Penerapan Hybrid Bat Algorithm (BA) dengan Differential Evolution (DE) untuk Mengoptimasi Model Multiobjektif
Article Sidebar
Main Article Content
Abstract
Optimasi merupakan suatu proses untuk memaksimalkan atau meminimalkan suatu permasalahan tertentu agar diperoleh kondisi optimal. Dalam mengoptimasi suatu permasalahan terkadang model kasus yang tersedia bersifat muliobjektif, yang artinya ada lebih dari satu fungsi model yang harus
diselesaikan secara bersamaan. Pada model multiobjektif keoptimalan satu fungsi dipengaruhi fungsi-fungsi yang lain. Sehingga untuk mendapatkan solusinya lebih sulit jika dibandingkan dengan mengoptimalkan satu fungsi saja. Salah satu metode dalam penyelesaian permasalahan multiobjektif yaitu dengan menggunakan metode metaheuristik. Metode ini mudah digunakan dan tidak memerlukan informasi gardien dari model yang akan dioptimalkan. Salah satu metode metaheuristik adalah Bat Algorithm (BA). Pada penelitian ini BA akan dihybrid-kan dengan menggunakan metode Differential Evolution (DE) yang sudah sejak lama powerfull dalam pencarian solusi optimal suatu persamaan. Kedua algoritma ini digabungkan dengan menggabungkan local search pada BA dengan DE. Sehingga keunggulan pada BA dan keunggulan pada DE
dapat dioptimalkan dalam satu algoritma hybrid. Berdasarkan hal tersebut maka hybrid dari BA dan DE akan diuji dengan menyelesaikan model-model fungsi yang bersifat multiobjektif. Hasil yang didapat menunjukan bahwa algoritma hybrid ini mampu menyelesaikan fungsi-fungsi yang memuat permasalahan
multiobjektif
Article Details
References
Blum, C., & Roli, A. (2003). Metaheuristics in combinatorial optimization: Overview and conceptual comparison. ACM computing surveys (CSUR), 35(3), 268-308.
Kalyanmoy, D. (2001). Multi objective optimization using evolutionary algorithms (pp. 124-124). John Wiley and Sons.
Fister Jr, I., Fister, D., & Yang, X. S. (2013). A hybrid bat algorithm. arXiv preprint arXiv:1303.6310.
Price, K., Storn, R. M., & Lampinen, J. A. (2006). Differential evolution: a practical approach to global optimization. Springer Science & Business Media.
Sleesongsom, S. (2008, October). Multiobjective optimization with even Pareto filter. In Natural Computation, 2008. ICNC'08. Fourth International Conference on (Vol. 1, pp. 92-96). IEEE.
Talbi, E. G. (2009). Metaheuristics: from design to implementation (Vol. 74). John Wiley & Sons.
Yang, X. S. (2010). A new metaheuristic bat-inspired algorithm. In Nature inspired cooperative strategies for optimization (NICSO 2010) (pp. 65-74). Springer, Berlin, Heidelberg.
Yang, X. S. (2010). Engineering optimization: an introduction with metaheuristic applications. John Wiley & Sons.
Yang, X. S. (2011). Bat algorithm for multi-objective optimization. International Journal of Bio-Inspired Computation, 3(5), 267-274.
Yang, X. S., & Deb, S. (2013). Multiobjective cuckoo search for design optimization. Computers & Operations Research, 40(6), 1616-1624.
Yuanbin, M., Xinquan, Z., & Shujian, X. (2013). Local memory search bat algorithm for grey economic dynamic system. Indonesian Journal of Electrical Engineering and Computer Science, 11(9), 4925-4934.