Description

Pada contoh kasus ini, diketahui terdapat 10 kota yang akan dikunjungi oleh perusahaan. Perjalanan pengiriman barang dimulai dari depot menuju sejumlah pelanggan. Parameter – parameter yang digunakan untuk menyelesaikan contoh kasus Travelling Salesman Problem sebanyak 10 kota secara manual.

Lalu dilakukan membangkitkan populasi dengan dimulai dengan cara membangkitkan bilangan real secara acak pada interval (0,1) sebanyak jumlah pelanggan. Proses pembangkitan populasi ini dilakukan sebanyak 5 (banyaknya pelajar).

Solusi terbaik yang dianggap sebagai guru pada algoritma ini berbanding terbalik dengan fungsi tujuan dari kasus DTSP yaitu meminimalkan, sehingga solusi terbaik dari pelajar yang dipilih adalah nilai fitness yang paling Minimal.

Setelah diperoleh solusi terbaik langkah berikutnya adalah menghitung solusi baru untuk masing-masing pelajar dengan menggunakan persamaan sebelumnya.

Lalu dilakukan permutasi kembali dan mencari fungsi tujuan dan nilai fitness.

Pada langkah ini, nilai fitness untuk pelajar ke-k pada solusi lama akan dibandingkan dengan nilai fitness pelajar ke-k pada solusi baru. Jika nilai fitness dari pelajar pada solusi baru lebih baik maka nilai fitness yang akan disimpan adalah nilai dari pelajar pada solusi baru, tetapi jika nilai fitness dari pelajar pada solusi baru lebih buruk maka nilai fitness yang akan disimpan adalah nilai dari pelajar pada solusi lama. Dan apabila nilai fitness dari pelajar pada solusi baru sama dengan nilai fitness pelajar pada solusi lama maka yang akan disimpan adalah nilai fitness dari pelajar pada solusi baru.

Setelah mendapatkan nilai pelajar1 setelah berinteraksi dengan pelajar2, kemudian melakukan evaluasi fungsi tujuan dan fitness dari pelajar1 setelah interaksi dengan cara yang sama.

Setelah didapatkan nilai fitness P setelah berinteraksi, selanjutnya adalah membandingkan nilai fitness P sebelum interaksi dan nilai fitness P setelah interaksi. Apabila nilai fitness P sebelum interaksi sama dengan nilai fitness P setelah interaksi maka solusi yang disimpan adalah pelajar P setelah interaksi. Jika nilai fitness P sebelum interaksi lebih baik dari nilai fitness P setelah interaksi maka solusi yang disimpan adalah pelajar P sebelum interaksi. Dan jika nilai fitness P sebelum interaksi lebih buruk dari nilai fitness P setelah interaksi maka solusi yang disimpan adalah solusi pelajar P setelah interaksi. Berdasarkan perbandingannya, didapatkan nilai fitness P sebelum interaksi lebih baik dari nilai fitness P setelah interaksi maka solusi yang disimpan adalah pelajar P sebelum interaksi. Tabel di bawah ini menyatakan perbandingan pelajar P (pelajar1) sebelum dan sesudah interaksi dengan pelajar2.

Lakukan Terus menerus fase pelajar hingga semua pelajar P dan semua pelajar Q sudah melakukan interaksi. Kemudian seleksi rute terbaik berdasarkan fungsi tujuan terkecil / nilai fitness terbesar. Maka di dapat rute terbaik untuk meminimalkan jarak.