Klasifikasi/Macam Algoritma Optimasi
1. Algoritma Optimasi Deterministik
Pada algoritma deterministic, pada setiap langkah eksekusi terdapat maksimum satu jalan untuk diproses. Jika tidak ada jalan berarti algoritma sudah selesai. Algoritma deterministic sering digunakan untuk masalah yang memiliki relasi yang jelas antara karakteristik calon solusi dengan utilitasnya.Perbedaan yang mendasar dari kedua kelompok tersebut adalah pada setiap langkah eksekusi di dalam AO Deterministik, hanya terdapat satu jalan untuk diproses, jika tidak ada jalan maka algoritma dianggap selesai. Dengan demikian AO ini selalu menghasilkan solusi yang tetap untuk suatu input yang diberikan. Algoritma ini biasanya digunakan untuk masalah yang ruang solusinya tidak terlalu besar, sedangkan AO Probabalistik nantinya digunakan untuk menyelesaikan ruang masalah dengan ruang solusi yang sangat besar, bahkan tak terbatas.
2. Algoritma optimasi Probabilistik
Algoritma Probabilistik berusaha menemukan solusi yang “bagus” tanpa melebihi batasan waktu yang telah ditentukan. Solusi yang “bagus” belum tentu yang paling optimal, namun sudah dapat diterima oleh user.Untuk permasalahan dengan ruang pencarian yang sangat besar, biasanya para praktisi lebih sering menggunakan algoritma probabilistik. Hampir semua algoritma probabilistik menggunakan konsep dasar dari metode Monte Carlo (MC). Metode MC bersandar pada proses pengambilan sampel secara acak yang berulang-ulang (repeated random sampling) unruk menghasilkan solusi.
Klasifikasi/macam algoritma optimasi di atas menjadi dasar dari pengetahuan algoritma komputasi modern saat ini. Dengan memahami akar taksonomi di atas, diharapkan dapat mempermudah para pembaca mengenai runutan taksonomi selanjutnya.
EmoticonEmoticon