ALGORITMA GENETIKA
PADA APLIKASI TRAVELING SALESMAN PROBLEM
ATURAN
• Seorang salesman harus mengunjungi sejumlah n kota. Setiap kota
wajib dikunjungi satu kali. Dari kota terakhir, salesman kembali lagi ke
kota pertama.
• Bagaimana cara mencari rute yang terbaik ?
• Rute yang baik adalah rute yang memiliki jarak yang pendek dan
waktu yang sedikit
• Menggunakan jarak rute untuk menentukan kualitas rute yang di buat
• f(x) adalah fungsi tujuan
• n adalah jumlah kota yang di kunjungi
• i, i+1 adalah jarak dari kota i ke kota i+1(berikutnya)
• n, 1 adalah jarak kota terakhir ke kota pertama
• Jarak antar kota di hitung menggunakan jarak Euclidian
• Misalkan ada 5 kota yang akan di kunjungi : A, B, C, D dan E
• Masing-masing kota dinyatakan dengan koordinat x dan y
A(0,0), B(5,6), C(1,4), D(3,4), E(7,7)
Tujuan : menentukan rute terpendek untuk mengunjungi 5 kota
tersebut
LANGKAH-LANGKAH ALGORITMA GENETIKA
Inisialisasi
Populasi
Seleksi
Reproduksi
Elitism
Output
Inisialisasi populasi : individu / solusi awal di buat
Seleksi : Memilih beberapa solusi (induk)
Reproduksi : manipulasi dengan operator cross over dan mutasi
Elitism : child dilakukan update populasi dengan konsep elitism
output : solusi terbaik dari hasil pencarian
Iterasi dilakukan sampai kriteria berhenti tercapai :
Batas maksimal iterasi
Stagnan
Error bisa diterima
Inisialisasi populasi
• Inisialisasi Parameter
• PXO = 0,95(probabilitas cross over)
• Pm = 0,01(probabilitas mutasi)
• Seleksi = Turnamen, k=2(ukuran turnamen 2)
• Crossover = partial mixed crossover (PMX)
• Mutasi = swap
• Jumlah individu dalam populasi P=4
Inisialisasi
• Inisialisasi solusi :
• P={I1, I2, I3, I4} (random individu)
• Solusi awal (individu awal) di bangkitkan secara acak
• I1 = A B D C E(Memilih kota A sebagai kota awal)
• I2 = D E B A C
• I3 = B D E C A
• I4 = C B A E D
• Menghitung kualitas solusi (fitnes)
• A(0,0), B(5,6), C(1,4), D(3,4), E(7,7)
• I1 = A B D C E
Sehingga :
I1 = A B D C E
I2 = D E B A C
I3 = B D E C A
I4 = C B A E D
SELEKSI
• Seleksi = Turnamen, k=2(ukuran turnamen 2)
• POPULASI
KONTESTAN
PILIH ACAK
INDIVIDU TERPILIH
PALING KECIL
REPRODUKSI
• Crossover = partial mixed crossover (PMX)
Jika r < PXO (0.95)
Proses pembagian
di pilih secara acak
(dibagi menjadi 2)
I2 = D E B A C
I3 = B D E C A
D E C A B
B D A C E
• MUTASI = SWAP
• Jika r < PM (0.01) SECARA ACAK
CHILD
D E C A B
B D A C E
D A C E B
E D A C B
ELITSM
POPULASI LAMA
• I1
=
A B D C E
• I2
=
D E B A C
• I3
=
B D E C A
• I4
=
C B A E D
I1
I2
I3
I4
=
=
=
=
D
D
B
E
A
E
D
D
C
B
E
A
E
A
C
C
B
C
A
B
• A1 = D A C E B
• A2 = E D A C B
DILAKUKAN ITERASI SAMPAI BATAS HENTI TERCAPAI DAN MENDAPATKAN
SOLUSI TERBAIK
