1 / 22

Algoritma AI 2

Algoritma AI 2. Algoritma Genetika. Algoritma Genetika (AG). Algoritma Genetika adalah algoritma yang memanfaatkan proses seleksi alamiah yang dikenal dengan proses evolusi Dalam proses evolusi, individu secara terus-menerus mengalami perubahan gen untuk menyesuaikan dengan

zelda
Download Presentation

Algoritma AI 2

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 AI 2

  2. Algoritma Genetika

  3. Algoritma Genetika (AG) • Algoritma Genetika adalah algoritma • yang memanfaatkan proses seleksi • alamiah yang dikenal dengan proses • evolusi • Dalam proses evolusi, individu secara • terus-menerus mengalami perubahan • gen untuk menyesuaikan dengan • lingkungan hidupnya • Hanya individu-individu yang kuat • yang mampu bertahan

  4. Definisi Penting • Genotype (Gen), bagian dari kromosom • yang mewakili satu variabel (nilai biner, • float, integer, karakter, dll) • Allele, nilai dari gen • Kromosom/individu, gabungan gen-gen yang • menyatakan salah satu solusi yang • mungkin • Populasi, sekumpulan individu yang • akan diproses bersama dalam satu • siklus proses evolusi • Generasi, satuan siklus proses • evolusi • Nilai Fitness, seberapa baik nilai • dari suatu individu/solusi

  5. Siklus AG Populasi Awal Evaluasi Fitness Seleksi Individu Populasi Baru Reproduksi : Cross-Over & Mutasi

  6. TSP Kriteria berhenti : jika setelah beberapa generasi berturut-turut diperoleh nilai fitness yang terendah tidak berubah 8 A B 3 4 7 5 6 D C

  7. Populasi Awal • Membangkitkan populasi awal • adalah proses membangkitkan • sejumlah individu secara acak • atau melalui prosedur tertentu

  8. Populasi Awal • Misal dalam sebuah populasi terdapat • 4 individu: • Kromosom[1] = [A B C D] • Kromosom[2] = [B C D A] • Kromosom[3] = [C D A B] • Kromosom[4] = [D A B C]

  9. Evaluasi Fitness • Menghitung nilai fitness dari tiap • kromosom yang telah dibangkitkan • Fitness[1] = 8 + 5 + 6 = 19 • Fitness[2] = 5 + 6 + 7 = 18 • Fitness[3] = 6 + 7 + 8 = 21 • Fitness[4] = 7 + 8 + 5 = 20

  10. Seleksi • Seleksi dilakukan untuk mendapatkan • calon induk yang baik • Induk yang baik akan menghasilkan • keturunan yang baik • Semakin tinggi nilai fitness suatu • suatu individu semakin besar • kemungkinannya terpilih • Metode seleksi yang paling umum • adalah roulette wheel

  11. Seleksi Kromosom • Karena pada TSP yang diinginkan adalah • kromosom dengan fitness yang lebih • kecil yang memiliki probabilitas terpilih • kembali lebih besar, maka digunakan • inverse : • Q[i] = 1/Fitness[i] • Q[1] = 1/19 = 0,053 • Q[2] = 1/18 = 0,056 • Q[3] = 1/21 = 0,048 • Q[4] = 1/20 = 0,05 • Total = 0,207

  12. Seleksi Kromosom • Menghitung probabilitas/fitness relatif • tiap individu : • P[i] = Q[i]/Total • P[1] = 0,053/0,207 = 0,256 • P[2] = 0,056/0,207 = 0,27 • P[3] = 0,048/0,207 = 0,232 • P[4] = 0,05/0,207 = 0,242 • Kromosom ke-2 dengan nilai • fitness terkecil memiliki • probabilitas terpilih terbesar

  13. Seleksi Kromosom • Menghitung fitness kumulatif/nilai • kumulatif dari probabilitas : • C[1] = 0,256 • C[2] = 0,256 + 0,27 = 0,526 • C[3] = 0,526 + 0,232 = 0,758 • C[4] = 0,758 + 0,242 = 1

  14. Seleksi Kromosom • Memilih induk yang akan menjadi • kandidat untuk di-crossover : • Bangkitkan bilangan acak R • R[1] = 0,314 • R[2]= 0,743 • R[3]= 0,418 • R[4]= 0,203 • Pilih induk, C[k-1] < R < C[k] • Induk terpilih : • Kromosom[2] • Kromosom[3] • Kromosom[1]

  15. Crossover • Order crossover • Menentukan posisi crossover dilakukan • dengan membangkitkan bilangan acak • antara 1 sampai pjgKrom – 1 • Bilangan acak untuk 3 kromosom • induk yang akan di-crossover : • C[2] = 2 • C[3] = 1 • C[1] = 2

  16. Crossover • Proses crossover : • Kromosom[2] = Kromosom[2] X Kromosom[3] • = [B C D A] X [C D A B] • = [B C A D] • Kromosom[3] = Kromosom[3] X Kromosom[1] • = [C D A B] X [A B C D] • = [C B A D] • Kromosom[1] = Kromosom[1] X Kromosom[2] • = [A B C D] X [B C D A] • = [A B D C]

  17. Crossover • Populasi setelah di-crossover : • Kromosom[1] = [A B D C] • Kromosom[2] = [B C A D] • Kromosom[3] = [C B A D] • Kromosom[4] = [D A B C]

  18. Mutasi • Swapping mutation • Jumlah kromosom yang dimutasi dalam • satu populasi ditentukan oleh parameter • mutation rate (ρm) • Proses mutasi dilakukan dengan • cara menukar gen yang dipilih • secara acak dengan gen sesudahnya. • Jika gen berada di akhir kromosom, • maka ditukar dengan gen yang • pertama

  19. Mutasi • Hitung panjang total gen pada satu • populasi : • Panjang total gen • =jumlah gen dalam 1 kromosom * • jumlah kromosom • = 4 * 4 = 16 • Untuk memilih posisi gen yang • dimutasi dilakukan dengan • membangkitkan bilangan acak antara • 1 sampai panjang total gen, yaitu • 1 - 16

  20. Mutasi • Misal ditentukan ρm = 20%. Maka jumlah • gen yang akan dimutasi: • 0,2 * 16 = 3,2 = 3 • 3 buah posisi gen yang akan dimutasi • setelah diacak adalah 3, 7, 14

  21. Mutasi • Proses mutasi : • Kromosom[1] = [A B DC] • Kromosom[2] = [B C A D] • Kromosom[3] = [C B A D] • Kromosom[4] = [D A B C] • Kromosom[1] = [A B C D] • Kromosom[2] = [B C D A] • Kromosom[3] = [C B A D] • Kromosom[4] = [D B A C]

  22. Evaluasi Fitness • Proses AG untuk 1 generasi telah selesai. • Maka nilai fitness setelah 1 generasi : • Fitness[1] = 8 + 5 + 6 = 19 • Fitness[2] = 5 + 6 + 7 = 18 • Fitness[3] = 5 + 8 + 7 = 20 • Fitness[4] = 4 + 8 + 3 = 15

More Related