pada tahun 1953, dan aplikasi algoritma SA mulai dikembangkan dalam
masalah optimalisasi pada tahun 1983 oleh Kirkpatrick et al.
Dalam sistem termodinamika, SA menggunakan persamaan Boltzman. Persamaan ini merepresentasikan probabilitas suatu new state
yang lebih buruk dari current state yang masih mungkin terpilih sebagai next state. SA dikembangkan berdasarkan ide dari mekanisme perilaku
pendinginan dan proses kristalisasi annealing material panas. Algoritma SA melakukan peningkatan iteratif untuk memperbaiki
solusi yang dihasilkan teknik-teknik penjadwalan heuristic, dalam hal ini adalah sebuah solusi awal yang dibuat dengan teknik heuristic ataupun
random diiterasi secara berulang dengan metode annealing dengan menggunakan perturbasi local hingga tidak ada peningkatan lagi atau
hingga jumlah iterasi yang diinginkan sudah dicapai. Algoritma SA menerima solusi baru jika biaya baru lebih rendah
dari pada biaya solusi saat ini di setiap iterasi. Dengan kriteria tersebut, SA memungkinkan terhindar dari jebakan minimum lokal, hali ini menjadi
salah satu kelebihan SA dibandingkan dengan metode penjadwalan lain.
2.3. Algoritma Simulated Annealing.
Menurut [Suyanto, 2010], struktur algoritma Simulated Annealing adalah sebagai berikut :
Keterangan : 1.
Evaluasi initial state. Jika state ini adalah goal state, maka kembalikan state ini sebagai solusi dari keluar dari program. Jika
bukan, lanjutkan dengan initial state sebagai current state. 2.
Inisialisasi BEST-SO-FAR dengan current state. 3.
Inisialisasi T sesuai dengan annealing schedule. 4.
Ulangi sampai solusi tidak ditemukan atau tidak ada lagi aturan produksi yang bisa diaplikasikan ke current state.
a. Pilih sebuah aturan produksi yang belum pernah
diaplikasikan ke current state dan aplikasikan aturan produksi tersebut untuk menghasilkan new state.
b. Evaluasi new state. Hitung :
∆E= fnew state-fcurrent state Jika new state adalah goal, maka kembalikan state ini
sebagai solusi dan keluar dari program. Jika new state ini bukan goal tetapi lebih baik dari pada
current state ∆E0, maka set current state ke new
state. Juga BEST-SO-FAR ke new state. Jika new state tidak lebih baik daripada current state
∆E≥0, maka set current state ke new state dengan probabilitas p∆E= exp-∆ET r. langkah ini biasanya
diimplementasikan dengan membangkitkan sebuah bilangan acak r dalam interval [0,1]. Jika r kurang dari p,
maka set current state ke new state. Jika r lebih besar daripada p, maka jangan mengerjakan apapun.
c. Jika diperlukan, revisi nilai T berdasarkan annealing
schedule. 5.
Kembalikan BEST-SO-FAR sebagai solusi.
1. BEST-SO-FAR, adalah state terbaiksolusi terbaik.
2. T, adalah temperatur awalsuhu awal.
3. Pilih aturan produksi yang belum diaplikasikan ke current state untuk
menghasilkan new state, yaitu sebuah metod pencarian new state, dari current state dengan menggunakan struktur ketetanggaan untuk
menghasilkan new state. 4.
∆E= fnew state-fcurrent state -
∆E = delta evaluationdelta energy menyatakan fungsi biaya . -
fnew state = fungsi biaya dari new state. -
fcurrent state = fungsi biaya dari current state. 5.
p∆E= exp-∆ET r -
exp = fungsi exponen. -
r = bilangan acak antara 0 dan 1. 6.
Revisi nilai T, yaitu penurunan suhu awal dengan rumus 2.1.
2.4. Komponen Simulated Annealing.
