Kecerdasan Buatan : PERTEMUAN XII, XIII, XIV CII2M3_ADF06 | Genetic Algorithm

 Assalamualaikum Warahmatullahi Wabarakatuh.....

Artificial Intelligent (AI)

·      PERTEMUAN XII, XIII, XIV

CII2M3_ADF06 | Genetic Algorithm

 

Ø Solution In Genetic Algorithm

ü Didalam algoritma genetika solusi itu dimodelkan kedalam bentuk string atau array.

ü Nama lain solusi yaitu chromosome dan nama lainnya lagi individual.

ü Kemampuan seorang engineer dibutuhkan untuk mendesain suatu solusi.

ü Disarankan untuk menerapkan prinsip lebih simple lebih baik atau “The Simple The Better”

Ø  Metaheuristic Search

Fungsi heuristic yang didesain untuk mencari atau memilih heuristic yang targetnya partial Search Algorithm, dimana hasil dari metaheuristic.

Ø  Evolutionary Computation

Yaitu abstraksi dari teori evolusi biologis yang digunakan untuk mendesain atau membuat fungsi optimasi atau metodeologi optimasi, kemudian diimplementasikan dikomputer.

ü Evolutionary Algorithms    :

Dimana konsep evolusi komputasi yang spesifik untuk merepresentasikan konsep  population-based yang terinspirasi mekanisme biology-inspired, konsep mutation, crossover, natural selection dan survival of the fittest.

ü Genetic Algorithms (GA)          : binary string.

ü Evolution Strategies (ES)          : real-valued vectors.

ü Evolutionay Programming (EP): Finite State Machines.

ü Genetic  Programming (GP)      : LISP Trees.

ü Differential Evolution (DE)

ü Grammatical Evolution (GE)

ü EC Applications : Optimizer

ü Scheduling.

ü Knapsack Stock Problem

ü Design Simulation

Ø Genetic Algorithms

Adalah suatu subset dari Evolution Algorithms yang menggunakan teknik terinspirasi dari evolusi biology seperti inheritance, mution, selection,dan crossover .

Properti of Genetic Algorithms :

ü  Individual – Any Possible Solution

ü  Population – Group of All Individuals

ü  Search Space – All Possible Solution to the Problem

ü  Chromosome – Blueprint for an Individual

ü  Fitness – Quality of Solution

ü  Recombination – decomposes two distinct solution and then randomly mixes their parts to form novel solutions.

ü  Mutation – Randomly perturbs a candidate solution.

§  Choromosome

Representing Solution, Solusinya adalah string atau array.

Untuk mengoptimasi nilai real best practicenya menginclude phenotypes nyake genotik yang lebih panjang.

§  Fitness Function

Adalah suatu fungsi untuk menilai kualitas dari solusi atau kualitas dari individdu.

Objective function, yaitu menghitung kualitas darii chromosome ,nilai values yang direpresentasikan, satu solusi mempunyai beberapa objek dan fungsi objektif nya harusdideain sesuai dengan semua konstran yang ada.

Fitness function :

-          Quality of Chromosome

-          Survival of the Fittest

§  Parent Selection

Proses untuk memilih individu yang akan dijadikan sebagai suatu parent untuk bisa membangkitkan keturunan baru atau offspring baru untuk generasi berikutnya. Individu akan dipilih berdasarkan fitness-based process.

 

Pilihan yang popular ;

-          Roulette Wheel Selection

-          Tournament Selection

-          Roulette Wheel via Stochastic Acceptanse [NEW]

§  Crossover and Mutation

Tujuannya agar kita dapat memberikan suatu konsep evolusi menuju area solusi yang diyakini.

Crossover or Recombination :

-          General Schemes

-          For Ordered Chromosome

§  Survivor Selection

Yaitu bagaimana kita menghasilkan generasi baru.

Pilihan umumnya ada 2 yaitu :

-          Generational Replacement

-          Steady-State

Epilog :

-          Max Iteration (Max Generation)

-          Time Limit

-          Fitness Threshold

-          Fitness Plateau

-          Population and Generational Diversity.