TUGAS

SISTEM CERDAS

-Matlab Genetika Algoritma-

Nama : Rio Hafandi
No. BP : 1110952071

Jurusan Teknik Elektro
Fakultas Teknik
Universitas Andalas
Padang
2013

Secara khusus ada 3 golongan teknik optimasi yaitu: -Berbasis pada kalkulus -Berbasis pada Enumeriatif/Perulangan -Berbasis pada Pencarian Acak Terarah Setelah Holand memaparkan idenya tentang tentang GA maka banyak peneliti yang mengusulkan berbagai variasi. Contoh: Bila suatu masalah memiliki 100 variabel dengan ranah (-500 sd 500) memerlukan ketelitian 6 angka di belakang koma. GA secara inheren parale karena pencarian pemecahan yang terbaik dilakukan melalui struktur genetik yang menyatakan sejumlah kemungkinan penyelesaian. induvidu di populasi saling bersaing untuk memperoleh sumber daya seperti makanan. Ide awal GA mengadopsi kebijakan penggantian umum dimana keseluruhan populasi diganti setiap generasi. Induvidu yang yang berhasil akan bertahan hidup sedangkan induvidu yang tidak. Untuk persoaln tersebut GA memiliki kinerja yang buruk. GA adalah salah satu teknik optimasi yang terkenal. Tetapi penyajian biner ini memiliki beberapa kelemahan bila diaplikasikan pada masalah multidimensional dan persamaa numerik yang persisi. maka akan diperlukan vektor solusi biner 3000. GA secara khusus dapat di terapkan untuk memecahkan masalah optimasi yang kompleks.Sekilas tentang Genetika Algoritma GA (Genetic Algoritma) mensimulasikan proses yang terjadi pada populasi alamiah yang merupakan hal penting dalam proses evolusi. Di pihak lain kebijakan keadaan tunak(Steady stete policy) menerapkan pergantian seleksi bagi populasi. . Karena itu GA baik untuk aplikasi yang memerlukan startegi pemecahan masalah secara adaptif. tempat tinggal dan pekerjaan. akan mati dan punah. Namun secara umum GA adalah teknik penanganan populasi. Itu berarti ada 101000 ruang pencarian yang diperlukan.baju. Di alam. Hal ini lebih alami karena di alam sudah biasa orang tua dan anak hidup berdampingan pada saat yang bersamaan Penyajian induvidu dari GA biasanya menggunakan sekumpulan bilangan biner.

Proses Seleksi agar didapatkan string yang baik 4. Membangun sebuah populasi yang terdiri atas beberapa gen atau direpresentasikan dengan String. sebaliknya pula bila tidak maka akan musnah. Manupulasi genetika untuk mendapatkan induvidu yang baru dari string Mekanisme Kerja Algoritma Genetika . Sifat ini dapat dimiliki dengan mutasi atau crossover dari parentnya. dimana pada saat perkembang biakan tersebut terdapat penurunan sifat kepada keturunannya(offspring). Algoritma Dari Genetic Algorithm 1. Pada akhirnya kita akan mendapat keturunan yang terbaik. Algortima ini bekerja dengan sebuah populasi yang terdiri dari induvidu- induvidu yang masing-masing induviidu mempresentaskan sebuah solusi yang mungkin bagi persoalan yang ada. Bila turunan tersebut mampu baik maka akan mampu bertahan. Evaluasi masing masing String (Fitness Value) 3. Nah induvidu yang terbaik tersebut adalah solusi optimal bagi permasalahan kita. Dalam teori genetika sebuah induvidu akan mengalami perkembang biakan. 2. Keturunan ini dapat memiliki sifat gabungan dari kedua Parentnya. Pada saat penurunan sifat maka akan terdapat induvidu baru yang akan di seleksi alam. Dalam kaitan ini sebuah induvidu dilambangkan dengan nilai ”FITNESS” yang akan digunakan untuk mencari nilai solusi yang yang terbaik dari persoalan yang ada.

maka dia melalui proses seleksi berdasarkan fungsi fitnessnya. Apakah kriteria Bangkitkan Mengevaluasi ya Individu optimasi sudah populasi awal fungsi objektif terbaik ditemukan? tidak Mulai Hasil Seleksi Bangkitkan populasi baru Rekombinasi Mutasi Gambar 1 Proses Perhitungan Pada Algoritma Genetik Mekanisme yang ada dalam Genetic Algoritm adalah sangat sederhana yaitu hanya melibatkan penyalinan string dan pertukaran bagian string. . Dari kreasi ini kromosom-kromosom yang paling fit mempunyai kemungkinan besar untuk diseleksi. Untuk menciptakan generasi berikutnya dengan kromosom yang baru (offspring) dapat dilakukan dengan menggabungkan dua potongan kromosom yang telah didapatkan dengan operator crossover atau mutasi. Siklus perkembangbiakan GA diawali dengan pembuatan himpunan solusi secara acak yang dinamakan populasi. Dimana didalamnya terdapat induvidu-induvidu yang dinamakan kromosom. Kromosom ini secara lambat laun mengalami iterasi ’Perkembangbiakan’ dalam sebuah generasi. Sebuah generasi baru sebelum dievaluasi lagi. Selama dalam sebuah generasi kromosom-kromosom ini di evaluasi dengan menggunakan rumus yang telah ditentukan dengan rumus fitness.

yaitu : a. Mengisi form yang ada di GA dengan option-option dan batas-batas nilai X yang diberikan oleh soal. LANGKAH LANGKAH menggunakan Mathlab untuk Genetika Algoritma suatu fungsi f(x1. Membuat M-File dengan menggunakan Editor Matlab Editor MATHLAB B. Nilai x dibatasi pada [-2 2] A. Memilih ‘Genetic Algorithm’ untuk solver dan memasukkan input ‘@rio2071’. Masukkan juga jumlah variabel sebanyak 3 . x2. x3) = x12 + 2x22 – x3.

dan crossover Selection : Roulette Mutasi : 0. Memasukkan nilai populasi 20 (default) dan double vector d. Memasukkan batasan (disini dipakai -2 dan 2) c.5 Crossover : Singlepoint . mutasi.b. Memasukkan nilai seleksi.

C. X2. Tekan tombol start pada optim tool dan didapatkan hasil dari optimasi adalah : Nilai X1. dan X3 terbaik Fungsi Fitness terbaik dari nilai X1. X2. dan X3 .

Gambaran individual dan fitness terbaik .