Ant colony optimization combined with taboo search for the job shop scheduling problem

Kuo-Ling Huang, Ching-Jong Liao

Department of Industrial Management, National Taiwan University of Science and Technology, 43 Keelung Road,
Section 4, Taipei 106, Taiwan

Algoritma Ant colony yang dikombinasikan dengan Taboo search digunakan untuk
menyelesaikan permasalahan “classical job shop scheduling” atau JSSP. Dalam JSSP , satu set
pekerjaan harus diproses pada beberapa mesin dimana harus sesuai dengan batasan batasan atau
syarat yang ada, baik ketika sebuah mesin tersebut terhubung maupun tidak. algoritma ini
digunakan untuk melakukan optimalisasi

Dalam JSSP, satu tugas yang memiliki suatu batasan diproses dalam dalam beberapa
mesin yang terbatas. Setiap pekerjaan tersebut mengikuti urutan mesin yang telah ditentukan
sebelumnya, dimana tidak bisa diganggu sampai tugas tersebut selesai.

Secara sistematis JSSP bisa didefinisikan sebagai berikut : ada seperangkat M mesin,
seperangkat J tugas dan seperangkat O operasi.

Ant Colony Optimization.

ACO memiliki konsep dimana Semut mampu mencari jarak terpendek dari sumber makanan ke
sarang mereka tanpa petunjuk visual. Semut melakukan komunikasi informasi tentang sumber
makanan dengan memberi jejak dengan substansi kimia yang bernama “pheromone” dimana,
semut akan tertarik dengan akumulasi pheromone terbanyak, dimana secara tidak langsung itu
menunjukan jejak terdekat. ACO yang dikombinasikan dengan algoritma fast TS bekerja dengan
melakukan identifikasi bottleneck dari mesin diantara semua mesin yang tak terjadwal. Setiap
“artifical ant” membangun sebuah permutasi atau perubahan susunan dari pekerjaan pada mesin
yang dipilih dengan menggunakan “state transtition rule” dan memberi jejak pheromone dengan
menggunakan aturan “applying the local pheromone update rule”. Langkah langkah diatas
diulang sampai penjadwalan yang baik tercapai ketika semua “artificial ant” selesai membangun
penjadwalan mereka, penelusuran yang terbaik tersebut ditingkatkan lagi dengan algoritma
penelusuran lokal yang telah disematkan.
1. Fase inisialisasi

Πm merupakan total machine loading, peringkat index dari mesin M. dalam fase ini
”pheromone” level 0 di inisialisas untuk semua jejak

2. Fase Construction
 Mendefinisikan jejak pheromone
 Setiap artificial ant memilih mesin M yang tak terjafwal dengan TML tertinggi pada level
pertama

 Merupakan jejak pheromone yang di asosiasikan dengan menugaskan pekerjaan J pada

posisi P
 Paksaan menunda predensi, maksudnya operasi yang diberikan pada mesin yang tak
terjadwal mungkin bergantung pada tipe spesial dari “precedence constraint”. Mungkin
oprasi yang harus di proses pada beberapa mesin hanya bisa di proses setelah operasi
tertentu yang berhubungan telah selesai.
 Greedy heuristic rule
 Local update pheromobe rule
Setelah artificial ant selesai melakukan permutasi pada mesin M, berdasarkan pheromone
matrik yang dirubah dengan menyetujui local phermone rule sebagai berikut

dimana merupakan initial pheromone level. Dan p (0 < p < 1) adalah parameter
pheromone yang menguap.
 Prinsip optimalitas proksimat
 Local search phase
 Global pheromone update phase
 Implementasi dari local search algoritma
 TS algoritma
TS dimulai dari solusi awal, di tiap iterasi, sebuah perpindahan dilakukan untuk solusi
tetangga terbaik selamat kualitasnya tidak lebih baik dari yang saat itu. Untuk
menghindari cycling maka digunakan a short term memory yang dipanggil taboo list
 The fast taboo algorithm
FT bisa dikarakteristikan dengan komponen berikut : neighborhood definition, short term
memory (taboo list), long term memory dan stopping criterion.
 Long term memory and global pheromone update query
Long term memory and global pheromone update query memiliki struktur data mirip
dengan long term memory, karena itu ketika penjadwalan yang lebih baik ditemukan.
ACOFT segera mengupdate, tidak hanya long term memory namun juga global update
pheromone queue.
 The modified makespan calculation
 POP with partial disjunctive graph

Contoh dari 5 mesin, 3 tugas dan 15 operasi

Untuk mengaklerasi prosdur, dilakukan substitusi pada general disjunctive graph (GDG) dengan
partial disjunctive graph (PDG) di dalam POP.
General disjunctive graph dengan 3 mesin yang di jadwalkan
 setting values dari ACOFT parameter dan perbandingan komputasional antara GDGD dan PDG

hasil komputasional

hasil komputasi dimana menggunakan bahasa pemrograman C++ dan berjalan pada AMD XP-
1800+ (1533MHz) CPU dan 768 RAM dengan sistem operasi windows XP
Kesimpulan
Dalam papaer ini menggunakan algoritma hybrid antara ACO dengan fast taboo untuk
meminimalisir total waktu eksekusi dalam JSSP. Untuk meningkatkan performa lebih dari ACO,
kita mendefinisikan phromone trail yang terinspirasi dari SB