Algoritma Genetika

“Algoritma Genetik”

Sebuah algoritma genetika (GA) adalah sebuah pencarian teknik yang digunakan dalam komputasi untuk mencari persis atau perkiraan solusi untuk optimasi dan mencari masalah. Algoritma genetic dikategorikan sebagai pencarian global heuristik. Algoritma genetik adalah kelas khusus dari algoritma evolusioner (EA) yang menggunakan teknik yang terinspirasi oleh biologi evolusioner seperti warisan, mutasi, seleksi, dan crossover.

Algoritma genetik menemukan aplikasi di bioinformatika, Phylogenetics, ilmu komputer, teknik, ekonomi, kimia, manufaktur, matematika, fisika dan bidang lainnya.

Algoritma genetik yang umum membutuhkan:

1. Sebuah representasi genetik dari solusi domain,
2. Sebuah fungsi fitness untuk mengevaluasi solusi domain.

Algoritma genetik yang dilaksanakan dalam simulasi komputer dimana sebuah populasi representasi abstrak (disebut kromosom atau genotipe dari genom) dari solusi-solusi calon (disebut individu, makhluk, atau fenotip) untuk sebuah masalah optimasi berkembang menuju solusi yang lebih baik. Secara tradisional, solusi direpresentasikan dalam biner sebagai benang dari 0s dan 1s, tapi encoding lain juga mungkin. Evolusi biasanya dimulai dari sebuah populasi individu yang dihasilkan secara acak dan terjadi dalam generasi. Dalam setiap generasi, kebugaran setiap individu dalam populasi dievaluasi, beberapa individu stochastically dipilih dari populasi sekarang (berdasarkan kebugaran mereka), dan dimodifikasi (digabungkan dan mungkin bermutasi secara acak) untuk membentuk populasi baru. Penduduk baru kemudian digunakan dalam iterasi berikutnya dari algoritma. Umumnya, algoritma berakhir ketika baik jumlah maksimum generasi telah diproduksi, atau tingkat kebugaran yang memuaskan telah dicapai untuk populasi. Jika algoritma telah dihentikan karena jumlah maksimum generasi, solusi yang memuaskan mungkin atau mungkin belum tercapai.

Sederhana generasi pseudocode algoritma genetika

1. Pilih awal populasi dari individu-individu
2. Mengevaluasi kesesuaian setiap individu dalam populasi
3. Ulangi pada generasi sampai terminasi: (batas waktu, cukup kebugaran dicapai, dll).
4. Pilih yang paling cocok individu untuk reproduksi.
5. Keturunan individu baru melalui crossover dan mutasi operasi untuk melahirkan keturunan .
6. Evaluasi kesesuaian individu individu baru.
7. Ganti setidaknya-populasi sesuai dengan individu-individu baru.

Optimasi skema yang didasarkan pada algoritma genetika (GA) dapat menghindari masalah-masalah yang melekat pada pendekatan yang lebih tradisional. Pembatasan pada kisaran parameter-ruang yang dikenakan hanya oleh pengamatan dan fisika dari model. Meskipun parameter-ruang yang ditetapkan sehingga sering cukup besar, GA menyediakan cara yang relatif efisien secara global untuk mencari kecocokan model. Pada problem optimasi yang mempunyai multiple objective seringkali tujuannya merupakan konflik dalam pencapaian nilai optimal dari ruang permasalahan dimensi tinggi (high dimensional) dan seringkali membutuhkan proses perhitungan yang rumit. Cara algoritmis yang umum dipakai dalam menyelesaikan permasalahan multi objective biasanya dengan menggunakan teknik konvensional seperti goal programming, compromise programming dan interactive methods. Teknik-teknik ini efektif ketika menghadapi model dengan goal yang tidak terlalu banyak, namun tidak efektif ketika menghadapi model yang kurang jelas dan kompleks (jumlah variabel. subject to dan goal terlalu besar) Algoritma genetika memberikan alternatif baru dalam memecahkan banyak model sulit dari bidang optimalisasi. Metodologi yang digunakan dalam menyelesaikan persoalan multi objective goal programming dengan pendekatan GA, terlebih dahulu dilakukan dengan merubah subject to menjadi nilai domain constrain. Nilai range dari domain constrain ini kemudian diacak pada populasi tertentu untuk menentukan nilai tertinggi dari proses pencarian. Hasil akhir menunjukkan bahwa GA mampu menuntun penelusuran titik-titik optimal dalam persoalan multi objective goal programming. Titik-titik tersebut didapatkan dengan lebih efisien dibandingkan dengan proses QS3 atau LINDO. GA mampu memberikan nilai pencapaian solusi terhadap solusi idealnya lebih baik dibanding dengan metode lainnya.Hal ini disebabkan karena pada saat eksekusi GA lebih tergantung pada panjang populasi dan panjang generasi, sedangkan pada metode lainnya tergantung pada jumlah variabel yang akan dieksekusi.