BAB II

[KEMBALI KE MENU SEBELUMNYA]

DAFTAR ISI

1. ALGORITMA GENETIKA UNTUK OPTIMASI

2. KOMPONEN-KOMPONEN ALGORITMA GENETIKA

3. Video

4. Link Download

 

BAB II ALGORITMA GENETIKA DASAR

1. ALGORTIMA GENETIKA UNTUK OPTIMASI [Kembali]

• Algoritma Genetika (AG) adalah metode pencarian solusi optimal yang didasarkan pada konsep seleksi alam dan genetika. Misalnya, untuk menemukan nilai optimal dalam suatu fungsi, variabel-variabel solusi (seperti X1 dan X2​) dikodekan menjadi kromosom. Kromosom ini terdiri dari sejumlah gen yang berisi informasi solusi, dan setiap variabel dikodekan menggunakan gen-gen biner dalam panjang tertentu.

2. KOMPONEN-KOMPONEN ALGORITMA GENETIKA [Kembali]

• Pengkodean (Encoding): Pengkodean variabel ke dalam kromosom dapat dilakukan dengan beberapa metode seperti binary encoding, discrete decimal encoding, atau real-number encoding. Setiap jenis pengkodean memiliki kelebihan tergantung pada tipe masalah yang dihadapi.
• Evaluasi Fitness: Fitness adalah ukuran yang menunjukkan seberapa baik suatu individu sebagai solusi. Fitness biasanya sama dengan nilai fungsi objektif untuk masalah maksimasi atau sebaliknya untuk minimasi. Untuk masalah dengan variabilitas rendah, metode linear fitness ranking sering digunakan untuk meningkatkan perbedaan antar-individu dalam seleksi.
• Seleksi (Selection): Seleksi bertujuan memilih individu sebagai "orang tua" untuk menghasilkan generasi berikutnya. Salah satu metode yang umum adalah roulette-wheel selection, di mana peluang suatu individu terpilih proporsional terhadap nilai fitness-nya. Individu dengan fitness lebih tinggi memiliki peluang lebih besar untuk terpilih.
• Pindah Silang (Crossover): Pindah silang menggabungkan gen dari dua kromosom orang tua untuk menghasilkan keturunan. Teknik yang umum adalah satu titik potong (one-point crossover) dan uniform crossover, di mana gen dipilih dari salah satu orang tua secara acak.
• Mutasi: Mutasi dilakukan dengan mengganti nilai gen tertentu dalam kromosom, biasanya dengan probabilitas kecil. Mutasi penting untuk mencegah solusi menjadi stagnan pada nilai yang tidak optimal.
• Elitisme: Untuk memastikan solusi terbaik tidak hilang, elitisme menjaga agar satu atau dua individu dengan nilai fitness tertinggi tetap ada dalam generasi berikutnya.
• Penggantian Populasi
• Generational Replacement: Dalam metode ini, seluruh individu dalam populasi digantikan oleh individu baru hasil reproduksi pada setiap generasi. Ini menciptakan populasi yang benar-benar baru setiap generasi.
• Steady-State Reproduction: Hanya sebagian kecil individu yang digantikan di setiap generasi. Misalnya, satu atau dua individu baru diperkenalkan, dan yang paling tidak cocok dihapus.
• Algoritma Genetika Standar
  
  Algoritma Genetika Standar terdiri dari:
• Populasi dengan encoding biner untuk solusi.
• Metode evaluasi linear fitness ranking.
• Seleksi menggunakan roulette-wheel.
• Pindah silang dengan satu titik potong.
• Probabilitas tetap untuk pindah silang dan mutasi selama evolusi.
• Elitisme yang menjaga individu dengan fitness tertinggi.
• Penggantian seluruh populasi pada setiap generasi (generational replacement).

3. Video [Kembali]

4. Link Download [Kembali]

• HTML↠ klik disini
• Video ↠ klik disini

Subscribe to receive free email updates: