Algoritma Genetika Dasar





  • Algoritma Genetika untuk Optimasi [BACK] 


           Q: Berapa nilai x1 dan x2 agar nilai fungsi tersebut maksimum?
           A: Encoding dan jadikan kedalam bentuk GA.




Setelah dilakukan pengkodean, GA diinisialisasi untuk sebuah populasi dengan N kromosom. Gen yang mengisi kromosom akan dibangkitkan secara acak, yang biasanya dilakukan dengan distribusi seragam.



  • Komponen Algoritma Genetika [BACK] 

Terdapat 3 skema pengkodean:

§  Real number encoding (gen dalam interval 0 sampai R, dimana R merupakan bilangan real positif, dan biasanya R=1)

§  Discrete decimal encoding, (setiap gen bisa bernilai 1-9)

§  Binary encoding (setiap gen hanya bisa bernilai 1 atau 0)


Contoh :

                                 

      • Merupakan nilai yang menyatakan baik atau tidaknya suatu individu.
      • Dijadikan sebagai acuan dalam mencapai nilai optimal dalam algoritma genetika.

Untuk mendapatkan nilai fitness yang baik, jauh dari peluang nilai konvergen pada optimum lokal, nilai fitness dapat dicari dengan :


    • Seleksi Orang Tua [BACK] 
      Seleksi dilakukan untuk mendapatkan calon induk yang baik. Seleksi dapat dilakukan dengan 2 cara, yaitu dengan Rotated Wheel dan Tournament.



    • Crossover [BACK] 
      • Crossover merupakan operator dalam algoritma genetika yang melibatkan dua induk untuk menghasilkan keturunan yang baru.
      • Proses crossover bisa dalam bentuk:
        • one point CO 
        • n-point CO
        • uniform CO

    • Mutasi [BACK] 
      Mutasi dapat merubah susunan gen dengan swapping, insertion, inversion, dan displacement.

      • Proses elitisme merupakan proses meng-copy individu dengan nilai fitness tertinggi
    • Pergantian Populasi [BACK] 
      • Semua N individu dalam suatu generasi akan digantikan dengan N individu baru hasil crossover dan mutasi.
      • Individu yang dihilangkan merupakan individu dengan nilai fitness terendah/individu tua.




Materi HTML (click here)

Tidak ada komentar:

Posting Komentar