Hasil Pencarian  ::  Simpan CSV :: Kembali

"ABSTRAKTraveling Salesperson Problem (TSP) merupakan masalah optimasi kombinatorial klasik. Semua algoritme konvensional yang dikenal saat ini untuk pemecahan TSP, membutuhkan usaha komputasi yang meningkat secara eksponensial terhadap jumlah kota. Dalam tulisan ini dibahas jaringan neural Hopfield dengan masukan kontinyu sebagai alternatif pemecahan TSP. Jaringan neural ini memecahkan TSP dengan kompleksitas komputasi sebanding dengan polinomial pangkat 4 dari jumlah kota. Komputasi jaringan neural ini efektif, karena adanya tanggapan analog non-linier dari neuron dan koriektifitas yang besar di antara neuron. Metode ini hanya membertkan penyelesaian minimum lokal, yang diharapkan mendekati minimum global. Implementasi jaringan neural ini disimulasikan pada komputer sekuensial. Komputer yang digunakan berupa workstation SUN SPARC 1+ berbasis UNIX dengan kapasitas memori 8 Mb. Kinerja metode jaringan neural Hopfield dievaluasi berdasarkan jarak tour dan waktu yang dibutuhkan. Kemudian hasilnya dibandingkan dengan penyelesaian optimal yang diperoleh dengan algoritme konvensional Least Cost Branch anc' Bound (LCBB). Dari hasil eksekusi program pada workstation SUN SPARC 1+ berbasis UNIX untuk jumlah kota 15 s/d 22 buah diperoleh jarak tour rata-rata dengan metode jaringan neural berkisar antara 1,63 s/d 2,06 kali jarak tour dengan algoritme LCBB. Waktu rata-rata yang dibutuhkan jaringan neural (jumlah kota 15 s/d 22 buah) sebesar 4 x 10-4 sampai dengan 4 x 10-1 kali waktu yang dibutuhkan algoritme LCBB. Pada jumlah kota 5 s/d 14 buah, hasil dari jaringan neural kurang bagus dibandingkan dengan basil dari algoritme LCBB. Jarak tour rata-rata dengan jaringan neural Hopfield berkisar antara 1.01 s/d 1.45 kali jarak tour dengan algoritme LCBB, tetapi waktu yang dibutuhkan jaringan neural Hopfield sebesar 1 s/d 10 kali waktu yang dibutuhkan algoritme LCBB."

"Pada tulisan ini disusun suatu algoritma sebagai pengembangan dari algoritma yang sudah ada yaitu algoritma Quine-McCluskey untuk membantu meminimalkan fungsi Boole dalam bentuk sum of product. Algoritma ini berguna dalam perancangan rangkaian logika kombinasi terutama PLA (Programmable Logic Array) sehingga diperoleh rangkaian berbiaya rendah.Dalam rangkaian logika kombinasi, fungsinya secara eksplisit dinyatakan dalam fungsi Boole. Untuk meminimalkan fungsi Boole ini sudah dikenal beberapa metode antara lain metode Peta Karnaugh, metode tabulasi (HILLBI), metode MINI (ARE78) dan metode ESPRESSO (BRAY84) Pada metode tabulasi diperlukan tiga tahap untuk meminimalkan fungsi Boole, yaitu pencarian PI (Prime Implicant), pencarian EPI (Essential Prime Impicant) dan pemilihan NON-EPI. Algoritma Quine-McCluskey hanya melaksanakan tahap pertama yaitu pencarian Prime Implicant.Dengan menelusuri ide dasar penyusunan algoritma Quine-McCluskey, yaitu teori kubus, dan dengan menentuan suatu relasi partial ordering di himpunan C=(O,1,X) yang menjadikan (C,>-) sebuah lattice, maka dengan menggunakan sifat lattice tersebut dapat disusun aturan-aturan tertentu sehingga dapat dibuat algoritma yang lebih sederhana dari pada algoritma Quine-McCLuskey. Di samping itu, algoritma ini melaksanakan tahap pertama dan tahap kedua dari metode tabulasi sehingga selain menghasilkan Prime Implicant sekaligus juga menghasilkan Essential Prime Implicant, meskipun algoritma modifikasi ini memiliki kompleksitas waktu dan space yang sama dengan algoritma Quine-McCluskey yaitu O(n3) dan O(n)."

"A reference guide to Windows NT 4, this text includes coverage of Service Packs 5 and 6 as well as the final implementations of the program. It also provides tips and tricks, a section on Internet Information Server and a CD which offers the entire contents of the book in fully searchable form. "