Professional Documents
Culture Documents
Genetic Algorithm
Gregorius Edwardr Adi Chris Dpp Bangun Afrizal Andika Tanuwijaya 5110100188 5110100207 5110100214 5110100217
Genetic Algorithm
Genetic Algorithm adalah teknik pencarian dalam computer science yang digunakan untuk menemukan penyelesaian perkiraan untuk optimisasi dan masalah pencarian. Sama seperti konsep proses manipulasi genetika yang dikemukakan oleh darwin,GA juga menggunakan teknik yang disebut dengan warisan,mutasi,seleksi dan rekombinasi(crossover).
Konsep GA
GA bekerja dengan suatu cost function sebagai fungsi yang menguji kualitas solusi yang dalam hal ini dilambangkan sebagai suatu individu dalam satu generasi. Suatu solusi akan di-kodekan dengan string dan dapat dianggap sebagai DNA Kode tersebut kemudian akan dikawinkan dengan solusi lainnya. Suatu individu baru terlahir dianggap sebagai solusi baru. Pada dasarnya GA adalah suatu proses pencarian yang berdasarkan seleksi alami dan genetika.
Tujuan dari metoda ini adalah menghasilkan individu turunan yang lebih baik, dimana turunan disini merupakan bentuk solusi yang ingin dicapai.
Alur Algoritma
Membangun sebuah populasi yang terdiri atas beberapa gen atau direpresentasikan dengan string. Evaluasi masing-masing string Proses seleksi agar didapatkan string yang baik Manipulasi genetika untuk mendapatkan individu yang baru dari string.
Reproduksi
Merupakan proses dimana setiap individu dari populasi melahirkan individu baru dengan sifat masing-masing Sifat tersebut dinamakan sebagai value dari fungsi fitness (fitness -> fungsi yang digunakan untuk mencari nilai solusi yang terbaik dari persoalan yang ada). Pemilihan individu orang tua bergantung pada nilai fungsi fitness dari individu-individu tersebut didalam populasinya.
CrossOver
Terdapat banyak tipe dari Crossover, salah satu yang akan dijelaskan disini adalah crossover random dengan probability yang telah ditentukan dan b_nX tipe crossover Pm adalah peluang suatu individu dalam populasi akan dipilih secara random untuk dilakukan persilangan Crossover point akan dipilih dari setiap pasangan Informasi yang terletak setelah titik persilangan akan saling ditukarkan untuk setiap pasang individu
CrossOver
Mutasi
Diperlukan untuk mengembalikan informasi bit yang hilang akibat crossover. Diterapkan dengan probabilitas sangat kecil, jika mutasi dilakukan dengan frekuensi yang banyak(terlalu sering) maka akan menghasilkan individu yang lemah karena konfigurasi bit pada kromosom yang unggul akan rusak.
Proses Mutasi
Tingkat kromosom : semua gen dalam kromosom berubah
Proses Mutasi
Tingkat gen : semua bit dalam satu gen akan berubah. Misal gen 2 yang mengalami mutasi:
Proses Mutasi
Tingkat bit : hanya satu bit yang berubah
Terlihat pada tabel diatas bahwa pada parent1 dan parent2 terdapat sebuah crossover point sehingga kita akan melakukan swap pasangan elemen yang terdapat setelah cross point tersebut, hasilnya adalah child1 dan child2 Akan tetapi ada permasalahan jika kita menerapkan teorem crossover pada TSP, mengingat pada TSP suatu kota hanya bisa dikunjungi sebanyak satu kali sedangkan pada child1 kota F dikunjungi sebanyak 2 kali.
Terima Kasih