Algoritma Steepest-Ascent hill climbing

1. Steepest Ascent Hill Climbing melakukan
pencarian berdasarkan nilai heuristic terbaik.
Dalam hal ini penggunaan operator tidak
menentukanpenemuan solusi. Steepest ascent
hill climbing merupakan metode algoritma
yang banyak digunakan untuk permasalahan
optimasi. Salah satu penerapannya
adalah untuk mencari rute yang
terpendek dengancara
memaksimumkan atau meminimumkan nilai fungsi
optimasi yang ada.Secara
harafiah steepest berarti paling
tinggi, sedangkan ascent berarti
kenaikan. Dengan demikian steepest ascent bera
rti kenaikan paling tinggi.Jadi prinsip dasar
metode ini adalah mencari kenaikan paling tinggi
keadaan sekitar untuk mencapai nilai yang
paling optimal.
Metode steepest ascent hill climbing ini
merupakan pengembangan dari metode simple hill
climbing. Bedanya adalah simple hill climbing
menentukan next state dengan
membandingkan current state dengan satu
successor dan successor pertama yang lebih baik
akan dipilih menjadi next
state.Sedangkan steepest ascent akan
membandingkan current state dengan
semua succesors yang ada didekatnya sehingga
dalam steepest ascent hill climbing, next
statenya merupakan successor yang paling baik
atau paling mendekati tujuan.

2. 1. Mulai dari keadaan awal, lakukan pengujian : jika merupakan tujuan maka akan
berhenti; dan jika tidak, lanjutkan dengan keadaan sekarang sebagai keadaan
awal.
2. Kerjakan hingga tujuan tercapai atau hingga iterasi tidak memberikan
perubahan pada keadaan sekarang.
a. Tentukan SUCC sebagai nilai heuristik terbaik dari successor –successor
b. Kerjakan untuk tiap operator yang digunakan oleh keadaan sekarang:
i. Gunakan operator tersebut dan bentuk keadaan baru
ii. Evaluasi keadaan baru tersebut. Jika merupakan tujuan,keluar. Jika
bukan, bandingkan nilai heuristiknya dengan SUCC. Jika lebih baik,
jadikan nilai keadaan heuristik baru tersebut sebagai SUCC. Namun,
jika tidak lebih baik, nilai SUCC tidak berubah
iii. Jika SUCC lebih baik dri pada nilai heuristik keadaan sekarang, ubah
node SUCC menjadi keadaan sekarang.

3. 1. Local optimum: keadaan semua tetangga lebih buruk atau
sama dengan keadaan dirinya.
2. Plateau : Keadaan semua tetangga sama dengan dirinya.
3. Ridge : Local optimum yang lebih disebabkan karena
ketidakmampuan untuk menggunakan 2 operator sekaligus.

4. KEADAAN AWAL TUJUAN
¤¤ Operator yang digunakan untuk menggerakkan dari satu
keadaan ke keadaan berikutnya adalah:
¤¤ Ubin kosong ke kiri
¤¤ Ubin kosong ke bawah
¤¤ Ubin kosong ke kanan
2 3
1 8 4
7 6 5
1 2 3
8 4
7 6 5

6. ¤¤ Pada Gambar 1 terlihat bahwa semula
ada 3 operator yang bisa digunakan,
yaitu ubin kosong digeser ke kanan, kiri
dan bawah. Masing-masing kondisi hasil
dari implementasi operator memberikan
nilai heuristik 4, 6, dan 5. Nilai heuristik
terbesar adalah 6, sehingga kondisi
kedua yang dipilih.
¤¤ Pada tahap kedua, operator yang bisa
digunakan hanya 2, yaitu ubin kosong
digeser ke kanan dan ke bawah. Masing-
masing dengan nilai heuristik 5 dan 7.
Nilai heuristik yang dihasilkan adalah 7,
dan kondisi ini dipilih.
¤¤ Pada tahap ketiga, ada 3 operator yang
digunakan, yaitu ubin kosong digeser ke
atas, kanan, dan bawah. Masingmasing
kondisi memiliki nilai heuristik 6, 8, dan
6.
2 3
1 8 4
7 6 5
2 3
1 8 4
7 6 5
2 8 3
1 4
7 6 5
2 3
1 8 4
7 6 5
1 2 3
7 8 4
6 5
1 2 3
8 4
7 6 5
2 3
1 8 4
7 6 5
1 2 3
8 4
7 6 5
2 3
1 8 4
7 6 5

7. KEADAAN AWAL
2 3
1 4 5
7 8 6
1 2 3
4 5 6
7 8
TUJUAN
¤¤ Operator yang digunakan untuk menggerakkan dari satu keadaan ke
keadaan berikutnya adalah:
¤¤ Ubin kosong ke kiri
¤¤ Ubin kosong ke bawah
¤¤ Ubin kosong ke kanan
¤¤ Ubin kosong ke kanan
¤¤ Ubin kosong ke bawah

8. 2 3
1 4 5
7 8 6
2 3
1 4 5
7 8 6
1 2 3
4 5
7 8 6
2 3
1 4 5
7 8 6
2 4 3
1 5
7 8 6
2 3
1 4 5
7 8 6
1 2 3
4 5
7 8 6
1 2 3
7 4 5
8 6
2 3
1 4 5
7 8 6
1 3
4 2 5
7 8 6
1 2 3
4 5
7 8 6
1 2 3
4 5
7 8 6
1 2 3
4 8 5
7 6
1 2
4 5 3
7 8 6
1 2 3
4 5 6
7 8
1 2 3
4 5
7 8 6

9. A
C
B
D
8
5
6
7
3 4

10. ¤¤ Menggunakan 6 operator untuk menukar posisi kota-kota yang bersebelahan.
¤¤ Fungsi heuristic yang di gunakan adalah panjang lintasan yang terjadi.
¤¤ Pada Gambar 2.20, terlihat bahwa, keadaan awal, lintasan terpilih adalah
ABCD (19).
¤¤ Pada level pertama, hill climbing akan memilih nilai heuristik terbaik dari
keenam succesor yang ada, yaitu: BACD(17), ACBD (12), ABDC(18), DBCA(12),
ADCB (18) atau CBAD(20). Tentu saja yang terpilih adalah ACBD, karena
memiliki nilai heuristik paling kecil (=12).
¤¤ Dari ACBD ini akan dipilih nilai heuristik terbaik dari succesornya yaitu:
CABD(15), ABCD(19), ACDB(13), DCBA(19), ADBC(16) atau BCAD(15).
Ternyata dari keenam successor tersebut memiliki nilai heuristik yang lebih
besar disbanding dengan ACDB.
¤¤ Sehingga tidak akan ada perubahan nilai keadaan (tetap
ACDB). Hasil yang diperoleh, lintasannya adalah ACDB (12).