Algoritma Genetika

advertisement
Kuliah
Sistem Fuzzy
Pertemuan 12
“Algoritma Genetika”
Machine Learning Methods






Neural Computing
Inductive Learning
Case-based Reasoning
and Analogical
Reasoning
Genetic Algorithms
Statistical methods
Explanation-based
Learning
Aplikasi






Optimasi
Pemrograman Otomatis
Machine Learning
Model Ekonomi
Model Ekologis
Interaksi antara Evolusi dan Belajar
Pendahuluan
Algoritma Genetika



Evolusi/perkembangan dunia komputer dalam
bidang Artificial Intelligence.
Terinspirasi oleh teori evolusi Darwin
Algoritma pencarian berdasarkan pada mekanisme sistem natural yakni genetika alamiah dan
seleksi alam yang berangkat dari himpunan solusi yang dihasilkan secara acak atau random.
Komponen-komponen
Algoritma Genetika








Skema Pengkodean
Nilai Fitness
Seleksi Orang Tua
Penyilangan atau Crossover
Mutasi
Elitisme
Penggantian Populasi
Algoritma Genetika Standar
Penyilangan atau Crossover




Sebuah kromosom yang mengarah pada solusi
yang bagus bisa diperoleh dari proses
memindah-silangkan dua buah kromosom
Penyilangan dua buah kromosom dimaksud untuk menghasilkan kromosom anak atau
“offspring”
Kromosom anak yang terbentuk akan mewarisi
sebagian sifat kromosom induknya.
Pada crossover ada satu parameter yang
sangat penting yaitu peluang crossover “pc”
Contoh Proses Penyilangan.
Titik Potong
X1
X2
Orang Tua 1
0
0
0
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
Orang Tua 2
1
1
1
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
g1
g20
g10 g11
Anak 1
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
Anak 2
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
g1
g10 g11
g20
Jika solusi yang dicari adalah X1 = 0 dan X2 = 0, maka kromosom Anak
1 memiliki nilai finess tinggi dan menuju pada solusi yang dicari
Mutasi




Pada mutasi ada satu parameter penting yaitu peluang
(probabilitas) mutasi atau “pmut” yang menunjukkan
prosentase jumlah total gen pada populasi yang akan
mengalami mutasi.
Untuk semua gen yang ada, jika bilangan ran-dom yang
dibangkitkan kurang dari probabilitas mutasi “pmut” yang
ditentukan, maka ubah gen tersebut menjadi nilai
kebalikannya.
Biasanya “pmut” diset sebagai 1/n, “n” adalah jumlah
gen dalam kromosom.
Dengan “pmut” sebesar ini berarti mutasi hanya terjadi
pada 1 gen saja.
Contoh Proses Mutasi.
X2
X1
Kromosom
Asal
0
0
0
1
1
1
1
1
1
g1
Hasil mutasi
0
g1
1
1
1
1
1
1
11
11
11
11
g10
0
0
1
1
1
0
1
1
0
g10
11
gg20
20
1
1
1
1
1
11
11
11
11
11
gg20
20
Bilangan random yang dihasilkan lebih kecil dari probabilitas mutasi pmu
terjadi pada gen g10 sehingga gen g10 berubah dari 1 menjadi 0
Algoritma Genetika Standar






Algoritma Standar terdiri dari :
Satu populasi dengan N kromosom
Binary encoding
Linear fitness ranking
Roulette-wheel selection
Pindah silang satu titik potong
Algoritma Genetika Standar (lanjutan)



Probabilitas pindah silang dan probabilitas
mutasi bernilai tetap selama evolusi
Elitisme, satu atau dua buah kopi dari individu
bernilai fitness tertinggi
Generational replacement. Penggantian semua
individu sekaligus.
Diagram Alir Algoritma Genetika Sederhana
Bangkitkan
Populasi
Awal
Evaluasi
Fungsi
Tujuan
Apakah Kriteria
Optimasi
Tercapai ?
Seleksi
Bangkitkan
Populasi
Baru
Rekombinasi
Mutasi
Individuindividu
Terbaik
Hasil
Sampai Jumpa
di
Pertemuan 13
Selamat Belajar, Semoga Sukses
Download