Genetic Algorithms

Melacak maksimum dari suatu fungsi.

Genetic Algorithms (GA) dikelompokkan ke dalam metoda adaptive random

search. Dalam optimisasi fungsi, max/min dari suatu (y=f(x)) didapatkan
berdasarkan variasi dari x yang dimulai dari titik awalnya. GA mencakup
sekumpulan titik. Elemen dasar dari GA adalah individu tiruan. Seperti halnya
individu alamiah, individu tiruan juga terdiri dari suatu chromosome dan
fitness value. Kebugaran (fitness) dari suatu individu digambarkan oleh
seberapa baik individu tersebut dapat beradaptasi terhadap alam. Haltersebut
menentukan individu sejenis untuk bertahan hidup dan berkembang biak. (It
determines the individual's likelihood for survival and mating.). Setiap
perubahan dari chromosome akan membawa perubahan pada kebugaran
dari indifidu (individual fitness).
Dalam permasalahan dibawah ini, (Searching a maximum of a function) suatu
individu tiruan hanya terdiri dari nilai x and y=f(x)). x memegang peran penting
dalam mementukan suatu chromosome sedang y menentukan fitness.
Namun demikian, implementasi GA bekerja menggunakan binary coded x(xc),
dan bukan dengan x itu sendiri.

artifical individual ::= I = {xc,f(x)}

Kumpulan dari individu yang sama dinamakan population.

Population ::= P = {I1,I2,..,In}

n: jumlah dari individual-individu

Coding
Implementasi GA bekerja berdasarkan pada nilai x yang dikodekan (coded x
value). Tujuan dari coding adalah untuk menciptakan representasi dari x yang
setiap posisinya dapat di-modified, dipotong dan dipertukarka menjadi new x.
Kode-x seperti chromosome dalam genetika, atau dengan kata lain informasi
yang dibawa dapat dimodifikasi (modifiable carrier of information).
Implementasi metoda pengkodean didasarkan pada representasi binary string
dari suatu angka (string 0 atau 1). Dalam contoh dibawah ini dapat terlihat
contoh dari nilai-nilai binary-coded x sbb. Untuk penyederhanaannya
digunakan bilangan integer positip sepanjang 8 bit.

examples of coding
x xc (binary coded x)
114 01001110
132 00100001

Cara membaca binary code (dibalik):

0 1 0 0 1 1 1 0
LSB MSB

1
Algoritma keseluruhan.
Suatu populasi awal (parental generation) dibangkitkan secra random (nilai x
dipilih secara acak, dan kemudian nilai y dihitung). Atas dasar generasi ini GA
diciptakan offspring generation menggunakan operator genetika Selection,
Crossover dan Mutation. Individu tiruan generasi baru akan menjadi parental
generation untuk offspring generation berikutnya. Dengan tiap generasi baru
ini nilai kebugaran keseluruhan dari populasi akan meningkat. Proses
pembentukan offspring generations berdasarkan pembentukan generasi baru,
diulangi-ulang sampai dicapai hasil yang optimum.
Sketsa berikut menggambarkan satu iterasi dalam implementasi GA untuk
menciptakan 2 individu baru. Langkah-langkah tersebut diulang lagi sampai
jumlah individu dalam offspring generation sama dengan parental generation.

Proses penciptaan generasi baru dihentukan bila generasi yang diharapkan

sudah tercapai atau bila seluruh nilai kebugaran dari populasi generasi
terakhir tidak bertambah lagi.
Berikut diskripsi ringkas dari operator genetika

Seleksi
Seleksi merupakan suatu proses pemilihan individu dari populasi untuk
menciptakan individu baru. Individu yang tepat adalah individu dengan
dengan kebugaran yang baik. Operator ini mengimplementasikan prinsip ”
yang paling bugar akan bertahan” (survival of the fittest). Implementasi dari
seleksi turnamen memilih sepasang individu (ayah, ibu) untuk menciptakan
dua individu baru dalam bentuk offspring generation. Pasangan individu yang
tepat adalah individu dengan nilai y tinggi, karena yang ingin dicapai adalah
nilai maksimum fungsi.

Examples: Selection
(based on the test function F0 ; 0.0 < x < 10)
parents x xc (binary-coded y
x)
P1 4 00100000 0.108
P2 8 00010000 1.22 E-08
P3 7 11100000 2.68 E-04

2
Contoh diatas menunjukkan tiga nilai-x,y. P1 dan P3 terpilih sebagai individu
ayah dan ibu, karena kebugarannya lebih tinggi dari P2.

Pindah-silang (Crossover)
Setelah pemilihan dua pasangan individu, langkah selanjutnya adalah prose
pindah-silang. Crossover adalah proses menciptakan coded xc baru dengan
kombinasi dari dua coded xc. Disini digunakan algoritma crossover satu-titik.
Tergantung pada nilai probabilitas yang telah ditentukan (pc: probabilitas
crossover; 0 < pc < 1) nilai-nilai xc dari pasangan individu dikompbinasikan
atau tidak.
Jika nilai xc dikombinasikan (crossover = true) maka nilai binary-coded x dari
pasangan individu (suatu bit-string) akan dipotong dua bagian dengan
pemilihan titik crossover secara random. Dua coded xc baru dihasilkan
melalui alternatif kombinasi dari bagian-bagian tersebut.

Example: Crossover
(based on function F0; 0.0 < x < 10; crossover point= 1)

Pare x xc Y-Wert xc xc xc x Y childr

nts (binary- (cutted (twiste (binary- en
coded ) d) coded
x) x)
PF 1 001000 0.108 0 1 101000 5 0.7 C1
00 010000 010000 00 98
0 0
PM 7 111000 2.68 E- 1 0 011000 6 0.1 C2
00 04 110000 110000 00 08
0 0

Mutasi (Mutation)
Langkah terakhir dari GA adalah mutasi. Mutasi merupakan proses merubah
nilai coded xc secara acak, dengan mengimplementasikan satu-titik algoritma
mutasi. Pelaksanaan mutasi didasarkan pada probabilitas mutasi (pm; 0 < pm
< 1.0). jika nilai xc dimutasikan maka nilai dari posisi yang dipilih secara acak
dari binary-coded xc berubah. Bila nilai pada posisi tersebut 0, akan berubah
menjadi 1 dan sebaliknya. Contoh berikut C1 tidak dimutasi; C2 dimutasi.
Posisi 3 dari binary-string xc dirubah.

Example: Mutation
(based on function F0 ; 0.0 < x < 10; mutation position = 3)

before xc (binary- x Y xc (binary- x Y after

mutation coded x) coded x) mutation
C1 1010000 5 0.798 10100000 5 0.798 No mutated
0
C2 0110000 6 0.108 01000000 2 1.22 E-08 C2 (mutated)
0

3
Example: Crossover
(based on function F0; 0.0 < x < 10; crossover point= 1)
Parents x xc (binary-coded x) Y-Wert
PF 1 00100000 0.108
PM 7 11100000 2.68 E-04

xc (cutted) xc (twisted) xc (binary-coded x) x Y children

0 0100000 1 0100000 10100000 5 0.798 C1
1 1100000 0 1100000 01100000 6 0.108 C2

Example: Mutation
(based on function F0 ; 0.0 < x < 10; mutation position = 3)
before mutation xc (binary-coded x) x Y
C1 10100000 5 0.798
C2 01100000 6 0.108

xc (binary-coded x) x Y after mutation

10100000 5 0.798 C1 (no mutated)
01000000 2 1.22 E-08 C2 (mutated)

4
5