . . . . . . . . . . . . . . . . . . 213
11.3 BeberapaModel . . . . . . . . . . . . . . . . . . . . . . . . . . . . 213
11.3.1 Adaptive Weighted PSO (AWPSO) . . . . . . . . . . . . . . 213
11.3.2 Multiple Objective PSO (MOPSO) . . . . . . . . . . . . . . 215
11.3.3 Covering multiObjective PSO (cvMOPSO) . . . . . . . . . 218
11.3.4 Non-dominated Sorting PSO (NSPSO) . . . . . . . . . . . . 219
11.3.5 MaximinPSO . . . . . . . . . . . . . . . . . . . . . . . . . . 220
11.3.6 Particle Swarm inspired Evolutionary Algorithm (PS-EA) . 220
11.3.7 Vector Evaluated PSO (VEPSO) . . . . . . . . . . . . . . . 221
11.3.8 Multi-Species PSO . . . . . . . . . . . . . . . . . . . . . . . 222
11.3.9 Intelligent PSO (IPSO) . . . . . . . . . . . . . . . . . . . . 222
11.3.10Clustering Multiobjective PSO (ClustMPSO) . . . . . . . . 223
12 Simulated Annealing 225
12.2 Algoritma SA . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 227
12.3 Simulated Annealing untuk TSP . . . . . . . . . . . . . . . . . . . 233
12.4 Lampiran . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 234
13 SA untuk Optimasi Multi-Tujuan 239
13.2 Garis Besar Perluasan Model . . . . . . . . . . . . . . . . . . . . . 240
13.2.1 Perbandingan dengan EA . . . . . . . . . . . . . . . . . . . 240
13.2.2 Peluang Penerimaan . . . . . . . . . . . . . . . . . . . . . . 240
13.2.3 Annealing Schedule . . . . . . . . . . . . . . . . . . . . . . . 242
13.3 BeberapaModel . . . . . . . . . . . . . . . . . . . . . . . . . . . . 245
13.3.1 Pareto SA (PSA) . . . . . . . . . . . . . . . . . . . . . . . . 246
13.3.2 UlunguMulti-Objective SA (UMOSA) . . . . . . . . . . . . 246
13.3.3 Suppapitnarm Multi-Objective SA (SMOSA) . . . . . . . . 248
13.3.4 Weight-based Multi-Objective SA (WMOSA) . . . . . . . . 251
13.3.5 Pareto Domination-based Multi-Objective SA . . . . . . . 251
14 Cross Entropy 253
14.2 Monte Carlo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 253
14.3 CE untuk Optimasi . . . . . . . . . . . . . . . . . . . . . . . . . . 256
14.4 Optimasi Kombinatorial dengan CE . . . . . . . . . . . . . . . . . 258
14.5 CE untuk optimasi dengan pembatas . . . . . . . . . . . . . . . . . 272
15 Aplikasi Cross Entropy 273
15.1 CE UntukMenyelesaikan TSP . . . . . . . . . . . . . . . . . . . . 273
15.2 Vehicle Routing Problem. . . . . . . . . . . . . . . . . . . . . . . . 281
15.3 Single Machine with Total Weighted Tardiness . . . . . . . . . . . 284
15.4 Single Machine with Common Due Date . . . . . . . . . . . . . . 288
15.5 Latihan . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 289
15.6 Lampiran . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 291
16 Differential Evolution 299
16.2 Ide Dasar DE . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 300
16.3 Inisialisasi . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 301
16.4 Mutasi . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 303
16.5 Crossover . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 304
16.6 Seleksi . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 305
16.7 Contoh Implementasi DE . . . . . . . . . . . . . . . . . . . . . . . 306
16.8 Lampiran . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 311
17 DE untuk Multi-Tujuan 315
17.2 Perbandingan Singkat dengan EA . . . . . . . . . . . . . . . . . . . 317
17.3 BeberapaModel . . . . . . . . . . . . . . . . . . . . . . . . . . . . 318
17.3.1 Pareto-frontier DE (PDE) . . . . . . . . . . . . . . . . . . . 318
17.3.2 Generalized DE (GDE) dan variannya . . . . . . . . . . . . 320
17.3.3 Pareto-based DE Approach . . . . . . . . . . . . . . . . . . 322
17.3.4 Multi-Objective DE (MODE) . . . . . . . . . . . . . . . . . 322
17.3.5 Nondominated Sorting DE (NSDE) . . . . . . . . . . . . . 323
17.3.6 Vector Evaluated DE (VEDE) . . . . . . . . . . . . . . . . 324
17.3.7 _-MyDE . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 325
17.3.8 DE for Multi-Objective Optimization (DEMO) . . . . . . . 327
17.3.9 Multi Objective DE based on Decomposition . . . . . . . . 328
17.3.10Cultured DE . . . . . . . . . . . . . . . . . . . . . . . . . . 329
18 Harmony Search 331
18.2 Konsep Harmony Search . . . . . . . . . . . . . . . . . . . . . . . . 333
18.3 Implementasi Harmony Search . . . . . . . . . . . . . . . . . . . . 338
