Genetic Algorithms Kecerdasan Buatan

 Nama : Malik Bayu Aji

NIM  : 19.01.013.007

Mata Kuliah : Kecerdasan Buatan

Dosen Pengampu : Herfandi, A.Md., S.Kom., M.Kom.

Materi : Genetic Algorithms.

·         Merupakan kelas tertentu dari algoritma evolusi yang menggunakan teknik yang diilhami oleh biologi evolusioner seperti pewarisan, mutasi, seleksi, dan persilangan.

·         Awalnya dikembangkan oleh john Holland (1975).

 

Solusi dalam algoritma genetik

            Jadi solusi pada algoritma ini dimodelkan dalam bentuk String/Array jadi default formnya yaitu 1-dimensional array tapi implementasinya sebenarnya kita bisa menggunakan 2D atau 3D. Nama lain dari solusi disini adalah chromosome atau nama lainnya lagi yaitu individual. Chromosome itu diibaratkan seperti blueprint dan individual adalah instansnya

Contoh Desain Solusi :

·         Traveling Salesman Problem

Bila kita diminta untuk mengunjungi semua kota dari sebuah peta yang diberikan, berarti solusinya adalah urutan dari kota yang akan dikunjungi dan yang kita cari adalah urutan terbaiknya

·         Knapsack Problem

Bila anda pernah memainkan sebuah game MMORPG, tentunya anda tau tentang backpack. Kemudian anda disuruh untuk memilih barang dengan profit sebesar-besarnya. Sehingga bagaimana anda bisa mengoptimalisasi, mencari solusi barang-barang mana saja yang bisa muat dalam tas kalian sehingga anda mendapatkan profit setinggi mungkin.

 

Properties of Genetic Algorithms

·      Individual, solusi apa pun yang memiliki kemungkinan.

·      Population, kumpulan dari semua individu.

·      Search Space, semua kemungkinan solusi untuk masalah tersebut.

·      Chromosome, cetak biru untuk seorang individu.

·      Fitness, kualitas solusi

·      Recombination, menguraikan dua solusi berbeda kemudian menggabungkannya menjadi suatu solusi yang baru.

·      Mutation, perubahan secara acak.

 

 

Chromosome

·         Cetak biru yang menentukan solusi yang diusulkan untuk masalah tersebut.

·         Direpresentasikan dalam sebuah string.

·         Evolusi biasanya dimulai dari populasi individu yang dihasilkan secara acak.

 

Fitness Fungtion

Fitness adalah quality dari chromosome. Kebagusan dari suatu chromosome adalah semakin tinggi nilai fitness maka akan memiliki kemungkinan bertahan lebih lama jika dibandingkan dengan nilai fitness yang rendah.

 

Recombination or crossover

Tujuannya adalah agar kita dapat memberikan area solusi yang terbaik dengan cara melakukan kombinasi terhadap solusi-solusi dari parents solution. Tapi crossover tidak selalu terjadi karna ada kemungkinan kedua parents bisa memiliki katurunan.

 

Mutation

Untuk mensimulasikan pengaruh kesalahan yang terjadi dengan probabilitas rendah selama duplikasi.