- Algoritma Genetika untuk Optimasi [BACK]
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]
- Skema Pengkodean [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 :
- Nilai Fitness [BACK]
- 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.
Tidak ada komentar:
Posting Komentar