Hasil Pencarian  ::  Simpan CSV :: Kembali

"This book presents a methodology based on inverse problems for use in solutions for fault diagnosis in control systems, combining tools from mathematics, physics, computational and mathematical modeling, optimization and computational intelligence. This methodology, known as fault diagnosis – inverse problem methodology or FD-IPM, unifies the results of several years of work of the authors in the fields of fault detection and isolation (FDI), inverse problems and optimization. The book clearly and systematically presents the main ideas, concepts and results obtained in recent years. By formulating fault diagnosis as an inverse problem, and by solving it using metaheuristics, the authors offer researchers and students a fresh, interdisciplinary perspective for problem solving in these fields. Graduate courses in engineering, applied mathematics and computing also benefit from this work."

"Dalam penelitian ini akan ditunjukkan aplikasi permasalahan pembentukan portofolio berdasarkan model mean-variance Markowitz. Penambahan kendala mninimal lot transaksi pada model Markowitz merubah permasalahan ini menjadi bentuk mixed-integer non linear programming yang teramat sulit untuk dicari solusinya menggunakan pendekatan optimasi klasik. Untuk itu akan ditunjukkan alternatif penyelesaian menggunakan metode komputasi berbasis heuristic, yaitu PSO. Dengan penentuan nilai parameter yang tepat, algoritma PSO dapat secara konvergen menemukan solusi untuk permasalahan ini.

---

We will show in this paper application of portfolio selection problem based on Markowitz’s mean-variance model. The inclusion of minimum transaction lot turn the standard model into a mixed-interger non linear prgormming which is very hard to be solved using classical optimization method. We will show an alternative heuristic based approach, PSO to tack this problem. With the appropriate parameter PSO can find a good solution to this problem"

"Sistem manufaktur telah mengalami kemajuan menuju personalisasi massal dalam konteks Industri 4.0, yang memiliki implikasi besar terhadap efisiensi produksi dan kepuasan konsumen. Tujuan dari penelitian ini adalah untuk menentukan metaheuristik mana yang paling berhasil untuk mengatasi masalah penjadwalan job shop umum antara Genetic Algorithm (GA), Particle Swarm Optimization (PSO), dan Ant Colony Optimization (ACO). Masalah-masalah ini dikenal sebagai NP-hard, yang menuntut penggunaan pendekatan metaheuristik. Penelitian ini menilai kinerja setiap metaheuristik pada kumpulan data kecil, menengah, dan besar, dengan fokus pada indikator utama makespan. Hasilnya menunjukkan bahwa GA secara konsisten menawarkan solusi yang mendekati optimal, mengungguli PSO dan ACO. PSO menunjukkan potensi dalam kumpulan data yang lebih besar namun kurang konsisten, sedangkan ACO adalah yang paling tidak berhasil, sering kali menghasilkan nilai makespan yang lebih tinggi. Kesimpulannya, GA direkomendasikan untuk aplikasi masalah penjadwalan job shop karena keandalan dan efektivitasnya.

---

Manufacturing systems have progressed toward mass personalization in the context of Industry 4.0, with substantial implications for production efficiency and consumer satisfaction. The goal of this study is to determine which metaheuristic is most successful for addressing general Job Shop Scheduling Problems (JSSP) among Genetic Algorithm (GA), Particle Swarm Optimization (PSO), and Ant Colony Optimization (ACO). These issues are known to be NP-hard, demanding the use of metaheuristic approaches. The research assesses the performance of each metaheuristic on small, medium, and big datasets, with a focus on the key indicator of makespan. The results show that GA consistently offers near-optimal solutions, outperforming PSO and ACO. PSO demonstrated potential in larger datasets but lacked consistency, whereas ACO was the least successful, frequently producing higher makespan values. Consequently, GA is recommended for actual JSSP applications because of its dependability and effectiveness."

"ABSTRAKDalam beberapa tahun terakhir, Deep Learning DL telah menarik banyak perhatian dalam penelitian pemelajaran mesin. Metode ini telah berhasil dipakai untuk berbagai aplikasi pada pemrosesan suatu, robotika, pengenalan fonetik, pencarian informasi dan bahkan analisa molekul. Meskipun DL telah berhasil sukses untuk diterapkan dalam berbagai bidang aplikasi, training yang diperlukan pada metode ini tidaklah mudah. Sejumlah cara telah diusulkan untuk membuat proses training DL menjadi lebih optimal, beberapa diantanya dengan menambahkan proses pre-training, memutuskan beberapa jaringan dalam lapisan, ataupun mengganti fungsi aktivasi dan metode gradien standar yang dipergunakan. Disertasi ini menggunakan pendekatan lain dalam optimasi DL, yaitu memakai algoritme metaheuristik. Secara umum disertasi ini dibagi dalam dua bagian besar. Bagian pertama adalah studi awal penelitian yang difokuskan pada beberapa eksperimen yang berkaitan dengan algoritme metaheuristik dan aplikasi DL dalam klasifikasi citra. Bagian kedua dari disertasi berkaitan dengan penerapan algoritme metaheuristik dalam DL. Hasil pada bagian ini misalnya untuk optimasi metode Convolutional Neural Nework CNN menggunakan dataset CIFAR10, diperoleh untuk Top-1 error pada validasi adalah 99,05 . Hasil ini lebih baik dari nilai akurasi CNN asli sebesar 88,21 , fine-tuning CNN menggunakan Harmony Search yang diusulkan G. Rosa dkk sebesar 78,28 , dan bahkan State of the art saat ini sebesar 96,53 dengan Fractional Max-Pooling.

---

ABSTRACTIn recent years, deep Learning DL has drawn many attention in machine learning research. This method has been successfully used in various applications, such as sound process, robotics, phonetic identification, information retrieval, and even molecule analysis. Although DL has been successful to be applied in many fields, it is difficult to train in this method. Various attempts and methods has been proposed to make the DL training process become more optimum, some of them are by adding pre training process, drop out some networks in the layer, or by replacing activation function and standard gradient method being used. This dissertation takes another way to optimize a DL, i.e. using metaheuristic algorithms. Overall, this dissertation will be divided into two main parts. The first part is a preliminary study of research, focusing on several experiments which were related to the metaheuristic algorithm and DL application in image classification. The second part of this dissertation is related to application of metaheuristic algorithm in DL. The results in this part, for example, the optimization of CNN method using CIFAR10 dataset for Top 1 error in validation is 99.05 . This result is higher than the accuracy level from original CNN 88,21 , fine tuning CNN using Harmony Search suggested by G. Rossa et.al 78.28 , and even ldquo State of the art rdquo right now using Fractional Max Pooling 96.53 "

"Dalam menyelesaikan masalah elektrifikasi listrik, tujuan umum untuk semua operator sistem tenaga adalah untuk memastikan bahwa pembangkit cukup tersedia hari operasi. Status on-off unit pembangkit atau unit commitment memberikan langkah pertama menuju solusi optimal. Dalam penjadwalan pembangkit listrik, keputusan unit commitment menunjukkan, untuk setiap titik waktu selama penjadwalan, unit pembangkit mana yang akan digunakan. Kemudian, pengiriman yang paling ekonomis atau economic dispatch, yaitu distribusi beban di seluruh unit pembangkit untuk setiap titik waktu, kemudian ditentukan untuk memenuhi beban sistem dan persyaratan cadangan. Berbagai pendekatan untuk solusi masalah unit commitment dan economic dispatch telah diusulkan di mana mereka berkisar dari metode sederhana hingga rumit. Masalah pembangkit listrik adalah masalah optimisasi kombinasional yang kompleks. Beberapa teknik pemrograman matematika telah diusulkan untuk memecahkan masalah yang tergantung waktu ini. Perkembangan algoritma matematika terbaru dan kemajuan dalam teknologi komputasi membuat masalah labih menantang untuk dipecahkan. Penerapan sistem hibrida dalam masalah sistem tenaga telah dikembangkan dalam literatur baru-baru ini, dan itu masih merupakan tren masa depan dalam penelitian sistem tenaga. Penelitian ini awalnya ingin mengkolaborasikan metode deterministik dan metaheuristik untuk melakukan perbaikan dalam komputasi untuk menyelesaikan penjadwalan pembangkit listrik. Algoritma spesifik yang akan digunakan adalah dynamic programming dan particle swarm optimization.

---

In solving the electricity generation, a common objective for all power system operators is to ensure that sufficient generation is available for hours and days ahead of the operation time. The on-off states of the generation units or the commitment decision provides the first step toward the optimal solution. In power generation scheduling, the unit commitment decision indicates, for each point in time over the scheduling horizon, what generating units are to be used. Then, the most economic dispatch, i.e. the distribution of load across generating units for each point in time, is then determined to meet system load and reserve requirements. Various approaches to the solution of the UC problem have been proposed where they ranged from simple to complicated methods. The electricity generation problem belongs to the complex combinational optimization problems. Several mathematical programming techniques have been proposed to solve this time-dependent problem. Recent mathematical developments and advances in computing technologies made the problem readily solvable. The application of hybrid systems in power system problems has been advanced in recent literature, and it still represents a future trend in power systems research. This research initially want to collaborate the deterministic and metaheuristic to make an improvement in computational for solving electricity generation. The specific algorithm that will be used are dynamic programming and particle swarm optimization."