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