Genetic Algorithm

Metoda genetic algoritma diinspirasikan dan berdasarkan pada proses evolusi yang terjadi pada makhluk hidup. Proses evolusi ini bertujuan untuk menghasilkan keturunan yang lebih baik. Demikan juga metoda genetic algoritma, 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 kode string dan dapat dianggap seperti DN , kemudian akan dika!inkan dengan solusi lainnya. Suatu individu baru terlahir dianggap sebagai solusi baru. Sehingga pada dasarnya " ini merupakan proses search yang berdasarkan seleksi alami dan genetika. #ujuan dari metoda ini adalah menghasilkan individu turunan yang lebih baik, turunan adalah bentuk dari solusi yang ingin dicapai. Seleksi merupakan pemilihan solusi yang tepat diantara solusi yang ada, dilakukan dengan cara rangking atau turnamen, tetapi pada dasarnya adalah memilih individu yang lebih baik. $iasanya ada % yang !ajib diperhatikan dalam "enetic lgorithm, pemecahan masalah dan evaluasi.$erangkat dari parameter untuk optimasi dimana kita harus mengoptimalkan manfaat dari target atau meminimalkan kesalahan yang mungkin. &ita dapat memandang suatu problem sebagai black bo' dengan beberapa tombol yang dianggap sebagai parameter. (asil dari black bo' hanya didapat dari suatu fungsi perhitungan yang menandakan baik tidaknya kombinasi dari beberapa parameter yang berbeda. &ebanyakan masalah untuk "enetic lgorithm adalah nonlinear. Dengan kata lain, setiap parameter tidak dapat digunakan untuk memecahkan masalah tanpa bantuan dari parameter lain. )adi setiap parameter tidak dapat berdiri sendiri. sumsi pertama, suatu variabel*parameter+ direpresentasikan sebagai string. " dimulai dengan serangkaian solusi a!al *kromosom+, yang disebut populasi. Populasi ini akan ber-evolusi menjadi populasi yang berbeda melalui serangkaian iterasi. Pada akhir iterasi, " mengembalikan anggota populasi yang terbaik sebagai solusi untuk problem tersebut. Pada setiap iterasi *generasi+, proses evolusi yang terjadi adalah sebagai berikut, -. Dua anggota populasi *parent+ dipilih berdasarkan pada suatu distribusi populasi. &edua anggota ini kemudian dikombinasikan atau dika!inkan melalui operator crossover *pindah silang+ untuk menghasilkan anak *offspring+. %. Dengan probabilitas yang rendah, anak ini akan mengalami perubahan oleh operator mutasi. .. pabila anak sesuai untuk populasi tersebut, suatu skema penggantian *replacement scheme+ diterapkan untuk memilih anggota populasi yang akan digantikan oleh anak. /. Proses ini terus berulang sampai dicapai kondisi tertentu, misalnya sampai jumlah iterasi tertentu. da beberapa pengertian yang harus diketahui , Kromosom : serangkaian nilai gen. Gen : mempunyai nilai berupa suatu alfabet S, misalnya 01,-2. Solusi : direpresentasikan oleh suatu kromosom. Skema : pola gen yang menggambarkan suatu subset dari string yang memiliki kesamaan pada posisi gen tertentu. Orde : banyaknya simbol khusus pada suatu skema. Defining length : jarak antara simbol khusus paling kiri dan paling kanan.

Misal, -13 adalah skema yang me!akili himpunan kromosom yang mempunyai nilai pada bit pertama dan 1 pada bit kedua. Skema tersebut memiliki orde % dan defining length-nya adalah -. Suatu kromosom dengan panjang n dapat juga dipandang sebagai instance *anggota+ dari %n skema. Misal, kromosom -1- adalah suatu instance dari 4 skema, yaitu 333, -33, 313, 33-, -13, -3-, 31-, dan -1-. lgoritma "enetika tidak secara eksplisit dalam menangani skema, namun konsep skema sangat penting dalam analisis perilaku lgoritma "enetika dalam pemecahan suatu masalah. da . prinsip dalam " ,

1.Reproduksi
5eproduksi merupakan proses dimana setiap individu dari populasi melahirkan individu baru dengan sifatnya6kelakuannya masing-masing. &elakuan individu baru ini dinamakan value dari suatu fungsi fitness. Pemilihan individu orang tua bergantung pada nilai fungsi fitness dari individu-individu tersebut di dalam populasinya. &egunaan dari pemilihan orang tua dalam " adalah untuk memberikan kesempatan bereproduksi terhadap seluruh anggota populasi yang terbaik. da banyak cara untuk menyelenggarakan pemilihan orang tua, salah satunya adalah pemilihan orang tua. Sehingga semakin lama populasi yang terbentuk akan semakin kecil.

2.Cross O er
As described in the previous section there exist also a lot of different types of Mating/Crossover. One easy to understand type is the random mating with a defined probability and the b_nX crossover type. This type is described most often, as the parallel to the Crossing Over in genetics is evident !. PM percent of the individua of the new population will be selected randomly and mated in pairs. ". A crossover point #see fig."$ will be chosen for each pair %. The information after the crossover&point will be exchanged between the two individua of each pair. 'n fact, more often a slightly different algorithm called b_uX is used. This crossover type usually offers higher performance in the search. !. PM percent of the individua of the new population will be selected randomly and mated in pairs. ". (ith the probability PC, two bits in the same position will be exchanged between the two individua. Thus not only one crossover point is chosen, but each bit has a certain probability to get exchanged with its counterpart in the other gene. #This is called the uniform operator$

da banyak tipe 7rossover. Salah satu yang paling mudah dipahami adalah crossover random dengan probability yang telah ditentukan dan b_nX tipe crossover. Singkatnya sebagai berikut , -. PM adalah persen suatu individu dalam populasi akan dipilih secara random untuk dilakukan crossover.

%. 7rossover point akan dipilih dari setiap pasangan. .. 8nformasi yang terletak setelah crossover point akan ditukarkan antara % individu dalam setiap pasangan.

&enyataannya, seringkali algoritma yang berbeda digunakan *dinamakan b_uX+. #ipe ini biasanya mena!arkan performansi yang lebih dalam pencarian. lgoritma sebagai berikut , -. PM adalah persen suatu individu dalam populasi akan dipilih secara random untuk dilakukan crossover. %. Dengan probabilitas PC , % bit dalam posisi yang sama akan dipertukarkan antara % individu.)adi tidak hanya - crossover point yang dibutuhkan, tetapi % crossover point.

!."utasi
Mutasi diperlukan untuk mengembalikan informasi bit yang hilang akibat cross over. Mutasi diterapkan dengan probabilitas sangat kecil. )ika mutasi dilakukan terlalu sering, maka akan menghasilkan individu yang lemah karena konfigurasi bit pada kromosom yang unggul akan dirusak. $erdasarkan bagian yang termutasi, proses mutasi dapat dibedakan atas tiga bagian, 1. #ingkat kromosom, semua gen dalam kromosom berubah.

%. #ingkat gen, semua bit dalam satu gen akan berubah. Misal gen % yang mengalami mutasi.

.. #ingkat bit, hanya satu bit yang berubah.

#$"%&%'A( ORA(G )*A

Pemilihan orang tua didasarkan pada proportional selection scheme, yaitu, Setiap kromosom dipilih sebagai parent berdasarkan suatu probabilitas yang proporsional terhadap nilai fitness masing-masing. Salah satu teknik yang sering digunakan adalah Roulette Wheel. Penentuan fungsi fitness bergantung pada masalah yang akan dioptimasi.

&9S9M N:;5 D8 P. --.1-11%<