metaheuristik

Metaheuristik adalah kelas kerangka optimisasi tingkat tinggi yang tidak bergantung pada masalah spesifik. Dirancang untuk membimbing heuristik tingkat rendah dalam pencarian solusi mendekati optimal pada masalah besar dan kompleks di mana solusi eksakt tidak praktis. Metaheuristik tidak menjamin optimalitas, tetapi bertujuan menghasilkan solusi berkualitas tinggi dengan penggunaan waktu komputasi yang wajar. Ciri utamanya adalah keseimbangan antara eksplorasi ruang pencarian dan eksploitasi wilayah yang menjanjikan, sering disertai komponen acak, memori, dan iterasi penyempurnaan lokal.

Berbagai keluarga metaheuristik yang umum meliputi simulated annealing (SA), algoritma genetika (GA), tabu search (TS), optimisasi koloni semut (ACO), dan optimisasi kawanan partikel (PSO). Variasi hibrid, seperti memetic algorithms, menggabungkan eksplorasi global dengan penyempurnaan lokal. Meski bersifat problem-agnostik, implementasinya memerlukan penyesuaian terhadap representasi masalah, fungsi tujuan, operator tetangga, dan parameter.

Aplikasi utama meliputi pengoptimalan kombinatorial seperti masalah traveling salesman, perutean kendaraan, penjadwalan, desain fasilitas, dan desain jaringan, serta optimisasi berkelanjutan pada konteks sistem. Metaheuristik banyak dipakai di rekayasa, logistik, energi, keuangan, dan analisis data karena fleksibilitasnya dalam menangani masalah sulit.

Pertimbangan penting meliputi keseimbangan eksplorasi–eksploitasi, konvergensi, robusta terhadap parameter, dan skalabilitas. Evaluasi biasanya membandingkan kinerja dengan pendekatan dasar pada berbagai instance, menilai kualitas solusi, kecepatan konvergensi, dan sensitivitas terhadap acak. Kritik utama adalah tidak adanya jaminan optimalitas dan ketergantungan pada tuning parameter serta kinerja yang bisa tidak konsisten di berbagai kelas masalah.