78 exploration edge-edge yang baru dengan eksploitasi
exploitation pers. 2.8 dan 2.1. • Aturan pembaruan Pheromone global hanya dilakukan pada
edge-edge yang merupakan bagian dari tour terbaik, sehingga semut akan lebih mudah dalam menentukan titik selanjutnya.
• Disaat semut-semut membangun sebuah tour, diterapkan suatu aturan pembaruan Pheromone lokal local Pheromone updating
rule. Sehingga membuat Pheromone pada edge berkurang dan kehilangan daya tarik, dengan demikian edge yang telah dilewati
tidak akan dilewati lagi oleh semut yang lainnya. Hal ini menyebabkan semut mencari edge baru yang lebih pendek atau
edge yang banyak dikunjungi semut dengan jumlah Pheromone yang banyak.
3.7.2 Perbedaan Algoritma-algoritma ACO Berdasarkan Cara Kerjanya
Berdasarkan pembahasan dari beberapa algoritma ACO, maka diperoleh perbedaan dari cara kerjanya. Berikut diberikan perbedaan cara
kerja yang ada pada masing – masing algoritma ACO, yang ditunjukkan pada tabel 3.8 dibawah ini :
Tabel 3.4 Perbedaan cara kerja pada algoritma-algoritma ACO Algoritma Konstruksi
Tour Evaporasi
Update Pheromone AS
Random Proportional Rule Semua edge dengan faktor
konstan
ρ
terendah. Menambahkan Pheromone pada semua edge yang dikunjungi
semut.
EAS Random Proportional Rule
Semua edge dengan faktor konstan
ρ
terendah. Menambahkan Pheromone pada semua edge yang dikunjungi
semut, menambahkan Pheromone pada edge-edge yang merupakan bagian dari tour terbaik jarak terpendek.
AS
Rank
Random Proportional Rule Semua edge dengan faktor
konstan
ρ
terendah. Mengelompokkan semut berdasarkan panjang pendek tournya
peringkat; menambahkan Pheromone pada edge-edge yang dikunjungi semut dan sesuai dengan rank dari setiap semut.
MMAS Random Proportional Rule
Semua edge dengan faktor konstan
ρ
terendah. Pheromone bisa ditambahkan pada edge – edge yang
merupakan bagian dari best tour yang ditemukan sejak awal algoritma best so-far tour atau pada egde-edge yang
merupakan bagian best tour yang ditemukan pada setiap iterasiiteration best-tour. Penambahan Pheromone boleh
juga ditambahkan pada keduanya. Terdapat interval penambahan intensitas Pheromone sebesar
[ ]
max min
, τ
τ
. ACS
Pseudorandom Proportional Rule Hanya pada edge – edge yang merupakan bagian dari best-
so-far tour yang terlemah Hanya menambahkan Pheromone pada edge – edge yang
merupakan bagian dari tour terbaik yang ditemukan sejak awal algoritma dijalankan.
79
3.7.3 Parameter Terbaik pada Setiap Algoritma ACO
Menurut eksperimen yang telah dilakukan pada algoritma – algoritma ACO untuk TSP, maka diperoleh penetapan parameter yang bisa
menghasilkan performa terbaik dari tiap-tiap algoritma tersebut. Pada tabel 3.5 berikut adalah Penetapan parameter terbaik yang dihasilkan dari
algoritma-algoritma ACO.
Tabel 3.5. Penetapan parameter terbaik algoritma ACO untuk TSP Algoritma ACO
α β
ρ
m
τ
AS 1 2
sampai 5
0,5 n
nn
C m
EAS 1 2
sampai 5
0,5 n
nn
C m
e ρ
+
AS
Rank
1 2
sampai 5
0,1 n
nn
C z
z
ρ
1 5
, −
MMAS 1 2
sampai 5 0,02 n
nn
C ρ
1
ACS -
2 sampai 5 0,1
10
nn
nC 1
Dimana n adalah jumlah titik dalam TSP, m adalah jumlah semut
dalam algoritma. Untuk semua algoritma kecuali algoritma AS ada penambahan parameter. Berikut nilai terbaik untuk parameter pada
algoritma variasi AS : EAS
: parameter e = n. AS
Rank
: Parameter yang menyatakan adanya tour terbaik, w = 6.
80
81 MMAS
: Batas nilai Pheromone adalah
bs
C
ρ τ
1
max
=
dan
n best
n best
avg ρ
ρ τ
τ 1
1
max min
− −
= dengan nilai
best
ρ = 0,05.
ACS : Dalam
Local Pheromone Update nilai 1
, =
ξ . Dan didalam
pseudorandom proportional rule nilai 9
, =
q .
Penetapan parameter diatas mungkin saja tidak berlaku pada beberapa kasus dan eksperimen yang berbeda, bisa saja diperoleh
penetapan parameter berbeda yang bisa menghasilkan performa yang lebih baik.
3.7.4 Perbandingan hasil algoritma ACO pada beberapa kasus