Simulated Annealing Algorithm

Top PDF Simulated Annealing Algorithm:

Usulan Metode Penjadwalan Produk Golongan Non-Sablon Dengan Menggunakan Metode Simulated Annealing Algorithm Di Cv Kurnia Abadi.

Usulan Metode Penjadwalan Produk Golongan Non-Sablon Dengan Menggunakan Metode Simulated Annealing Algorithm Di Cv Kurnia Abadi.

Untuk mengatasi permasalahan tersebut, diusulkan penggunaan metode penjadwalan general flow shop simulated annealing algorithm untuk meminimasi jumlah job yang terlambat pada pembuatan produk non-sablon. Sebelum digunakan untuk memecahkan permasalahan yang dihadapi perusahaan, maka dilakukan penyesuaian dengan menambah kriteria penjadwalan (makespan, tardiness dan lateness), sistem lot dan jumlah mesin pada alogoritma simulated annealing untuk penjadwalan flow shop, kemudian alogoritma baru yang terbentuk dibuat dengan menggunakan software. Software diuji validasi dengan membandingkan hasil perhitungan nilai makespan dan waktu proses dari software dengan makespan dan waktu proses dari perhitungan manual dengan menggunakan contoh kasus sederhana yang mewakili kondisi perusahaan. Berdasarkan hasil uji validasi didapatkan hasil bahwa software yang dibuat adalah valid, dimana makespan dan waktu proses yang dihasilkan adalah sama dengan perhitungan manual, kemudian dilakukan perbandingan penjadwalan antara metode perusahaan sekarang yang dibuat secara manual dengan metode penjadwalan usulan yaitu metode simulated annealing yang sudah diuji validasinya.
Baca lebih lanjut

17 Baca lebih lajut

Hierarchical Bayesian of ARMA Models Using Simulated Annealing Algorithm

Hierarchical Bayesian of ARMA Models Using Simulated Annealing Algorithm

For both synthesis ARMA data and real ARMA data, we will use the simulated annealing algorithm to identify order and estimate the parameters of the ARMA model. For this purpose, the simulated annealing algorithm is implemented for 70000 iterations with a value of initial temperature T 0 = 10 and the temperature is derived with the temperature factor 0.995 up

10 Baca lebih lajut

Portfolio Optimization With Buy-in Thresholds Constraint Using Simulated Annealing Algorithm

Portfolio Optimization With Buy-in Thresholds Constraint Using Simulated Annealing Algorithm

Portfolio optimization is a solution for investors to get the return as much as possible and also to minimize risk as small as possible. In this research, we use risk measures for portfolio optimization, namely mean-variance model. For single objective portfolio optimization problem, especially minimizing risk of portfolio, we used mean-variance as risk measure with constraint such as buy- in thresholds. Buy-in thresholds set a lower limit on all assets that are part of portfolio. All this portfolio optimization problems will be solved by simulated annealing algorithm. The performance of the tested metaheuristics was good enough to solve portfolio optimization.
Baca lebih lanjut

8 Baca lebih lajut

Clinically Relevant Optimization Based on Simulated Annealing Algorithm in IMRT for Prostate Cancer

Clinically Relevant Optimization Based on Simulated Annealing Algorithm in IMRT for Prostate Cancer

In the work, we proposed biological relevant indices based a new optimization method, consisting of controlling the dose delivered to normal tissues and target by NTCP-based sub- scores and TCP-based sub-score respectively. The large-scale optimization problem was then solved by means of SA algorithm, and the strategy of increasing the poor solutions acceptance rate was added to improve the global optimization ability of SA. The proposed method was applied in 10 prostate cancers. Our method was proven that our method can generate better radiotherapy plans than plans attained by applying the commonly used SA algorithm.
Baca lebih lanjut

9 Baca lebih lajut

An Efficient Simulated Annealing Algorithm for Economic Load Dispatch Problems

An Efficient Simulated Annealing Algorithm for Economic Load Dispatch Problems

In this paper, an efficient simulated annealing (SA) algorithm with a single decision variable has been successfully introduced to obtain the optimum solution of economic load dispatch problem. The proposed SA method has been tested on two test cases consisting of 3- generating units and 6-generating units systems and the results are compared to those of the conventional quadratic programming method and the GA method. Test results have shown that the proposed method can provide better solution than above mentioned methods.

10 Baca lebih lajut

Peramalan Kenaikan Indeks Harga KonsumenInflasi Kota Malang menggunakan Metode Support Vector Regression (SVR) dengan Chaotic Genetic Algorithm-Simulated Annealing (CGASA)

Peramalan Kenaikan Indeks Harga KonsumenInflasi Kota Malang menggunakan Metode Support Vector Regression (SVR) dengan Chaotic Genetic Algorithm-Simulated Annealing (CGASA)

Inflation forecasting is complicated. Inflation rate calculated based on the rise in the consumer price index (CPI) is influenced by various factors ranging from volatile prices of various types of goods, rupiah exchange rate, world inflation rate, government policy, fluctuations in the supply of goods and demand. Hybridation algorithm of support vector regression (SVR) with chaotic sequences and genetic algorithms has been successfully applied to improve the accuracy of forecasting in various fields. But it has not been explored the usability of this algorithm in the field of market economy which is forecasting inflation. This journal will analyze the potential of hybridization algorithm that which is chaotic genetic algorithm-simulated annealing algorithm (CGASA) with SVR model to improve the performance of forecasting accuracy. With the chaotic sequence of chaotic sequences, it will be able to avoid premature local optimum and early convergention, especially with the simulated annealing algorithm that increases the search area of the solution. The results of the forecasting test in this study show better accuracy than the previous research which has been studied is the combined ensemble method between autoregressive integrated moving average (ARIMA) and artificial neural network (ANN) algorithm .
Baca lebih lanjut

12 Baca lebih lajut

Directory UMM :Data Elmu:jurnal:I:International Journal of Production Economics:Vol68.Issue2.Nov2000:

Directory UMM :Data Elmu:jurnal:I:International Journal of Production Economics:Vol68.Issue2.Nov2000:

temperature decrement function (CALC(c k )), the equilibrium de " nition ( ¸ k ) and a few special para- meters like the perturbation mechanism (GENER- ATE) and the cost function ( f ) used. The simulated annealing algorithm used in the di ! erent sub-mod- ules only di ! er in the special parameters like the cost function and the perturbation mechanism. Although the general parameters do have other parameter values, the structure of the algorithm is identical. An example of the cost function is given in Fig. 5. Here the cost function of the simulated annealing algorithm in sub-module four is given and shows that only optimization terms are used. The perturbation mechanism used is always SWAP, which is a well known mechanism in per- turbations of sequencing structures. The simulated annealing algorithm was already successfully applied in [12].
Baca lebih lanjut

7 Baca lebih lajut

Comparing between Simulated Annealing Neighborhood Generation with the Combination of Simulated Annealing and Genetic Algorithm in Facility Layout Problem

Comparing between Simulated Annealing Neighborhood Generation with the Combination of Simulated Annealing and Genetic Algorithm in Facility Layout Problem

Neighborhood Generation algorithm has a similar working principle with Simulated Annealing. The difference is Simulated Annealing algorithm exchanges four pairs of different facilities simultaneously, while the Simulated Annealing algorithm just exchanges 1 pair of facilities. Neighborhood generation will minimize moment by swapping adjacent facilities both vertically and horizontally, randomly. The steps of neighborhood generation algorithm applied according to Fukushi† et al (2008) are: 1st) the center point facility is selected randomly. For the example, facility 6 is selected as center point facility (the coordinate is (2,3) ) It can be seen in Figure 2; 2 nd ) the neighborhood of center point facility is found. For example, neighborhood facilities are facility 4, 14, 16, and 11; 3 rd ) the neighborhood facility will swap randomly for four pairs facilities, simultaneously. In Figure 3, it is shown that facility 4, 14, 16 and 11 are exchanged with the facility 3, 7, 8 and 10; 4 th ) the step 3 will be repeated until the smallest moment is achieved.
Baca lebih lanjut

7 Baca lebih lajut

APLIKASI ALGORITMA SIMULATED ANNEALING PADA SISTEM KOORDINASI PEMBANGKITAN UNIT THERMAL.

APLIKASI ALGORITMA SIMULATED ANNEALING PADA SISTEM KOORDINASI PEMBANGKITAN UNIT THERMAL.

One of the problems of electrical power system is determining the combination of unit generation (unit commitment) and load economical of unit generation (economic dispatch) by obeying the constraints operation unit generation and minimize fuel cost in order to achieve minimum total production cost. The method used in this research is simulated annealing. This method is appeared as an optimization technique which is based on metal cooling or crystal that is able to solve a large scale of combinatorial problem. Simulated annealing algorithm search the most optimal unit generation combination in every decrease temperature. By using simulated annealing algorithm the problem of combination unit generation with the lowest cost could be solved quickly and with the optimal result.
Baca lebih lanjut

32 Baca lebih lajut

this PDF file Hospital Nurse Scheduling Optimization Using Simulated Annealing and Probabilistic Cooling Scheme | Chahyadi | IJCCS (Indonesian Journal of Computing and Cybernetics Systems) 1 PB

this PDF file Hospital Nurse Scheduling Optimization Using Simulated Annealing and Probabilistic Cooling Scheme | Chahyadi | IJCCS (Indonesian Journal of Computing and Cybernetics Systems) 1 PB

A study of nurse work scheduling using Simulated Annealing was performed in 2008. The styudy explained performance of Simulated Annealing has better ability than Genetic Algorithm, the value of violation to constraint is smaller and the processing time is shorter compare to Genethic Algoritm[2]. Simulated Annealing (SA) is a metaheuristic method for solving combinatorial problems using analogy of annealing processes in solids [3]. Objective of this work is to develop a system for nurse scheduling using Simulated Annealing method with additional state transition rules to search for new solutions with various constraints. Scheduling problem will be represented in a cost matrix, and then will be evaluated using the objective function. The objective function is an evaluation of the cost function of the schedule matrix to model the ideality level of a scheduling solution generated based on the value of penalties obtained from hard constraints and soft constraints. The objective function then applied a transition rule with a certain probability by considering the cost matrix to produce a new state on a schedule. The Probabilistic Cooling Scheme (PCS) technique utilizing the features of logarithmic and exponential cooling schedules will be applied to the Simulated Annealing algorithm.
Baca lebih lanjut

12 Baca lebih lajut

this PDF file Perbandingan Kombinasi Genetic Algorithm – Simulated Annealing dengan Particle Swarm Optimization pada Permasalahan Tata Letak Fasilitas | Setiawan | Jurnal Teknik Industri 2 PB

this PDF file Perbandingan Kombinasi Genetic Algorithm – Simulated Annealing dengan Particle Swarm Optimization pada Permasalahan Tata Letak Fasilitas | Setiawan | Jurnal Teknik Industri 2 PB

Abstract: This article aims to compare the performance of combination of Genetic Algorithm- Simulated Annealing (GA-SA) with Particle Swarm Optimization (PSO) to solve facility layout problem. GA-SA in this article consist of two algorithms, GA-SA I and GA-SA II, with a different mutation rule. PSO uses fuzzy particle swarm concept to represent solution from each particle. Two criteria to analyze all algorithms performance are moment of movement and computational time. Experiments show that GA-SA II has the best performance in minimization both criteria. Keywords: Genetic Algorithm, Simulated Annealing, Particle Swarm Optimization, fuzzy particle swarm, facility layout problem.
Baca lebih lanjut

6 Baca lebih lajut

JALUR OPTIMUM PENGIRIMAN BARANG DI KANTOR POS GRESIK DENGAN METODE SIMULATED ANNEALING

JALUR OPTIMUM PENGIRIMAN BARANG DI KANTOR POS GRESIK DENGAN METODE SIMULATED ANNEALING

Agar dalam pembahasan penelitian ini tidak terlalu melebar maka diberikan sebuah batasan masalah yang meliputi sistem informasi ini dibangun untuk dapat menemukan jalur optimum, sistem informasi ini dibuat dengan metode Simulated Annealing, menggunakan PHP dan gambaran jalurnya divisualisasikan dalam bentuk graf, sistem informasi ini tidak dapat menemukan alamat secara detail, hanya dapat melakukan pendekatan alamat yang dituju, data yang digunakan berdasarkan data sebelumnya bukan data peramalan, wilayah pengiriman barang pada penelitian ini adalah kota Gresik, kecepatan rata-rata berkendara pada tiap-tiap ruas jalan tidak berubah-ubah (konstan) sesuai dengan data jalan yang ada, hasil pencarian jalur dihitung dari titik awal sampai ke tujuan akhir saja, dan tidak kembali ke titik awal.
Baca lebih lanjut

8 Baca lebih lajut

Optimasi Komposisi Pakan Ternak Sapi Menggunakan Algoritme Genetika - Simulated Annealing

Optimasi Komposisi Pakan Ternak Sapi Menggunakan Algoritme Genetika - Simulated Annealing

Permasalahan i optimasi i bahan i pakan i sapi i perah i dapat i diselesaikan i dengan i algoritme i genetika, i hal i itu i dikarenakan i algoritme i genetika i memiliki i kelebihan i dalam i menghasilkan i output i yang i optimal i dengan i tetap i memperhatikan i faktor i nutrisi i dan i biaya. i Penggunaan i konsep i evolusi i biologi i akan i menghasilkan i suatu i output i berupa i komposisi i bahan i pakan i yang i sebaiknya i dikonsumsi i untuk i memenuhi i kebutuhan i nutrisi i (Aribowo, i 2008). i Salah i satu i penelitian i yang i menggunakan i algortitma i genetika i dan i simulated i annealing i yaitu i penelitian i yang i dilakukan i oleh i Fitri i Anggarsari i dengan i judul i optimasi i kebutuhan i gizi i untuk i balita i menggunakan i hybrid i algoritme i genetikaa i - i simulated i annealing, i dari i penelitian i tersebut i dihasilkan i kesimpulan i bahwa i algoritme i genetikaa i - i simulated i annealing i dapat i digunakan i untuk i menentukan i komposisi i makanan i yang i sesuai i untuk i kebutuhan i gizi i balita.
Baca lebih lanjut

9 Baca lebih lajut

Perbandingan Algoritma Simulated Annealing dan Harmony Search dalam Penerapan Picking Order Sequence

Perbandingan Algoritma Simulated Annealing dan Harmony Search dalam Penerapan Picking Order Sequence

Model yang akan dikembangkan pada penelitian ini terdiri dari: (1) model awal dengan algoritma simu- lated annealing (SA) dan harmony search (HS); (2) model dengan shortest path (SP). Model awal dikem- bangkan dengan cara membangkitkan rute pengam- bilan SKU secara random, sedangkan model shortest path dikembangkan dengan cara mencari rute dengan waktu tempuh terpendek. Metode ini akan digunakan sebagai pembanding untuk al- goritma SA dan HS karena metode shortest path cukup mampu menghasilkan solusi paling mini- mum meskipun membutuhkan waktu yang cukup lama.
Baca lebih lanjut

7 Baca lebih lajut

Penjadwalan Produksi dengan Menggunakan Algoritma Simulated Annealing di PT. Guna Kemas Indah

Penjadwalan Produksi dengan Menggunakan Algoritma Simulated Annealing di PT. Guna Kemas Indah

Bab IV atau Metodologi Penelitian menguraikan tahapan-tahapan penjadwalan produksi dengan metode Simulated Annealing , mulai dari persiapan penelitian, pengambilan data waktu proses, pengolahan data, analisis hasil sampai kesimpulan urutan jadwal produksi yang akan diusulkan untuk pengerjaan order perusahaan.

9 Baca lebih lajut

Penjadwalan Produksi dengan Menggunakan Algoritma Simulated Annealing di PT. Guna Kemas Indah

Penjadwalan Produksi dengan Menggunakan Algoritma Simulated Annealing di PT. Guna Kemas Indah

PT. Guna Kemas Indah merupakan perusahaan manufaktur yang memproduksi cangkir plastik dan joly berdasarkan pesanan pelanggan ( job order ). Produk Cangkir plastik bening merupakan produk unggulan perusahaan karena selalu dipesan pelanggan dalam jumlah besar. Perusahaan menerapkan penjadwalan produksi sesuai urutan job pada pesanan, dimana setiap job yang pertama datang harus diselesaiakan terlebih dahulu dari job lain (yang memiliki batas waktu pengerjaan yang sama). Hal ini berdampak pada keterlambatan pengiriman produk ke tangan konsumen. Untuk menghindari keterlambatan pengiriman produk, perlu dilakukan penjadwalan produksi di perusahaan guna meminimalkan waktu penyelesaian produk ( makespan ). Penelitian ini menggunakan Algoritma Simulated Annealing . Algoritma Simulated Annealing termasuk jenis metode heuristik karena memiliki potensi besar untuk menyelesaikan permasalahan optimasi, dimana parameter yang digunakan adalah temperatur awal (Ti) sebesar 200 0 C, faktor suhu reduksi (s) sebesar 0,95, jumlah iterasi sebanyak 15 kali. Solusi awal pada Algoritma Simulated Annealing menggunakan metode First Come First Served . Dari hasil penelitian, makespan yang dihasilkan pada metode First Come First Served adalah sebesar 24568,75 menit, sedangkan pada metode Algoritma Simulated Annealing adalah sebesar 20149,89 menit. Dapat dilihat bahwa dengan menggunakan metode usulan tersebut, maka terdapat pengurangan makespan sebesar 4418.86 menit = 75,65 jam = 3,06 hari. Sehingga penjadwalan job dapat terpenuhi tepat waktu dan tidak terjadi keterlambatan dari due date yang ditetapkan sebesar 14 hari. Sehingga dapat disimpulkan Algoritma Simulated Annealing lebih efektif daripada metode First Come First Served.
Baca lebih lanjut

1 Baca lebih lajut

Penjadwalan Produksi dengan Menggunakan Algoritma Simulated Annealing di PT. Guna Kemas Indah

Penjadwalan Produksi dengan Menggunakan Algoritma Simulated Annealing di PT. Guna Kemas Indah

12.Bagian Gudang Bagian pergudangan memiliki tugas dan tanggung jawab mengawasi dan mencatat jumlah bahan baku dan produk jadi yang masuk dan yang dikirim atau dikeluarkan oleh per[r]

29 Baca lebih lajut

Penjadwalan Produksi dengan Menggunakan Algoritma Simulated Annealing di PT. Guna Kemas Indah

Penjadwalan Produksi dengan Menggunakan Algoritma Simulated Annealing di PT. Guna Kemas Indah

Penjadwalan Produksi Pada Unit Produksi Pt X Dengan Menggunakan Algoritma Simulated Annealing Untuk Meminimasi Waktu Makespan.. Teknik Tata Cara Kerja.[r]

1 Baca lebih lajut

Show all 2194 documents...