1 / 17

ALGORITMA GENETIKA

ALGORITMA GENETIKA. PENDAHULUAN. Algoritma genetika terinspirasi dari prinsip genetika dan seleksi alam ( teori evolusi Darwin) yg ditemukan di Universitas Michigan, AS, oleh John Holland (1975) melalui sebuah penelitian dan dipopulerkan oleh salah satu muridnya , David Goldberg.

ave
Download Presentation

ALGORITMA GENETIKA

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript

  1. ALGORITMA GENETIKA

  2. PENDAHULUAN • Algoritmagenetikaterinspirasidariprinsipgenetikadanseleksialam (teorievolusi Darwin) ygditemukandiUniversitas Michigan, AS, oleh John Holland (1975) melaluisebuahpenelitiandandipopulerkanolehsalahsatumuridnya, David Goldberg. • Konsepdasaralgoritmagenetikasebenarnyadirancangutkmenyimulasikanproses-prosesdlmsistemalamygdiperlukanutkevolusi, khususnyateorievolusialamygdicetuskanoleh Charles Darwin, yaitu survival of the fittest. • Menurutteoriini, dialamterjadipersainganantaraindividu-individuutkmemperebutkansumberdayaalamyglangkashgmakhlukygkuatmendominasimakhlukyglebihlemah.

  3. PENDAHULUAN • Algoritmagenetikaadalahteknikpencarianheuristikygdidasarkanpadagagasanevolusiseleksialamdangenetik. • Algoritmainimemanfaatkanprosesseleksialamiahygdikenaldgnprosesevolusi, “hanyaindividu-individuygkuatygmampubertahan”. • Prosesseleksialamiahinimelibatkanperubahan gen ygterjadi pd individumelaluiprosesperkembangbiakan.

  4. Prosesperkembangbiakaninididasarkan pd analogistrukturgenetikadanperilakukromosomdlmpopulasiindividu dg menggunakandasarsbb: • Individudlmpopulasibersaingutksumberdayaalamdanpasangannya. • Merekaygplgsuksesdisetiapkompetisiakanmenghasilkanketurunanyglebihbaikdrpdindividu-individuygberkinerjaburuk. • Gen dariindividuygbaikakanmenyebarkeseluruhpopulasishgduaorangtuaygbaikkadang-kadangakanmenghasilkanketurunanyglbhbaikdr org tuanya. • Setiapadapergantiangenerasimakagenerasiterbaruinibiasanyalbhcocok dg lingkunganmereka. Dgnkata lain, generasibaruinibisamenyesuaikandgnkeadaanlingkungannya.

  5. PermasalahanygMembutuhkanAlgoritmaGenetika • Ruangpencariansangatbesar, kompleksataukrgdipahami. • Tidakadapengetahuanygmemadaiutkmenyederhanakanruangpencarianygsgtbesarmjdruangpencarianyglebihsempit. • Tidakadaanalisismatematisygbisamenanganiketikametodekonvensionalgagalmenyelesaikanmasalahygdihadapi. • Solusiygdihasilkantidakharus optimal, asalsudahmemenuhikriteriasudahbisaditerima. • Mempunyaikemungkinansolusiygjumlahnyatakhingga. • Membutuhkansolusi “real-time”, yaitusolusiygbisadidapatkandgncepatshgdptdiimplementasikanutkpermasalahanygmempunyaiperubahanygcepat.

  6. APLIKASI ALGORITMA GENETIKA • Algoritmagenetikatelahdigunakanutkmemecahkanmasalahdanpemodelandibidangteknik, bisnisdanhiburan, termasuk: • Optimasi: algoritmagenetikabykdigunakandlmberbagaitugasoptimasi, termasukoptimasinumerik, danmasalah-masalahoptimasikombinatorialseperti Traveling Salesman Problem (TSP), desainsirkuit, Job Shop Scheduling danoptimasi video & kualitassuara. • PemrogramanOtomatis: algoritmagenetikatelahdigunakanutkberevolusithd program komputerutkmelakukantugas-tugasygspesifikdanmerancangstrukturkomputasi lain, misalnyaselular automata dan sorting networking. • Machine Learning: algoritmagenetikabykdigunakanutkaplikasimesin-learning, termasukklasifikasidanprediksistruktur protein. Algoritmagenetikajugatelahdigunakanutkmerancangjstdanutkmengendalikan robot. • Model ekonomi : algoritmagenetikatelahdigunakanutkmemodelkanprosesinovasi, pengembanganstrategipenawarandanmunculnyapasarekonomi.

  7. APLIKASI ALGORITMA GENETIKA • Model SistemImunisasi: algoritmagenetikatelahdigunakanutkmemodelkanberbagaiaspeksistemkekebalantubuhalami, termasukmutasisomatikselamamasahidupindividudanmenemukankeluarga dg gen gandaselamaevolusi. • Model ekologi:algoritmagenetikatelahdigunakanutkmemodelkanfenomenaekologiseperti host-parasite co-evolution, simbiosisdanarussumberdayadlmekologi. • Interaksiantaraevolusidanpembelajaran : algoritmagenetikatelahdigunakanutkmempelajaribagaimanaindividubelajardanmemengaruhiprosesevolusisuatuspesies satusama lain.

  8. BEBERAPA PENGERTIAN DASAR • Gen (genotype) adalahvariabeldasarygmembentuksuatukromosom. Dalamalgoritmagenetika, gen inibsbernilaibiner, float,integermaupunkarakter. • Allele adalahnilaidarisuatu gen, bisaberupabiner,float,integermaupunkarakter. • Kromosomadalahgabungandari gen-gen ygmembentukartitertentu. Adabeberapamacambentukkromosom, yaitu : Kromosombineradalahkromosomygdisusundr gen-gen ygbernilaibiner. Kromosominimempunyaitingkatketelitianygdiharapkan. Kromosominibagusbiladigunakanutkpermasalahanyg parameter dan range nilainyatertentu. Kromosom float adalahkromosomygdisusundr gen-gen ygbernilaipecahan, termasuk gen ygbernilaibulat. Kromosominimrp model ygjumlahparameternyabanyak. Tingkat keberhasilandrkromosominirendahdlmkecepatan (jlhkecepatan) Kromosom string yaitukromosomygdisusundr gen-gen ygbernilai string Kromosomkombinatorialyaitukromosomygdisusundr gen-gen ygdinilaiberdasarkanurutannya.

  9. BEBERAPA PENGERTIAN DASAR • Individuadalahkumpulan gen, bsdikatakansamadgnkromosom. Individumenyatakansalahsatukemungkinansolusidarisuatupermasalahan • Populasiadalahsekumpulanindividuygakandiprosesscrbersama-samadlmsatusiklusprosesevolusi • Generasimenyatakansatusatuansiklusprosesevolusi • Nilai fitness menyatakanseberapabaiknilaidarisuatuindividuatausolusiygdidapatkan. Nilaiinilahygdijadikanacuanutkmencapainilai optimal. Algoritmagenetikabertujuanutkmencariindividuygmempunyainilai fitness ygplg optimal (bsmaksimumatau minimum, tergantung pd kebutuhan)

  10. SIKLUS ALGORITMA GENETIKA • David Goldberg adalah org ygpertama kali memperkenalkansiklusalgoritmagenetikasepertidigambarkansbb. PopulasiAwal Evaluasi Fitness SeleksiIndividu Reproduksi: Cross-Over Dan Mutasi PopulasiBaru

  11. Siklusdimulaidarimembuatpopulasiawalscracak, kemudiansetiapindividudihitungnilaifitnessnya. Prosesberikutnyaadlmenyeleksiindividuterbaik, kemudiandilakukan cross-over dandilanjutkanolehprosesmutasishgterbentukpopulasibaru. Selanjutnyapopulasibaruinimengalamisiklusygsamadgnpopulasisblmnya. Prosesiniberlangsungterushinggagenerasike-n. • SiklusinikemudiandiperbaikiolehZbigniewMichalewicz dg menambahkansatuproseselitismedanmembalikprosesreproduksidahulu, kemudianprosesseleksisepertiberikut.

  12. PopulasiAwal Reproduksi:Cross-Over danMutasi Evaluasi Fitness SeleksiIndividu PopulasiBaru Elitisme

  13. KOMPONEN-KOMPONEN UTAMA ALGORITMA GENETIKA • Untukmengimplementasikanalgoritmagenetika, ada 8 komponenutamayg hrs dilakukan. • Teknik encoding/decoding gen dariindividu. • Membangkitkanpopulasiawalscr random dgnterlebihdahulumenentukanjlhindividudlmpopulasitsb. • Nilai fitness (nilaidarifungsitujuan) • Elitisme (prosedurutkmengcopyindividuygmempunyainilai fitness tertinggisebanyak 1 (bilajlhindividudlmpopulasiganjil) atau 2 ( bilajlhindividudlmpopulasiadlgenap) • Seleksi • Cross-over (pindahsilang) Operasipindahsilangantarkromosomygdilakukanutkmembentukindividubaruyglbhbaik. • Mutasi (untukmelakukanmodifikasisatuataulebihnilai gen dlmkromosomygsama. • Penggantianpopulasi (agar semuaindividuawaldarisatugenerasidigantiolehtemporerindividuhasilprosespindahsilangdanmutasi)

  14. 1. Teknik Encoding/Decoding Gen danIndividu • Encoding (pengkodean) bergunautkmengodekannilai gen-gen pembentukindividu. Nilai-nilai gen inidiperolehscracak.

  15. Decoding (pendekodean) bergunautkmendekode gen-gen pemebentukindividu agar nilainyatdkmelebihi range ygtelahditentukandansekaligusmjdnilaivariabelygakandicarisbgsolusipermasalahn. Jikanilaivariabel x ygtelahdikodekantsb range-nyadiubahmjd [rbra], yaiturb = batasbwh, ra = batasatas , makacarautkmengubahnilai-nilaivariabeldiatashinggaberadadlm range ygbaru [rbra], disebut decoding (pengodean)

  16. Pengdekodeanbilangan real : x = rb + (ra – rb)g • Pendekodeandiskritdesimal: x = rb + (ra – rb) (g1.10-1 + g2. 10-2 + … + gN. 10-N) 3. Pendekodeanbiner: x = rb + (ra – rb)(g1.2-1 + g2.2-2 + … + gN.2-N) N : jlh gen dlmindividu

More Related