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

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 our work, the essence of the new inverse planning approach presented here is the combination of clinically relevant optimization and simulated annealing optimization algorithm in a large-scale unconstrained optimization model. To improve the global optimization ability of simulated annealing by increasing poor solutions acceptance rate, we adopted different optimization model for different optimization stage as described above. To verify the effectiveness of the proposed method, experiments were conducted involving 10 prostate cancer cases, and compared with the work done by Mohan et al. The results shown in figure 3, table 2 and table 3 indicated that the new plan generated by our proposed optimization method was better than the plan based on Mohan et al’s optimization method in terms of PTV coverage and OARs sparing. The improvements attributed to the increase of poor solutions acceptance rate at high temperature stage of SA by the slope change of the optimization function depicted in figure 2.
Baca lebih lanjut

9 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

There are many optimization methods for solve optimization problems. Usually the method used is a deterministic method such as Newton Method. However, not all optimization problems can be solve by gradient technique because in many optimization problems whose objective functions are not linear/non linear, are not continuous and have many minimum and maximum points. Therefore, metaheuristic methods show the solution of this optimization problem as non-gradient method. Detailed discussions of simulated annealing can be found in van Laarhoven and Aarts [11], Aarts and Lenstra [12] or in the survey by Pirlot [13]. Here we only give a very brief presentation of the method.
Baca lebih lanjut

8 Baca lebih lajut

An Efficient Simulated Annealing Algorithm for Economic Load Dispatch Problems

An Efficient Simulated Annealing Algorithm for Economic Load Dispatch Problems

If there are only equality constraints, then the QP can be solved by a linear system. Otherwise, a variety of methods for solving the QP are commonly used, namely; interior point, active set, conjugate gradient, extensions of the simplex algorithm etc. The direction search algorithm is minor variation of quadratic programming for discontinuous search space. For every demand the following search mechanism is followed between lower and upper limits of those particular plants. For meeting any demand the algorithm is explained in the following steps: (i) Assume all the plants are operating at lowest incremental cost limits.
Baca lebih lanjut

10 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

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

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

Baca lebih lajut

Optimasi Komposisi Pakan Ternak Sapi Menggunakan Algoritme Genetika - Simulated Annealing

Optimasi Komposisi Pakan Ternak Sapi Menggunakan Algoritme Genetika - Simulated Annealing

Gambar i 2. i Rata-rata i Grafik i Fitness i GA i dan i SA Bisa i diambil i kesimpulan i bahwa i untuk i jumlah i populasi i = i 10. i algoritme i genetika i dengan i simulated i annealing i selalu i menghasilkan i optimasi i yang i lebih i baik i daripada i algoritme i genetika i saja, i selain i itu i keduanya i memiliki i fitness i yang i cukup i tinggi i yang i berarti i dengan i popsize i 10 i keduanya i menghasilkan i kombinasi i pakan i dengan i harga i yang i murah i dan i nutrisi i yang i baik i dalam i artian i nutrisi i melebihi i kebutuhan i sapi.
Baca lebih lanjut

9 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

Kantor pos memberikan suatu jasa pelayanan yaitu jasa pelayanan pengiriman barang. Dalam hal ini petugas pos harus mengirimkan banyak barang ke alamat-alamat pelanggan. Namun banyaknya jalan raya pada jaman sekarang terkadang menyulitkan petugas pos untuk memilih jalan mana yang dalam segi waktu tempuhnya lebih optimal. Oleh karena itu diperlukan suatu sistem informasi yang dapat menemukan jalur optimum untuk menghemat waktu dengan memperhitungkan antara panjang jalan dan kecepatan berkendara pada tiap ruas jalan. Sistem ini nantinya dibuat dengan menggunakan metode Simulated Annealing dan berbasis Web. Dengan memanfaatkan web untuk pengaksesannya, sistem ini mampu memberikan informasi yang cukup berguna bagi petugas pos mengenai jalur optimum dengan nilai total waktu tempuh paling optimal sehingga dalam mengantarkan barang dari kantor pos menuju alamat tujuan pelanggannya dapat menghemat waktu. Jalur optimum divisualisasikan dalam bentuk graf. Dari hasil uji coba yang dilakukan dapat diambil kesimpulan bahwa metode Simulated Annealing dapat digunakan untuk proses pencarian jalur optimal dengan alamat tujuan lebih dari satu.
Baca lebih lanjut

8 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)

Dalam implementasi SVR terdapat parameter-parameter yang menentukan yang berperan penting untuk meningkatkan akurasi peramalan. Oleh karena itu digunakan hibridisasi algoritma genetika dengan simulated annealing (GASA) dalam penentuan parameter- parameter tersebut. Algoritma GASA merupakan percobaan inovatif dengan menerapkan kemampuan superior algoritma SA untuk mencapai solusi yang lebih ideal, dan dengan mempekerjakan proses mutasi GA untuk meningkatkan proses pencarian (Zhang, et al., 2012). Lebih jauh lagi penggunaan chaotic search yang dimasukkan dalam algoritma meta- heuristik dapat meningkatkan perilaku pencarian
Baca lebih lanjut

12 Baca lebih lajut

PENDAHULUAN  OPTIMASI BIAYA DAN WAKTU PADA PROYEK KONSTRUKSI DENGAN METODE SIMULATED ANNEALING.

PENDAHULUAN OPTIMASI BIAYA DAN WAKTU PADA PROYEK KONSTRUKSI DENGAN METODE SIMULATED ANNEALING.

Menurut referensi tentang tugas akhir yang ada di Universitas Atma Jaya Yogyakarta, tugas akhir dengan judul Optimasi Biaya dan Waktu pada Proyek Konstruksi dengan Metode Simulated Annealing belum pernah dilakukan untuk sebuah penelitian studi atau skripsi.

Baca lebih lajut

KOORDINASI PEMBANGKIT HYDRO-THERMAL JANGKA PENDEK MENGGUNAKAN SIMULATED ANNEALING.

KOORDINASI PEMBANGKIT HYDRO-THERMAL JANGKA PENDEK MENGGUNAKAN SIMULATED ANNEALING.

Agar penulisan dalam penelitian ini lebih terarah dan sistematis, maka di bawah ini merupakan diagram alir dari penelitian skripsi dan algoritma simulated annealing yang menunjukkan langkah-langkah dari optimisasi pembangkitan hidrotermal namun tetap memperhatikan batasan-batasan yang ada dalam sistem dan pembangkitan tenaga listrik.

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

TINJAUAN PUSTAKA  OPTIMASI BIAYA DAN WAKTU PADA PROYEK KONSTRUKSI DENGAN METODE SIMULATED ANNEALING.

TINJAUAN PUSTAKA OPTIMASI BIAYA DAN WAKTU PADA PROYEK KONSTRUKSI DENGAN METODE SIMULATED ANNEALING.

Metode Simulated Annealing adalah sebuah ide untuk mensimulasikan proses annealing yang diobservasi secara alamiah dengan system annealing, keadaan-keadaan alamiah dibangkitkan untuk mendapatkan konfigurasi optimal (Achmad Basuki, 2011).

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 V atau Pengumpulan dan Pengolahan Data menguraikan data-data primer yaitu data pengukuran waktu proses, Rf , dan Allowance , dan data sekunder berupa jumlah order yang datang serta duedate yang ditetapkan, serta pengolahan data dengan metode simulated annealing untuk mendapatkan pemecahan.

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

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

Baca lebih lajut

Enhanced Symbiotic Organisms Search (ESOS) for Global Numerical Optimization

Enhanced Symbiotic Organisms Search (ESOS) for Global Numerical Optimization

Recently, numerous metaheuristic optimization methods have been extensively researched and have evolved into potential alternatives to gradient-based methods. A “metaheuristic” is defined as an algorithmic framework that has a particular pattern, often nature-inspired, that iteratively simulates a set of randomly generated solutions to achieve better optimal solutions [1]. Notable examples of metaheuristic algorithms include the genetic algorithm (GA) [2], simulated annealing (SA) [3], particle swarm optimization (PSO) [4], differential evolution (DE) [5], ant colony optimization (ACO) [6], harmony search (HS) [7], artificial bee colony (ABC) [8], firefly algorithm (FA) [9], cuckoo
Baca lebih lanjut

Baca lebih lajut

Show all 2194 documents...