An Improved Genetic Algorithm with a Local Optimization Strategy and an Extra Mutation Level for Solving Traveling Salesman Problem

Borna, Keivan; Hashemi, Vahid

doi:10.5121/ijcseit.2014.4405

Cited by 8 publications

(4 citation statements)

References 17 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Beberapa penelitan yang menunjukkan kemampuan GA untuk menemukan solusi yang optimal di berbagai bidang sudah banyak dibuktikan, seperti: penelitian di bidang distribusi logistik untuk menyelesaikan permasalahan Travelling Salesman Problem [6] dan [7], di bidang biologi untuk optimalisasi parameter dalam deteksi inti sel [8], di bidang rekayasa perangkat lunak untuk meakukan pengujian perangkat lunak [9], dan di bidang ekonomi untuk menentukan parameter pada fungsi produksi Cobb-Douglas [10].…”

Section: Pendahuluanunclassified

Pengembangan Algoritma Genetika dengan Pendekatan Repetitive Random untuk Penjadwalan Ujian Pendadaran Proyek Tugas Akhir

Wibowo

Avianto

Imantoko

2021

TEKNOSI

View full text Add to dashboard Cite

Penjadwalan adalah hal yang umum dilakukan terutama di instansi pendidikan seperti perguruan tinggi. Salah satu kegiatan yang memerlukan proses penjadwalan di perguruan tinggi adalah penjadwalan ujian pendadaran proyek tugas akhir. Faktor-faktor seperti jumlah mahasiswa, ketersediaan dosen, dan ketersediaan ruangan juga membuat proses penjadwalan menjadi lebih kompleks dan memakan waktu jika dilakukan secara manual. Metode Genetic Algorithm (GA) dapat dimanfaatkan untuk mengatasi masalah di dalam proses penjadwalan secara manual. Penelitian ini bertujuan untuk menghasilkan sebuah aplikasi yang diberi nama Automatically Generated Scheduling (ALGEN Scheduling) yang mampu melakukan proses penjadwalan ujian pendadaran dengan lebih mudah. “ALGEN Scheduling” dibangun menggunakan bahasa C# dan menerapkan GA yang telah dimodifikasi dengan pendekatan repetitive random sebagai inti untuk melakukan proses penjadwalan. Pembuatan ALGEN Scheduling dimulai dari perancangan kromosom, implementasi GA termodifikasi dalam bahasa C#, pembuatan GUI dengan tools visual studio, dan integrasi inti penjadwalan dengan GUI. Aplikasi yang dibangun bisa membantu mahasiswa dan dosen penguji dalam menginfokan jadwal ujian pendadaran. Untuk mengetahui kinerja Aplikasi “ALGEN Scheduling”, peneliti melakukan evaluasi dengan menyebar kuesioner kepada responden yang terdiri dari mahasiswa dan dosen. Peneliti berhasil mendapatkan tanggapan sebanyak 101 responden. Berdasarkan pengolahan data responden didapatkan 68% menilai bahwa Aplikasi “ALGEN Scheduling” memiliki tampilan yang bagus dan sangat mudah digunakan untuk menghasilkan jadwal ujian pendadaran dengan tanpa adanya bentrokan jadwal. Sedangkan 19% responden mengatakan bahwa Aplikasi “ALGEN Scheduling” tidak terlalu mudah digunakan tetapi juga tidak terlalu sulit untuk dipelajari. Sisanya, responden menganggap perlu adanya pelatihan khusus sebelum aplikasi benar-benar diterapkan

show abstract

Section: Pendahuluanunclassified

Pengembangan Algoritma Genetika dengan Pendekatan Repetitive Random untuk Penjadwalan Ujian Pendadaran Proyek Tugas Akhir

Wibowo

Avianto

Imantoko

2021

TEKNOSI

View full text Add to dashboard Cite

show abstract

“…In recent years, researchers have adjusted GAs to increase efficiency for application to new complex systems. For instance, researchers have focused on improving the selection operator to find optimal solutions to the multicast routing problem [1], performing a local search with the best offspring in a generation to quickly converge on the global optimum [7], improving the population initialization and crossover operator to segment magnetic resonance images [14], applying the Gaussian function with crossover and mutation to reduce computation time [15], and solving the traveling salesman problem by combining a GA and two local optimization strategies [16].…”

Section: Motivation and Related Workmentioning

confidence: 99%

Analyzing the Performance of the Multiple-Searching Genetic Algorithm to Generate Test Cases

2020

View full text Add to dashboard Cite

Software testing using traditional genetic algorithms (GAs) minimizes the required number of test cases and reduces the execution time. Currently, GAs are adapted to enhance performance when finding optimal solutions. The multiple-searching genetic algorithm (MSGA) has improved upon current GAs and is used to find the optimal multicast routing in network systems. This paper presents an analysis of the optimization of test case generations using the MSGA by defining suitable values of MSGA parameters, including population size, crossover operator, and mutation operator. Moreover, in this study, we compare the performance of the MSGA with a traditional GA and hybrid GA (HGA). The experimental results demonstrate that MSGA reaches the maximum executed branch statements in the lowest execution time and the smallest number of test cases compared to the GA and HGA.

show abstract

“…Crossover operation means mating between a pair of solutions to generate a new pair [38]. A randomly selected cut point in parent solutions is determined and the tails of two parents are swapped to get new offspring [39] as in Fig. 2.…”

Section: B Crossover Operationmentioning

confidence: 99%

LCMFO: An Improved Moth-Flame Algorithm for Combinatorial Optimization Problems

AbdElhamid¹,

Helmi²,

Ziedan³

2018

IJET

View full text Add to dashboard Cite

Combinatorial optimization problems (COPs) are challenging class of problems in the field of optimization. Permutations are preferred as solution representation scheme in most cases. Metaheuristic techniques can be used to look for good solutions for COPs with low cost. Moth-flame algorithm (MFO) is one recent population-based metaheuristic technique for continuous optimization problems. In this work improvement of MFO when used to solve COPs is studied. An improved version of MFO (called LCMFO) where Lévy-flight function is used to prepare initial solutions is proposed. Also crossover functions of genetic algorithms are used together with the basic technique of MFO to generate new solutions. Both MFO and LCMFO are tested with travelling salesman problem (TSP) as one popular COP. Experimental results show that there is a notable improvement of about 20-40% in the quality of solutions found by LCMFO over MFO only.

show abstract

An Improved Genetic Algorithm with a Local Optimization Strategy and an Extra Mutation Level for Solving Traveling Salesman Problem

Abstract: The Traveling salesman problem (TSP) is proved to be NP-complete

Cited by 8 publications

References 17 publications

Pengembangan Algoritma Genetika dengan Pendekatan Repetitive Random untuk Penjadwalan Ujian Pendadaran Proyek Tugas Akhir

Pengembangan Algoritma Genetika dengan Pendekatan Repetitive Random untuk Penjadwalan Ujian Pendadaran Proyek Tugas Akhir

Analyzing the Performance of the Multiple-Searching Genetic Algorithm to Generate Test Cases

LCMFO: An Improved Moth-Flame Algorithm for Combinatorial Optimization Problems

Contact Info

Product

Resources

About