ADVANCES IN OPTIMIZATION THEORY: SOLVING LARGE-SCALE PROBLEMS WITH AI-DRIVEN TECHNIQUES

Abstract

Berbagai masalah di dunia nyata, mulai dari logistik hingga desain rekayasa, dapat diformulasikan sebagai masalah optimasi, namun seringkali melibatkan skala data yang sangat besar dan kompleksitas yang tinggi. Latar belakang penelitian ini adalah untuk mengembangkan kemajuan dalam teori optimasi, khususnya dengan mengintegrasikan teknik-teknik yang didorong oleh Kecerdasan Buatan (AI), untuk memecahkan masalah optimasi berskala besar secara lebih efisien dan efektif. Metode yang digunakan melibatkan pengembangan algoritma optimasi baru yang menggabungkan metode optimasi klasik (misalnya, optimasi konveks, pemrograman linier) dengan teknik AI seperti reinforcement learning, neural networks, dan algoritma metaheuristik (misalnya, algoritma genetik, optimasi koloni semut). Penerapan dilakukan pada studi kasus masalah optimasi dunia nyata (misalnya, optimasi rantai pasokan, penjadwalan produksi, desain jaringan). Hasil penelitian menunjukkan bahwa pendekatan yang didorong AI secara signifikan meningkatkan kecepatan konvergensi dan kualitas solusi untuk masalah optimasi berskala besar, bahkan untuk masalah non-konveks. Pembahasan menekankan bahwa konvergensi AI dan teori optimasi membuka peluang baru untuk mengatasi batasan komputasi tradisional, memungkinkan solusi yang lebih optimal dan adaptif dalam berbagai domain, serta memberikan kontribusi signifikan terhadap efisiensi dan inovasi di berbagai industri.