Int ern at i onal  Journ al of Ele ctrical  an d  Co mput er  En gin eeri ng   (IJ E C E)   Vo l.   8 , No .   6 ,  Decem ber   201 8 , p p.   4673 ~ 4683   IS S N: 20 88 - 8708 ,  DOI: 10 .11 591/ ijece . v8 i 6 . pp 4673 - 46 83          4673       Journ al  h om e page :  http: // ia es core .c om/ journa ls /i ndex. ph p/IJECE   Hybrid  Gen etic  Algorith m for  Op timizati on of F ood  Compositi on on  Hyperte nsive Pa tient       Ap ri li a Nur  F au z iya h ,  W ay an   Fir daus  M ah mu dy   Facul t y   of  Com pute r  Sc ie nc e, Br awij a y a   Univ ersi t y ,  Indon esia       Art ic le  In f o     ABSTR A CT   Art ic le  history:   Re cei ved   Dec  20 , 201 7   Re vised  Ju l  16 ,  201 8   Accepte d  J ul   3 1 , 2 01 8       The   he alth y   foo d  with  a tt en ti on  of  salt   d egr e e  is  one  of  th e  ef fort s  for  hea l t h y   li ving  of  h y p er te nsive  pa ti en t.  The   eff ort  is  important   for  red uci ng  th e   proba bil i t y   of  h yper te nsion  cha n ge  to  b e  d ange ro us  disea se.   In  th i s  stud y ,   th e   food  compos it ion  is  bui ld  with  at t ent ion  nutr it i on  amount,   salt   degr ee,  an d   m ini m um   cost.   The   proposed  m et hod  is  h y brid  m et hod  of  Gene t ic   Algorit hm   (GA )  and  Vari abl e  Neighbor ho od  Sear ch  (VN S).  The   three  sce nar ios  of   h y brid   GA - VN S   t y pes  had  b ee n   deve lop ed  in   t his  stud y .   Altho ugh  h y br id   GA   and  V NS   ta ke  m ore   ti m e  tha n  pure   GA   or  pure   VN S  but  t he  proposed  m et hod  give   better   qualit y   of  soluti on.   VN S  succ essfull y   h el p   GA   avoi ds  pre m at ure   conv erg ence  and  im prove s  better   so lut ion.  Th e  shor tc om ings  on  GA   in  loc al   ex ploi tation  and  p remat ur e  conv er genc e  is  solved   b y   VN S,  where as  the   sho rtc om ing  on  VNS  tha t  le ss   ca pa bil ity   in  glob al   expl ora ti on   ca n  b e  solv ed  b y  use  GA   th at ha s   adva n ta g e  in   gl obal   expl ora ti on .   Ke yw or d:   Food com po sit ion   Hybr i d ga - vns   Hype rtensio n   Copyright   ©   201 8   Instit ut e  o f Ad vanc ed   Engi n ee r ing  and  S cienc e .    Al l   rights re serv ed .   Corres pond in g  Aut h or :   Wayan  Fir dau s  Mahm ud y ,    Faculty  of Com pu te r  Scie nc e ,  Bra wij ay a  U niv e rsity ,   Jal an Vet eran  8,  Mal a ng, In done sia .   Em a il :  wayanfm @u b. ac.id       1.   INTROD U CTION     The  non - com m un ic able  dis ease  on  deca de   of  this  ye ar   beco m e  the  le adin g  of   disea se  that  ca us e  death   in  I ndon esi a.  As   e xam ple  one  of  the   non - c omm un ic a ble  disease  tha t  has  m any  pati ents  is  hype rte ns io n.  No t  only   as  non - c omm un ic able  disease  bu t  al so   hype rtensi on   i s  m ai n  fact or   of   cr onic   disease  app ea re d,  su c h  as  car diovasc ul ar,  ca ncer ,   dia betes,  a nd  re spi rati on   disease  [1 ] .  This  is  cl ose ly   relat ed  to  the  patte r n  of  hum an   li fe d ai ly  su ch a s f oo d  co nsu m ed,  nutrit ion a l st at us , d ie t an d  ot her   facto rs suc h  as b l ood pr es s ure,  ob e sit y, an d  cho le ste r ol a nd  ins ulin r e sist ance  [2 ] .   The  foo d  co nsum ed  as  one  of  the  facto rs  th at   aff ect   blood  pr e ssure  on  hy per te ns i ve  pa ti ent  if  not   at te ntion   can  c ause  de vel op i ng  da nger ouse  di sease.  O ne  of  the  bloo d  press ur e  c on t ro l  on   hype rtensiv e  pa ti ent  can b e  done by con s um ed  foo d  with less  of  s al t [3 ] . Th is i s caus e d  co nsum ed  of salt  is  m a in f act or of inc rease   blood  press ur e   an d  a pp ea r  c ard i ov asc ular   disease  [ 2].  T her e fore,   co nsum e  fo od  with   ap propriat e  nutrit io n  need an d  le ss  of salt  d e gree i s  need e d by  hype rtensive  p at ie nt for co ntr olli ng b l ood p ress ur e .    The  cal culat io n  on  f ood  co m po sit ion   can   be  done  m anu al ly   or   by  software .  Ma nua ll y,  it  m or e  diff ic ult  to  cal culat e  f ood  c om po sit ion   beca us e  nu t riti ent  am ou nt  m us t  be  ap pro pr ia te   wi th  nutrit ie nt  ne ed  on   patie nt.  B ut  w it h  software ,  it   can  be  done  easi er  with   opt i m iz e  on   searc h  of   foo d  c ompo sit io n  in   ord er  t o  cl os er  with  nutrit ie nt n ee d on  hype rtensive  pat ie nt [ 4].   Seve ral  te ch niq ue s  ca n  be  use d  for  s olv i ng  f ood  com posit ion   prob le m .  I wuji,  et   al   [ 5]  im ple m ent  li near   pro gr am m ing   for  s olv i ng   foo d  com posit ion   pro blem   on   hype rtensi ve   patie nt.  That  researc h  ser ves   diet  plan   that  fu lf il l  tolerance  l i m i t  in  D ASH  diet  nutrie nt  a nd  obat ai n  c os t  m ini m um .  Howev e r   li nea r   pro gr am m ing   m ay  r equ ire s  hi gh  c om pu ta t io nal tim e [6 ,  7 ] .     Be side  li near   pro gr am m ing   m et hod,   t he  m eta - he ur ist ic   m eth od  ca n  be  use d  f or  so l ving  optim iz at ion   pro blem s.  Met a - he ur ist ic   gi ve s  so luti on  tha t  cl os er  opti m al ,  high  pe rform ance,  an d  fl exible  in  rea s on a ble  Evaluation Warning : The document was created with Spire.PDF for Python.
                          IS S N :   2088 - 8708   In t J  Elec  &  C om p  En g,   V ol.  8 , N o.   6 ,  Dece m ber  2 01 8   :   4673   -   4683   4674   tim e  co m pu ta ti on  [ 8].  On e   of  the  m et a - heu ri sti c  m et ho ds   is   Ge netic   Algo r it h m   (GA) .   H usse in  [9 ]   us e  G A  to   determ ine  i m p or ta nt  featu res   that  hav e  i nf l uen ce  on  cl ass ifie r  of  hea rt  at ta ck.   G A  s uc cessf ully   i m p rove d  qu al it y  of   t he  resu lt   cl assifi e r  bec om e  87 % ,  after  t he  prev iou s  m et ho d  by   K - Me a ns  on ly   reach  accu r acy   on  68%.  Othe r  re search  by  Şahm an,   et   al  [10]  i m ple m ent   Gen et ic   al gori thm   in  cost  op tim iz at ion   for  feed   reco m m end at ion   on  poultry   and   cat tl e.  T heir  ap proac h  giv e  lo wer   c os t  than  us in g  li near   pro gr a m m ing .  Ra hm an,   et   al   [11]  buil t  evo l u ti on a ry  al gori thm   fo r  so l ving  shrim p  diet  fo rm ulati on   pro blem .  Their  ap proac h  can  giv e  feasi ble  so l utio n  a nd  they   al so  im pe m ent  wh at - if  sce nar i o  to   pro ve  that  e voluti onary  m od el   is   rob us t.    Our  previ ou s  r esearch  [ 4]  i m plem ents  VN S  fo r  s olv in g  f ood  c om po sit ion   pro blem   on   hype rtensi ve   patie nt.  Although  obta in  fea sible  so l ution   and  f ulfill   nutrie nt  nee d  on  hype rtensive   pa ti ent  and  gi ve   cos t   m ini m u m .  Ho wev e r,   the  us e ness  of  V NS   sti ll   giv e  le ss  per f or m ance  on   s earch  the  s olu t ion .  T hat  was  cause d  VNS less  of ex pl orat ion capa bili ty .   Seve ral  resear chs  ex plain,  lo cal   m e tho d’s  s hortcom ing   can  be  so l ve d  by   i m ple m ent  oth er  m et ho d  that  ha ve  go od  exp l or at io n  ca pab il it y.  Su c h  the  resea rch   by   W i j ay ani ngr um ,  et   al   [1 2]  pro po se d  Hyb r id  G A   and   Sim ulate d  Anneali ng  ( SA)  f or   s olv i ng   f ood  c om po sit io n  pr ob le m   on   poultry.  T hat  r esearch  pro pos ed  S A   to  av oid  local   op ti m u m   so luti on  on  GA.  T he   res ult  of  m et h od  pro pose d  gi ve  bette r  s olu ti on  tha n  the  use nes s   cl assic  G A .   Othe r  seve ral  r esearch s  [ 13 ] - [ 15 ]   use   G A  an d  V NS   f or  im pro ving  pe rform ance  of   sea r ch  so l ution.  The  us ene ss  hybr i d  G A  a nd   V NS   had   bee n  gi ve  outpe rfor m   resu lt   on   se ve r al   researc hs .  T hat  beca us e  G A  ha s  adv a ntage s  on   global  exp l orat ion ,  al th ough   the  oth e r  side   GA   has  sho rtcom ing s  on   l oc al   exp loit at io n  an d  pr em at ur e  co nver ge nce  [ 16 ] .  Howe ver,  G A’s  shortc om ing   can  be  so l ved   by  i m ple m ent  l ocal  base d  al gorithm   so   betwee n  gl ob al   e xplorati on   a nd  local   e xp l oitat ion   ca n  be  balance d  [ 12 ] .  V NS   is  one  of  the   local   base d  al gorithm   that  has  ad van at a ge  on  searc hing  local   so luti on  [ 13 ] .  V NS   e xp l or e  neig hborh oods   f ro m   current   incum ben t  s olu ti on  [ 8 ] ,  [ 17] .  Most  of  the  so luti on  with  op ti m al   value  will   be  us ed   to  getti ng   pro m isi ng   neig hborh ood  so luti on  [17].    In   order   to  ob t ai n  local   op ti m a,  VNS  m ov e  fr om   on e  so luti on   to  oth e r  so l ution   with  m pl e m ent   local   search   im pr ove m ent.  Wh e n  opti m u m   loc al   is  detect ed ,  V NS  ca n  jum p  ou t   f rom   trap  with  chang e   neig hborh ood  structu re  an d  f ind   bette r  s olut ion .  T her e for e  VN S  ca n  preven t  opti m iz at ion   proses  fall   into  local   op ti m a  [ 8].  Be side,  no t   li ke  sing le   so l ution   ba se d  m et hod  li ke  S A,  Tabu   Searc h,   VNS  not  nee d  m any  par am et er  an d  ve ry  sim ple  [4 ] ,  [ 8 ] ,  [ 19] .  Neig hbor hood  str uctu re  a nd  m ov e  str at egy  bec om e  enou gh  par am et er  for  run ning  V NS.  The  a dv a ntage s  on  G A  a nd   VNS  can  giv e   adv a ntag es  hy br idiza ti on  G A  a nd   VNS  [4,  13,   18] .Th e refo re  on  this  researc h  will   be  do ne  hybri dizat ion   betwee n  G A  and   VNS.  The  m et hod  pro po se d wit h t heir  a dv a ntage s is ho ped can   giv e  bette r  s ol ution t ha n resul t our  pr e vious  researc h [4 ] .       2.   RESEA R CH MET HO D   On  this  resear ch  a ny  hy br idi zat ion   te ch ni que s  a re  propos ed  betwee n  G A  a nd  V NS ,   there  are  G A   wh ic h  is   im pr ov ed   by  V NS,  VNS  wh ic h  is   add e d  with   G A  a nd  a no t her  scenari o  of  hybr i dizat ion  of  GA  V N S   is repr oductio n o n GA i s im pr ov e d by  VNS.     2.1.   So luti on Rep r esent at i on   The  ar rangem ent  of   foo d  sol ution   is  re pr e sentat ed  with  integer  nu m ber   on  eve ry  their  nu trit ie nt .   In te ger  num ber   re fer  to   in dex  of  foo ds tu ff s   on  f ood  data ba se.  T he  s olu ti on  represe ntati on   is  sho wn  by  Table   1.       Table  1.   So l uiton Re prese ntati on   Ty p e of   m e n u   Breakf ast   Lun ch   Din n er   PK   3   1   2   S   1   3   10   N   2   12   11   H   16   6   3   B   16   18   2 6       Inform at ion :   PK = Staple  f ood     S = Ve getable     N = Plant  sourc e     H = Me at  sou rc e     B = Fr uit   Evaluation Warning : The document was created with Spire.PDF for Python.
In t J  Elec  &  C om p  En g     IS S N: 20 88 - 8708       Hyb ri d Ge netic  Alg or it hm fo r Opti miza ti on  of F ood  C omp os it ion o n Hy pe rte ns iv e   ... ( A pr il ia Nu r F auziy ah )   4675   Fr om   Table  1,   the  so luti on  co ntain  five  c ompone nts  of   foo d,   the re  are  sta ple  foo d,   ve get ables,  pla nt   so urce,  m eat   s ource  am d   fr ui t.  In it ia l  gen   on   c ro m os om   is  gen erate d  r andom ly  with  fu lfil l  a m ou nt   each   nu t riti ent  com pone nt.  T he  i nt eger   on  foo d  that  ra ndom ly   gen e rated   m us t  be  no  m or e  t han  li m it ation   each   foo d  am ou nt  t hat  avail able  on  data.  10 3  data  are  us ed   in  t his  resea rc h  th a t  it   sa m e  with  data  on  our  previo us  researc h [4 ] .     2.2.   Fitness   Func tion   Qu al it y  of  s ol ution  is  m easur ed   by  fitness   functi on.  The   fitness  functi on  that   will   be   us e d  on  this  stud y  is  sam e  with  the   fitnes s  f un ct io n  on  our  previ ou s   res earch   [ 4]  so  th at   the  res ult  of   pure  V NS   a nd   res ult  of h y br idiza ti on  GA an d V NS can  be  c om pared. The  f it ness   functi on is s ho wn on  (1)      = 10000 (      ∗       ) +              (1)     The  obj ect i ve  functi on  on  ( 1)  e xp la in   that   the  cal culat io n  fitness   value  of  a  s olu ti on   is  do ne  with   cal culat e  pen al ty   each  of   nutr it ie nt  co m po ne nt  and   c os t.  10 00   is  co nsona nt   nu m ber ,  cost  is  a m ou nt  of  al l  cost  from   fo odstuff s.  So   t hat  fitne ss  value  is  obta ined  by  div isi on  f ro m   10 00 0  and   t otal  of  p e nalty   and   c o st  in  each  so luti on.     2.3.   Repr od uc tio n   Re producti on  on  G A  c onsist ing   c ro ss over   an d  m utati on .  Re pro duct io n  fa se  ai m s  t o  producti ng   offsprin g.   In   th is  research   us e   on e  c ut  po i nt  cro ss over  that  sel ect   cut  po int   rando m ly   and   exch a nge  rig ht   side  and   le ft  side  from   two  par e nt   that  ha d  bee n  sel ect ed  ra ndom ly .  The  m utati on   that  is  us e d  in  t his  resea r ch  is  reciprocal  e xc ha ng e  m utati on   wh ic h  is e xc ha ng e  tw o  in de x t hat h a d bee n  s el ect ed  in  one  par e nt.     2.4.   Sele ction   Sele ct ion   ai m s   to  sel ect   c rom os o m   that  wi ll   be  us ed   on  popula ti on  ne xt   generati on  de pends   on  it s   fitness  value.  I n  this  researc h,  us es   el et is m   sel ect ion .  Eli ti sm   wo rk s  with   so rti ng   t heir  f it ness  val ue  an d  th e n  sel ect  d epe nds  on their  h i gh es t fit ness value   as m uch  as  popula ti on   siz e.     2.5.   Scenari o of h ybri diz at ion  G A and  VNS   The  hy br idiza t ion   sce nar io  G A  V NS   w hich   is  i m ple m ent ed  in  this  rese arch   will   be  exp la ine d  on   sever al   s ub  c ha pters .   Brie fly ,  thre e  sce nar i o  of   hybri diza ti on   propose d  on  this  st ud y,  there  a re  GA  VNS  wh ic h  is  the  th e  final  so luti on   of   G A  will   be  i m pr oved  by  V NS ,  furthe rm or e  on   this  stu dy  will   be  wr it te n  GA   VNS  I .  T he  se cond  sce na rio  is  GA  V NS   w hich  is  t he  re pro duct ion   on  GA   will   be  c om bin ed  with  VNS  on   m ul ti ples  of  50th  ge ner at io n,  f ur t her m or e  will   be  wr it te n  GA  V NS  I I.  A nd  the   la st  scenari o  is  V NS   GA  wh ic h  is  In it ia l  popu la ti on  of  GA   a re  obta in ed  by  V NS .  V NS   will   be  r un  as  m uch   as  popu la ti on  siz e  so   that   giv e a ble s olu ti on s  as m uch  a s  populat ion si z e f or  i niti al  p opulati on  on GA.      2.5.1. GA - V NS I   GA   V NS   I  m et hod  is  sta rte d  with  i niti al i ze  GA   pa ram et er  corres pondin g  with  pa r a m et er  value  wh ic h  had   bee n  pre viously   te ste d.   T he n,   G A  fase   is  r un  r epeate dly  unti l  te rm inati on   c onditi on  is  f ulfill ed.  Af te r  final  so l ution   is  f or m ed  from   GA   an d  then  nex t  ste p  is  runn i ng   V NS   that  is  app l ie d  for  i m pr ovi ng   final   s olu ti on  G A.   V NS   us es  f in al  s olu ti on  GA as i ts i niti al  so luti on. GA  VNS  I   proce dure is s how n by Fi gure  1.                                   Evaluation Warning : The document was created with Spire.PDF for Python.
                          IS S N :   2088 - 8708   In t J  Elec  &  C om p  En g,   V ol.  8 , N o.   6 ,  Dece m ber  2 01 8   :   4673   -   4683   4676     PROCE DU RE G A - VNS  I   Inpu t  :   p o p _ size  :  p o p u latio n  size                g en eration : gen eration  size                Cr             :  c ros so v er  rate  v alu e                M r             :   m u t atio n  r ate valu e                K m ak s       : ne ig h b o rh o o d     Pros es:     // Gen erate  initial s o lu tio n  r an d o m l y   a s  m u ch  as po p _ size   G enerat e ini tial p o pula tion P( t)     t = 0    WH IL E  (t <=g ene ra tion)      //Rep rod u ctio n      Cro ss o v er(P ( t) ,  Cr)      M utatio n  (P (t ) ,  M r)   C(t)  < -   c ros so v er  o f f s p ring ,  m u tat atio n  off sp ring   Ev a lua tion()   Selection   (P( t+1 ))   f ro m  P( t)  and  C(t)   t = t +  1   END W H IL E   curr: GA  f ina l so l ution   //Ap p ly  VNS   Cu rr     GA  f in al so lu tio n   b est cu rr   k    1    WH IL E  k <= K m a k s  DO      // sh ak in g   curr Cha ng e ( b est, k )    bestLo ca l Lo ca l  sea rch ( c urr)      //  m o v e or no t   IF F i tness(bes tLo ca l)  > Fi tness(b es t)  T H EN       Bes t    b estLo ca l       k  1    EL SE       k  k +1   END IF   END W H IL E   O utp ut:   b est: th e  b est so lu tio n  f rom   GA VN S I   END P RO CEDU RE     Figure  1. Pse udoc ode  of  GA - VNS I       2.5.2. GA - VNS II   GA   V NS   II   is  sta rted  with  in it ia li ze   GA   para m et er  li ke  po pu la ti on  siz e,  gen e rati on  siz e,  cro ss ove r   a m d  m utati on  ra te  that correspondin g wit h  pa ram et er v al ue  f ro m  G A  te sti ng. Next ste p,   G A  is r un   with  firstly   gen e rates  s olu t ion   ra ndom ly .  Howe ver,  on  the  repr oductio n  proses ,  VNS   is  ap plied   on   eve ry  m ulti pl es  of   50 t h  gen e rati on.  V NS   is  a pp li ed  on  s ubset   of   offs pr i ng  f or  sear chi ng  bet te r  so l ution  ar ound  in div i du  each  popula ti on .  Sol ution   from   of fsprin g  G A  a nd  so l utio n  f rom   VN S  in  e ve r y  offs pr i ng   will   be  eval ua te d  use   obj ect ive  f unct ion .  If   G A  so l ution   is  bette r  than  s olu ti on  f ro m   VN S  then   so luti on  is  no t   rep la ced .  Othe rw ise ,   GA so l utio n w il l be r e placed  by so l utio n  f r om  V NS . GA  VNS II  pro c ed ure is sh own  b y  Figure  2.                                 Evaluation Warning : The document was created with Spire.PDF for Python.
In t J  Elec  &  C om p  En g     IS S N: 20 88 - 8708       Hyb ri d Ge netic  Alg or it hm fo r Opti miza ti on  of F ood  C omp os it ion o n Hy pe rte ns iv e   ... ( A pr il ia Nu r F auziy ah )   4677   PROC EDU RE G A - VNS  II   Inpu t  :   p o p _ size  :  p o p u latio n  size                g en eration : gen eration  size                Cr             :  c ros so v er  rate  v alu e                M r             :   m u t atio n  r ate valu e                 N_ cr          :  child  nu m b er  on  cr o ss o v er                                    Cr * p o p _ size                N_ m r          :  ch i ld  nu m b er  on   m u ta tio n                                    M r  *   p o p _ size   Pros es:     // Gen erate  initial s o lu tio n  r an d o m l y   a s  m u ch  as po p _ size    G enerat e ini tial p o pula tion P( t)     t = 0    WH IL E  (t <=g ene ra tion)      //Rep rod u ctio n      Cro ss o v er(P ( t) ,  cr)           if  (genera tion  % 50 )                 Ch ild _ itr = 0                 Wh ile(C hild _ itr  <= N_ cr )                          VNS ()                          if( fit n ess _ cr >  fi tness_ v ns)                               C(t)  < -   s o lu tio n _ cr                          else                               C(t)  < -   s o lu tio n _ v n s                 END  Whil e      M utatio n  (P (t ) ,  m r )           if  (genera tion  % 50 )                 Ch ild _ itr = 0                 Wh ile(C hild _ itr  <= N_ m r)                          VNS ()                          if( fit n ess _ m r  > f i tness_ v ns)                               C(t)  < -   s o lu tio n _ m r                          else                               C(t)  < -   s o lu tio n _ v n s                 END  Whil e      C(t)  < -   o f f sp rin g  f ro m  cr o ss o v er,  of f sp ring   f ro m   m u tat io n   Ev a lua tion()   Selection   (P( t+1 ))   f ro m  P( t)  dan  C(t)   t = t +  1   END W H IL E   O utp ut:   b est: th e  b est so lu tio n  f rom   GA VN S I I   END P RO CEDU RE     Figure  2. Pse udoc ode  of GA - VNS  II       2.5.3. VNS - GA   VNS  G A  m eth od  is  sta rte d  by  V NS   proc edure  that  is  app li ed   f or   form ing   set   of   s olu ti on.  T he   so luti on  will   be  us ed  on  init ia l  po pula ti on   of  GA.  Be cause   VN S  is  sing le   so luti on   based  then  VNS  pro cedure   will   be  rep eat ed  un ti l  f ulfill   popula ti o n  si ze.  A fter  i niti al   popula ti on  on  G A  is   buil t,  G A  proce dure   is  rep eat e dly r un  un ti l f ulfill  ter m inati on  c ondi ti on . V NS   G A sce nar i o  is s ho wn b y  ps e udoc od e  on Fi gure   3.       Evaluation Warning : The document was created with Spire.PDF for Python.
                          IS S N :   2088 - 8708   In t J  Elec  &  C om p  En g,   V ol.  8 , N o.   6 ,  Dece m ber  2 01 8   :   4673   -   4683   4678   PROCE DU RE V NS - GA   Inpu t  :   p o p _ size  :  p o p u latio n  size                g en eration : gen eration  s ize                Cr             :  c ros so v er  rate  v alu e                M r             :   m u t atio n  r ate valu e                K m ak s       : ne ig h b o rh o o d     Pros es:    pop = 0    WH IL E  (pop< =p o p_ siz e)   curr: Gen erate i n itial so lution ra nd o m ly   //Ap p ly  VNS   best curr   k    1    WH IL E  k <= K m a k s  DO      //  sh ak in g   curr Cha ng e ( b est, k )    bestLo ca l Lo ca l  sea rch ( c urr)      //  m o v e or no t   IF F i tness(bes tLo ca l)  > Fi tness(b es t)  T H EN       Bes t    b estLo ca l       k  1    EL SE       k  k +1   END IF   END W H IL E   b est: VNS so lu tio n   END W H IL E    All VNS  so lution  :  best   // in itialize initial  s o lu tio n  o n  GA = V NS so lu tio n   Initia l popu la tion  P ( t) = Al l VN S so l ution   t = 0    WH IL E  (t <=g ene ra tion)      //Rep rod u ctio n      Cro ss o v er(P ( t) ,  Cr)      M utato n   ( P (t ),   M r)   C(t)  < -   o f f sp ring  f r o m  cr o ss o v er,  of f sp ring  f ro m   m u tatio n   Ev a lua tion()   Selection   (P( t+1 ))   f ro m  P( t)  and  C(t)   t = t +  1   END W H IL E   O utp ut:   b est: th e  b est so lu tio n  f rom   VNS G A   END P RO CEDU RE     Figure  3. Pse udoc ode  of VN S - GA       3.   RESU LT S   A ND AN ALYSIS     In   this  sect ion,   the  resu lt   of   this  stud y  will   be  ex plained  on  seve ral  severa l  su b - c ha pters ,  there  are  su b  3.1  will   exp la in  a bout  a naly sis  on   GA,  sub  3.2  will   exp la in  a bout  analy sis  on   G A  V NS   I ,  sub  3.3  will   exp la in  abo ut a naly sis o n GA  VNS II,  and s ub  3.4 wil l exp l ai n  ab out an al ysi s on VN S  G A.     3.1.  Gene tic A lgo ri t hm  (G A)   The  par am et er  value  will   be   us e  on  G A  te sti ng   a nd   hybi dizat ion   of  G A  is  dete rm in ed  ba sed  on   te sti ng   that  pr evi ou sly   ha d  done.   G A  pa ram et er  value  that  will   b e  us ed  are  popula ti on   siz e = 100,   gen e rati on = 12 5,   a nd  cr os s ov er  rate = 0.6,  m utati on   rate = 0. 4.   T he  im ple m entat ion   us i ng   GA  on  th is   res earch   giv e  prem at ur e co nv e r gen ce , t he patt ern o f  c onve rg e nce is  sh ow n on Fig ure  4.   Figure  4  sho w  GA  ca n  im pr ove  but  after   53th  gen e rati on,  pr em at ur e  c onverge nce  is  ha pp e ne d  unti l   la st  gen e rati on  didn’t  giv e  be tt er  fitness.  P rem at ur e  conv erg e nce  on   G A   can   be  s olve d  by  a ddit ion  oth e r   m et ho d  for  av oid in g  pr em atu re  c onve rg e nc e.  Fu t her m ore,  on  this  pa pe r  we  pro po se   hybr i dizat ion   on  G A   with a no t her m et hod wh ic h  is  will  b e a pp li e d o n  this  stu dy is VNS.       Evaluation Warning : The document was created with Spire.PDF for Python.
In t J  Elec  &  C om p  En g     IS S N: 20 88 - 8708       Hyb ri d Ge netic  Alg or it hm fo r Opti miza ti on  of F ood  C omp os it ion o n Hy pe rte ns iv e   ... ( A pr il ia Nu r F auziy ah )   4679       Figure  4. G raph  of co nver gence patt er n on G A       3.2.   GA - V NS  I   The  first  ex pe rim ent  on   this  research   is  co m bin ing   hybr i d  G A  with  V NS .  T he  proce dure  of  GA - VNS  I  on   this  researc h  ha s  be en  desc ribe d  i n  sect ion   2.5.1   wh ic h  is  firstly   GA   is  r un,  a nd   t he  final  s ol ution  GA  is  us ed   asi niti al   so luti on  i n  VNS.  The   re s ult  f ro m   hybri d  GA - VN S   I   is   te ste d  on  10   e xp e rim ents  an d  giv e  gr eat er  fitness  than  pure  GA.   The  gr a ph   of  diff e re nce  fitn ess  hybri d  GA - V NS   I  an d  pure  GA   is  s ho wn   i n  Figure  5.           Figure  5. G raph  of com par iso n betwee n pure  GA a nd h y br i d GA V NS       Althou gh   wh e n  in  the  end   of  GA   ge ner at io n,   G A  has  co nver ge nce,  it   ca n  sti ll   achieve  higher  fitne s s   with  a pp ly in g  VNS.  From   the  Fig ur e  5  sho ws  VNS  ca n  i m pr ov e  fitness   of  G A  final  s ol ution ,   al thou gh  it   m a y  diff ic ult  to  ach ie ve  beca us e  gl ob al ly   GA   ha ve  achie ved   hi gh e r   fitne ss  s o  if  process  on  VNS  can ’t  gi ve   bette r   so luti on  t hen  VNS  ca n  def e nd  fi nal  so l ution  of  G A  that  hav e   hi gh  fitne ss,  the   exam ples  is  on  7 th   e xp erim ent  and 8 th   e xperi m ent.     3. 3 .  GA - V NS  II   The  seco nd  ex per im ent  on   this  research   c om bin es  VN S  on  G A’ s  re pro duct ion   a nd   it s  proce dure  is  descr i bed   i n  se ct ion   2.5 .2.  Th e  aim s  of   GA - VNS  I I  is  rep a ir  div e rsity   on   so luti on  th rou gh  re pro du ct io n,  they   are cross over  a nd m utati on . T he patt ern o f h ybrid  GA - V NS II’s  fitness  is s how n  in  Fig ure  6 .     Figure  6  s how s  co nver gen ce   is  ha pp e ne d  on  40 th   ge ner at i on  an d  61 st   ge ner at io n.  T he  conve rg e nce  on   40 th   ge ne rati on   can  be  so l ved   with  us e  VNS.  It  can  ha pp e n  bec ause   VN S  is  r un   on  G A  re produ ct ion   on   50 th   ge ne rati on the refor e it  can  giv e a n e w  s olu ti on, if  ne w  so luit on f r om   VNS is b et te r  t han   pr e vious s olu ti on   from   GA ,  V N S  will   be   us ed   as  one  of  the   s olu ti on  on  GA  popula ti on  the n  is  hope d  it   c an  giv e   m or e  di ver se   so luti on  on  G A  popula ti on.  That  is  can  gi ve  infl uen ce  on  n e xt  gen e rat ion   an d  the n  c hild  from   GA   m or e  var ia te  the refo r e co nv e r gen ce   can  be  a vo i de d.        Evaluation Warning : The document was created with Spire.PDF for Python.
                          IS S N :   2088 - 8708   In t J  Elec  &  C om p  En g,   V ol.  8 , N o.   6 ,  Dece m ber  2 01 8   :   4673   -   4683   4680       Figure  6. G raph  of f it ness  p at te rn   on  GA VNS  II       The  seco nd  c onve r gen ce   is  ha pp e ne d  on  61 st   gen e rati on.   The  c onverge nce  was  sti ll   un a voida ble  betwee n  61 st   gen e rati on  to  100 th   gen e rati on   beca us e  th ere  isn ’t  othe r   facto r  that  c an  gi ve  m or e   var ie d  so luti on.  T he  conve rg e nce  c an  be  ove rcom e  in  the  10 0 th   gen e rati on   du e  to  fact or  of   us e  VNS  on   G A   reprod uction.   More ov e r,   on  ever y  offsprin g  on  c rosso ve r   and  m utati on   is  i m pr oved  by   VN S  i n  orde r  to  ac hieve   bette r  fitness .  I m pr ov em ent  with  pure  V NS   is  done  on  50th   gen e rati on   a nd  it s  m ulti ple  i n  orde r  to  doe s  no t   ta ke  m uch   lo nger  c om pu ta tio nal  ti m e.  I m p rovem ent  on   cro ss over  a nd   m uta ti on   is  show n  on  Fig ure   7  and  Figure  8.           Figure  7. G raph  of f it ness  p at te rn   on Cr os s over           Figure  8. G raph  of f it ness  p at te rn   on Mutat i on       Fr om   Figure  7  an d  Fi gure  8  is  sho wn   50 th   and   100 th   ge ner at io n  on   c ro ss over  a nd  m uta ti on   are   happe ned   im pr ov em ent  of   fit ness  be f or e  an d  after  V NS   is   com bin ed.   W i th  new   s olu ti on  from   VN S  will   be   evaluate d  betw een  so l utio ns   befor e  V NS   is   com bin ed  ( off sp ri ng   of   G A)   and   a fter  VNS   is  com bin ed.   Wh e n  so luti on  from   VNS  is  bette r  t han  s olu ti on  be fore  VNS  is  c om bin ed,   t he n  VNS  s olu ti on  will   rep la ce  sol ution  Evaluation Warning : The document was created with Spire.PDF for Python.
In t J  Elec  &  C om p  En g     IS S N: 20 88 - 8708       Hyb ri d Ge netic  Alg or it hm fo r Opti miza ti on  of F ood  C omp os it ion o n Hy pe rte ns iv e   ... ( A pr il ia Nu r F auziy ah )   4681   from   of fs pr i ng  on GA.  From  t he gra ph, VN S  can give  im pr ov em ent of f it ness  a nd m or e  var ie ty  so l utio n.  T hat  is im po rtant  to need  whe n  c onverge nce is  ha pp e ne d on pr oc ess of  GA.     3. 4 .  V NS - GA   The  la st  m et ho d  pr opos e d  on  this   resea rch  is  hy br idiza ti on  V NS - G A.  This  m et ho d  pro posed   fi nal  so luti on  of  V N S  is  us ed  as  ini ti al   so luti on   of   GA .  T his  m eth od  ai m   to  i m pro ve  qual it y  of   VNS  final  s ol ution .  Be cause  G A  is  popu la ti on  ba sed  an d  V NS   is  sing le   so lu ti on   based   the n  VNS  will   be  ru n  n   tim es  ru n  ( n   is  popula ti on  siz e)  f or  form ing   init ia l  so luti on  of  G A.  S o  t hat  the  i dea  of  hybr i dizat ion   V N S  G A   on  t his  s essi on   is  fo rm ing   init ia l  so luti on   fro m   VN S  with  a   nu m ber   of  po pu la ti on  siz e  and   t hen   it s  so l utions  wil l  be  us e d  as   GA   i niti al   so lu ti on .  Howe ver   this  le ads  to  l onge r  c om pu ta tio nal  ti m e  since   VNS  has   to  be   processe d  as  m uch   as  popula ti on   s iz e  to  pro vid e  t he  so l utio n  nee ded   by  G A  as  the  init ia l  so luti on .  O n  the  te s ti ng   of  VN S - G A  is   done  with  10  tim es  ru n  to  m easur e  perf orm ance  of  V N S - G A.  Fig ure  9  s how   the  c om par ison   befo re  GA  app li ed  and  aft er  GA   ap plied  on VNS  so l ution.           Figure  9. G raph  of com par iso n betwee n pure  VNS a nd  VNS - GA       Fr om   the  Figu re  9,   with  10  tim es  ru n  VNS  giv e  a ve rag e  of   fitne ss  is  0, 5115 92   an d  after   i m pr ovem ent  i s  done  by  G A,  it   can  giv e  sol ution s  with  av erag e  of   fitnes s  is  0, 8748 28,  that  is  pr oven  VNS   that give  opti m al  so luti on i n  l ocal area  can  be im pr ove d on  searcin g  in  g l obal  area  u si ng  GA.   Hybr i d  GA - V NS   m et ho d  is  pro po se d  ca n  giv e  foo d   c ompo sit io n  reco m m end at ion  is  m or e  op ti m a l   and   a pprop riat e  with  patie nt  need e d.   The   com par ison   of   fitnes s  and  ru n  ti m e   fr om   any  scenario   of   hybri dizat ion o n GA an d V NS i s sho wn b y  T able 2.       Tabel  2.  T he  Com par ison o f Hybri dizat ion  GA VNS , pure  GA a nd pu r e  VNS   Metho d   Av erage of   f itn ess   Av erage of   run  ti m e  ( m s )   VNS   0 ,58 3 2 0 6   1 8 8 9 ,2   GA   0 ,81 7 1 0 6   1 8 9 0 ,3   GA - V NS I   0 ,86 3 2 5 4   3 3 0 6 ,2   GA - V NS I I   0 ,88 9 7 7 6   9 8 4 9 4 ,3   VNS - GA   0 ,87 4 8 2 8   9 8 7 4 3 ,3       Gen e rall y,  ave rag e  fitness  of   GA   is  higher  t han   a ve rag e  fitness  of   VNS  on  ou r  previ ous ly   researc h  [4 ] .  From   Tab le   2  is   sho wn  hybri dizat ion  betwee n  G A  a nd  V NS  need  m or e  com pu ta ti on al   ti m e  than  ti m e   require d  on  pu re  V NS   or  pur e  GA   howe ver  hybr i dizat ion   GA   a n d  VNS  giv e  be tt er  qua li ty   of   so luti on  and  fitness.  T his  is  because   hybri di zat ion   us e  m o re  than  one  al gorithm   tho se  ha s  adv a ntages  on   local   ex plo i ta ti on  and  gl obal   ex pl or at io n  s o  t ha t  in  it s  sea rch  process   nee d  l onge r  c om pu ta ti on al   ti m e  bu t  sti ll   in  reas on a ble  tim e.    Be tween  the  s cenari o  hy br id iz at ion   G A  an d  V NS,  G A - V NS   I I  gi ve  hi gher  fitness  value  tha n  ot he r   scenari o.   T hat  is  becau se  GA - V NS   II   has  ad va ntage   on   re pair  s ol ution   a nd   im pro ve  fitness  wh e n  konver ge nce  i s  ha pp e ne d  on  m ulti ples  of  50th  generati on.  Wh e reas  oth e r  sce nar i o  su c h  as  G A - VNS  I ,  functi on  of  V NS   is  only   i m pro ving  agai n  final  so l ution   of   GA   s o  that  GA   VNS  I  m a y  le ss  con trib ut e  whe n  conve rg e nce  is   occ ur e d  on  pr ocess  of  G A.   Gen e rall y,  G A   VNS  I ,  VNS  s uccesf ully   i m pr ove  final  s olu t ion   of  GA ho wev e r w hen GA  ha d ha ve  s olu ti on  with  high  fitness,   VNS  of te n  diffi cult ac hieve  bet te r  so luti on.   Evaluation Warning : The document was created with Spire.PDF for Python.
                          IS S N :   2088 - 8708   In t J  Elec  &  C om p  En g,   V ol.  8 , N o.   6 ,  Dece m ber  2 01 8   :   4673   -   4683   4682   Anothe r  sce na rio  is  V NS - G A.   O n  this   ses sion,  G A  im prov e s  s olu ti on  f ro m   final  s olu t ion   of  VN S .  The  c om pu ta ti on al   ti m e  req ui red   al m os t  sam e  with  oth e r  hybr i dizat ion   sce nar i o  be cause   VNS  m us t  be  r un  as   m uch   as  popul at ion   siz e.  Tha t  is  because   pu re  V NS  gi ve  si ng le   s olu ti on   s o  that  i n  or der   to  visible  is  use d  as   init ia l  so luti on  of  GA.  In  this   scena rio ,  VNS  can   help  G A   has   init ia l  po pu la ti on  t hat  not  to o  ba d  tha n  inti al   so luti on  of GA  that is  gen e rat ed ran dom l y.   The  resu lt   of   pro posed   m et ho d  is  c om par ed  with  our  pr e vi ou s   resea rc h  [ 4]  w hich  im ple m ents  pure   VNS  on  com po sit io n  f ood.   The  pro pose d  m et ho d  is  te ste d  with  im ple m ent  pr oble m   case   to  search  com po sit ion   f ood  for  hy pe rte ns ive p at ie nt.  The  pr ob le m   c ase  us e d  is  sam e  with  prob le m   case  on   our  pr e vious   researc h  [ 4]  so  that  the  resu lt   between   our  pr e vious  resea rch   a nd   m et ho d  pro posed  on  this  research   can  be   com par ed.  The   res ult  with  usi ng   pure  V NS   on  our   pre viou s  resea rch  an d  pro posed   m eth od  on  this  res earch   are s how n on  Table  3.       Tabel  3.  T he  d i ff e ren ce  r es ult  betwee n pure  VNS a nd h y br i d GA wit h V N S   Prop o sed   m e th o d   Dif f erence ( %)   So d iu m   ( m ax .  0,8  gra m )   Calo ri   Carb o h id rat   Fat   Protein   VNS   (ou r  p revio u s  resear ch )   0 ,27 1 2 5 1   6 ,27 2 3 5   7 ,27 2 3 7 1   6 ,00 7 7 4 8   0 ,17 6 2   GA VN S I   0 ,11 4 1 3 8 5 1   2 ,07 3 5 9 8 1   3 ,03 6 6 1 2 1 6   4 ,04 6 5 5 4 2   0 , 3 3 9 1 6 6 9   GA VN S I I   0 ,54 5 2 3 8 4 7   0 ,95 8 6 9 7 5 8   1 ,45 9 2 5 3   5 ,07 4 6 4 4   0 ,34 2 1 6 6 9   VNS G A   0 , 0 3 5 7 5 6 7   1 , 1133   1 , 5 5 9 9 1   6 , 3 3 8 5 1   0 , 3 6 9 7 6 4       Table  3  e xp la i ns   that  the  m e thod  of  pure  VNS  in   our  previo us   resea rc h  act ually   has  giv e n  res ults   that  no t  ba d  be cause  the  di fference  betwee n  the  res ults  of  optim iz ation   with  total   nu tr ie nts  of   the  re qu i re d  patie nt  does  not  excee d  10 % .  Alth ough  the   a m ou nt  of  sodium   fr om   pu r e  VNS  is  le ss  than  hybri d  G A  a nd  VNS,  it   is  no t  ver y  influe nti al   becau se  it   i s  within  reas onable  li m it s  w hich  is  for  thi s  case  prob le m   the  m axi m u m   a m o un t  of  sodium   m us t  be  in  f ood  is  0,8  gram s.  The  res ult  of  pro po se d  m et ho d  in  this   stu dy   giv es   m or e  interest ing   res ult,  that  is  diff e ren c e  of   nu t rient  am ou nt   between   res ul t  of   hybri d  opti m iz at ion   of   G A  an d  VNS  with  am ount  of   nu t rients  needed  by  patie nt  le ss  (in   per ce nt).   F or   bette r  optim izati on   res ults  can  us e  m or e  fo od  dat a  for  m or e  so luti on   var ia ti on s  and   t he  am o un t  of   nu trie nts  produce d  m or e  cl os el y  to  th e  needs   of the  patie nt' s n ut riti on .       4.   CONCL US I O N   The  pro po s ed  m et ho d  i n  this  stud y  s uccess f ully   so lve  opti m iz at ion   of  f ood  com po sit io n  prob le m   for   hype rtensive  pa ti ent.  Althou gh   nee d  lo ng e r  com pu ta ti onal   tim e  ho we ve r  hybri dizat io n  G A  a nd   VNS  gi ve   bette r  re su lt   t han  pu re  G A  or   pure   V NS.   V NS   s ucces f ully   help  G A  avo i ds   pr em atu re  co nver gence  an d  i m pr oves  bette r  s olu ti on.  T he   shortc om ing s  on  GA   i n  l ocal  ex plo it at ion  an d  easy   t rappe d  in  pre m at ur e  conve rg e nce  is   su ccess f ully   so lve d  by  V NS ,   wherea s  t he  s hortcom ing   on   VNS  that  le ss   capa bili ty   in  global   exp l or at io n  ca n be s olv e d by  us e  GA that  ha s adva ntage  i n glo bal expl or at ion .       REFERE NCE S    [1]     W HO ,   “ Noncommunica ble Diseas es  in  th e  South - Ea st Asia   Reg io n ” ,  India:  WHO   Press,   2011.   [2]     W CF R  ( W orld  Canc er  Rese arc h   Fund  Inte rna ti o nal )  &  NCD   Alli ances,  “ The   li n k  bet wee n  food  nutri ti on ,   diet  an d  non - comm unic abl e  d isea ses ” , 2 nd   edition  O ct obe r  2014.   Availabl e  a t:  htt p: // ww w. wcrf. org   [3]     Am eri ca n  Hea r t  As socia ti on ,   “ Understa nding  and  Mana gin g  High  Blood  Press ure ”,   20 14.   Availabl e  at:   htt p://ww w.he art.org .   [4]     Fauziy ah ,   A.N  &  Mahm ud y ,   W . F,  “ Optimiza t ion  of  Food  Co m positi on  for  Hy per te nsiv e  Pat i ent   using  Va riable   Neighbor hood  Sear ch ”,   Indon esi a  Journa l  of  Ele ct rical   Engi n ee r ing  and  Computer  Sci en ce   ( IJEECS) ,  vol.   8,   pp .   327 - 334,   Nov 17 .   [5]     Iwuji  AC,  Nnanna   M,  Ndulue  NI  C,   “ An  Opti ma l  DA SH   Diet   Model  for  People   with  H y per te n sion  Us ing  Li near   Program m ing  A pproa ch”,  Open   Jurnal  of   Optimi zation ,   vo l. 5, pp .   1 4 - 21 ,   2016 .   [6]     Mahm udy   W .  F,  Maria n  R .  M ,   Luong   L .  H .  S ,   “ Rea l  code d  g ene t ic   al gor it hm s  for  solving  fl exi bl e  job - shop   sche duli ng   probl em  –   Part   II:   opt imiza ti on ” ,  Ad va nce d  Ma te rials   Re search ,  vol .   7 01,   pp .   364 - 369 ,   2013.   [7]     W ij a y ani ngrum   V .  N ,   Mahm udy   W .  F ,   “ Optimization  of  Ship’ s  Route   Schedu li ng  Us ing  Gene tic  Algorit hm ” ,   Indone sian J our nal  of   Elec tric al   Engi ne ering  and   Computer  Sc ie n ce   ( IJEECS) ,   vol .   2 ,   pp . 180 - 186,   2016.   [8]     O.  Dib,   L .   Moa li c ,   M. - A.  Mani er,   A.  C aminad a,   “ An  adva nc e d  GA – VNS  combinat ion  for  m ult ic riteri a  rou te   pla nning   in  pub l ic   tra nsit   ne tworks”,   E xpe rt   Syst e ms   wit h   App li ca t ions ,   vol .   72 ,   pp .   67 – 82,   2017.   Evaluation Warning : The document was created with Spire.PDF for Python.