Materi Kelas Online Ministry Learning Center - Bedah Kitab 1 Tesalonika
GA-Operator
1. Introduction To Genetic Algorithms
S.N. Sivanandam
S.N. Deepa
S. Sumathy
Chapter 4 Advance Operator and Techniques in Genetic Algorithms
Oleh : Suparman, ST
NPM : 136060300111003
3/24/2014
Advanced Operators and Techniques in
Genetic Algorithm 1
2. 3/24/2014
Advanced Operators and Techniques in
Genetic Algorithm 2
Chapter 4
Advanced Operators and Techniques in
Genetic Algorithm
4.1 Introduction
Dalam bab sebelumnya kita telah berurusan dengan
operator genetik sederhana: reproduksi, persilangan dan
mutasi. Dalam bab ini kita mempertimbangkan operator
alam dan fenomena untuk meningkatkan ketahanan
algoritma genetik sederhana. Tingkat rendah operator
seperti dominan, inversi, rekaman, penghapusan,
pemisahan dan diploidy & tingkat operator yang lebih tinggi
seperti niche dan spesies yang diinduksi. Optimasi Multi
obyektif serta berdasarkan pengetahuan teknik.
3. 3/24/2014
Advanced Operators and Techniques in
Genetic Algorithm 3
4.2 Diploidy, Dominance and Abeyance
Sampai sekarang, genotipe sederhana yang ada di alam, kromosom
haploid atau tunggal, hanya mengandung satu set gen yaitu satu
alele untuk menempati setiap lokus. Alam terdiri dari banyak
organisme haploid, tetapi kebanyakan dari mereka cenderung
membentuk kehidupan rumit. Ketika alam ingin membangun
kehidupan yang lebih kompleks atau hewan mengandalkan, struktur
kromosom yang lebih kompleks diperlukan dan ini dicapai oleh
kromosom diploid atau double diploid. Dalam bentuk diploid,
genotipe membawa satu atau lebih pasang kromosom, masing-
masing berisi informasi untuk fungsi yang sama. Pertimbangkan
struktur kromosom mana diploid huruf yang berbeda mewakili alele
yang berbeda (nilai fungsi gen yang berbeda-beda):
PqrSt
pQRSt
4. 3/24/2014
Advanced Operators and Techniques in
Genetic Algorithm 4
Alele merupakan sifat dari gen tertentu, Huruf besar dan huruf
kecil yang disebutkan di atas mewakili alele alternatif pada
posisi itu. Awalnya, di alam masing-masing alele dapat
mewakili sifat fenotipik berbeda.
Misalnya Q dapat mewakili gen berambut abu-abu dan
q mungkin gen berambut hitam, sepasang gen ada
menjelaskan setiap fungsi, harus ada beberapa aspek untuk
memutuskan mana dari dua nilai untuk memilih karena,
misalnya, fenotip tidak mungkin memiliki keduanya berambut
abu-abu dan hitam berambut pada waktu yang sama.
contoh di atas, jika diasumsikan bahwa semua huruf besar
yang dominan dan semua huruf kecil yang resesif, fenotipe
diungkapkan oleh kromosom contoh ditulis sebagai,
PqrSt
→ PQRSt
pQRSt
5. 3/24/2014
Advanced Operators and Techniques in
Genetic Algorithm 5
Gen yang dominan selalu diekspresikan pada setiap lokus
dan gen resesif hanya diungkapkan ketika hadir sesuai
dengan resesif lain. Gen yang dominan diungkapkan ketika
heterozigot (campuran, Pp → P) atau homozigot (SS → S) dan
gen resesif dinyatakan hanya ketika homozigot (tt → t)
4.3 Multiploid (Multiploid)
Sebuah algoritma genetika multiploid menggabungkan
beberapa kandidat untuk setiap gen dalam genotipe tunggal,
dan menggunakan beberapa bentuk mekanisme dominasi
untuk menentukan pilihan masing-masing gen aktif dalam
fenotip. Di alam kita menemukan bahwa banyak organisme
memiliki genotipe polyploid, yang terdiri dari beberapa set
kromosom dengan beberapa mekanisme untuk menentukan
gen diungkapkan yaitu dominan pada setiap lokus.
6. 3/24/2014
Advanced Operators and Techniques in
Genetic Algorithm 6
Mekanisme ini tampaknya memberikan sejumlah
keuntungan pada sistem, terutama oleh keragaman populasi
meningkatkan, saat gen terpakai remainsin genotipe
dikalikan, terpendam, tetapi terlindung dari kepunahan
sampai mereka dapat menjadi berguna nanti.
Sebuah genotipe multiploid, ditunjukkan pada Gambar. 4.2, berisi p
kromosom, masing-masing dengan panjang L, dan masker yang
menentukan mana dari kromosom p memiliki gen dominan pada
posisi tertentu dalam kromosom. Informasi ini diterjemahkan untuk
menghasilkan fenotipe sebagai berikut:
Mask 0 0 0 1 1 1 2 2 2
Chromosome [0]: a a a a A a a a a
Chromosome [1]: b b b b B b b b b
Chromosome [2]: c c c c C c c c c
Phenotype: a a a a A a a a a
Fig. 4.2 Multiploid Type 1
7. 3/24/2014
Advanced Operators and Techniques in
Genetic Algorithm 7
Mask 0 1 2
Chromosome [0]:
a A a a a a a a A
Chromosome [1]:
b b b b b b b b B
Chromosome [2]:
c c c c c c c c C
Phenotype: a a a b b b c c C
Fig. 4.3 Multiploid Type 2
Nilai alele pada lokus i dalam topeng menunjukkan bahwa gen
dalam kromosom dengan indeks menjadi gen i dari fenotip. Panjang
mask bisa lebih pendek dari panjang kromosom, seperti pada
Gambar. 4.3. Dalam Gambar. 4.3, jika panjang masker m dan
panjang kromosom L, maka gen pada lokus 'i' dalam topeng dengan
nilai 'a' menunjukkan bahwa ke-i set gen L / m di kromosom yang
merupakan dominan.
8. 3/24/2014
Advanced Operators and Techniques in
Genetic Algorithm 8
4.4 Inversion and Reordering
Inversi adalah unary, operator yang genetik penataan. Algoritma
genetik sederhana menggunakan pilihan stokastik, 1-point cross
over, dan mutasi untuk meningkatkan jumlah blok bangunan dalam
populasi dan bergabung kembali mereka untuk lebih baik
membangun blok-ing. Blok bangunan menjadi sangat fit, orde
rendah, skema panjang pendek mendefinisikan, skema encoding
yang dipilih harus sesuai dengan ini. Bisakah kita mencari skema
pengkodean yang lebih baik ketika mencari blok bangunan? Untuk
menjawab pertanyaan ini, Operator inversi diciptakan.
Operator inversi adalah mekanisme alam primer recode masalah.
Dalam operator dalam-versi, dua poin yang dipilih sepanjang
kromosom, kromosom dipotong pada titik-titik dan titik akhir dari
pemotongan bagian, akan kembali berpengalaman (switched,
bertukar). Untuk membuat jelas, mempertimbangkan kromosom
dengan panjang 8 di mana dua poin terbalik yang dipilih secara
acak, (poin.2 dan.6 dilambangkan dengan karakter)
1 1 ˄ 0 1 1 1 ˄ 0 1
9. 3/24/2014
Advanced Operators and Techniques in
Genetic Algorithm 9
Pada menggunakan Operator inversi, string menjadi,
1 1 0 1 1 1 0 1
Jadi dalam poin inversi ditentukan, switching antara kromosom
terjadi. Operator inversi juga dapat digunakan untuk representasi
diperpanjang seperti yang diberikan oleh,
1 2 3 4 5 6 7 8
1 1 ˄ 0 1 1 1 ˄ 0 1
Poin inversi dipilih secara acak (ditunjukkan oleh operator) dan
kromosom sekarang menjadi,
1 2 3 4 5 6 7 8 9
1 1 1 1 1 1 0 0 1
Nomor posisi asli dipertahankan dalam kromosom karena kebugaran
functionis dihitung dengan menggunakan nomor posisi , yaitu , kita
bergerak posisi relatif dari gen untuk mempelajari potensi yang
berbeda blok bangunan tetapi gen yang akan digunakan dalam fungsi
fitness sama seperti sebelumnya inversi dan tetap sama seperti
setelah operasi inversi
10. 3/24/2014
Advanced Operators and Techniques in
Genetic Algorithm 10
Algoritma dasar untuk inversi dapat diberikan sebagai berikut :
Data : I - length of chromosome
I ←Random integer bet ween 0and I inclusive;
I ←Random interger ≠ i1, bet ween 0 and; include
If i1 ˃ i2 then
Swap i1 and i2
end
for I = i1[(i1+i2-I)/2]do
Swap allele and index at locus I with alele and index at locus
i1+i2-I-I
and
Dengan demikian indeks diperlukan untuk setiap lokus untuk
melestarikan makna lokus independen posisinya pada kromosom.
Inversi adalah berlebihan dengan operator seperti UX (Uniform
Crossover), yang tidak memiliki bias posisi. Ada beberapa
operator pemesanan ulang lainnya, yang menjadi anak variasi
inversi
11. 3/24/2014
Advanced Operators and Techniques in
Genetic Algorithm 11
Fitur inversi dan crossover digabungkan bersama untuk produceã
operator tunggal, yang mengarah pada pengembangan dari operator
penataan lainnya. Pada menggabungkan inversi dan crossover
operator penataan dirumuskan adalah:
1. Partially Matched Crossover (PMX).
2. Order Crossover (OX).
3. Cycle Crossover (CX).
4.4.1 Partially Matched Crossover (PMX)
Dalam Crossover sebagian cocok, dua deret selaras, dan dua titik
crossover dipilih secara acak seragam sepanjang deret. Dua titik
crossover memberikan pilihan yang cocok, yang digunakan untuk
mempengaruhi lintas melalui operasi pertukaran posisi demi posisi
Parent A
4 8 7 3 6 5 1 10 9 2
Parent B
3 1 4 2 7 9 10 8 6 5
12. 3/24/2014
Advanced Operators and Techniques in
Genetic Algorithm 12
Dua titik crossover dipilih secara acak, dan PMX hasil dengan
pertukaran posisi bijaksana. Di antara crossover menunjukkan gen
bisa dipertukarkan yaitu, 3 dan 2, 6 dan 7, 5 dan 9 tempat
pertukaran. Ini adalah dengan memetakan tua B kepada orangtua
A. Sekarang pemetaan orangtua A ke B induk, 7 dan 6, 9 dan 5, 2
dan 3 tempat pertukaran. Jadi setelah PMX, keturunan yang
dihasilkan sebagai berikut:
Child A
4 8 6 2 7 9 1 10 5 3
Child B
2 1 4 3 6 5 10 8 7 9
dimana setiap anak mengandung informasi pemesanan sebagian
ditentukan oleh masing-masing orang tuanya. PMX dapat
diterapkan untuk masalah dengan representasi permutasi.
13. 3/24/2014
Advanced Operators and Techniques in
Genetic Algorithm 13
4.4.2 Order Crossover (OX)
Urutan Crossover dimulai dengan cara yang mirip dengan PMX. Tapi
bukannya menggunakan pertukaran point-by-point sebagai PMX
tidak, order crossover berlaku geser gerak untuk mengisi kiri keluar
lubang dengan mentransfer posisi dipetakan. Pertimbangkan
kromosom induk,
Parent A
4 8 7 3 6 5 1
1
0
9 2
Parent B
3 1 4 2 7 9
1
0
8 6 5
Pada pemetaan orangtua B dengan orangtua A, tempat 3,6 dan 5
kotak yang tersisa dengan lubang.
Child B
H 1 4 2 7 9 10 8 H H
Lubang ini sekarang dipenuhi dengan gerakan geser yang dimulai
dengan titik potong kedua
14. Advanced Operators and Techniques in
Genetic Algorithm 143/24/2014
Child B
2 7 9 H H H
1
0
8 1 4
Lubang-lubang tersebut kemudian diisi dengan bagian pencocokan
diambil dari A. Jadi orangtua melakukan operasi ini, keturunannya
diproduksi menggunakan order crossover adalah sebagai diberikan
di bawah ini.
Child A
3 6 5 2 7 9 1 10 4 8
Child B
2 7 9 3 6 5 10 8 1 4
Dari contoh, dapat dicatat bahwa PMX cenderung menghormati
posisi absolut sementara OX cenderung menghormati posisi relatif.
15. Advanced Operators and Techniques in
Genetic Algorithm 153/24/2014
4.4.3 Cycle Crossover (CX)
Siklus Crossover berbeda dari PMX dan OX. Siklus melakukan
rekombinasi di bawah kendala bahwa setiap gen berasal dari orang
tua atau yang lainnya
4.5 Niche and Speciation
Masalah abadi dengan Algoritma Genetika adalah bahwa
konvergensi prematur, yaitu, genotipe non-optimal mengambil alih
populasi sehingga setiap individu yang baik identik atau sangat
mirip, konsekuensi yang merupakan populasi yang tidak
mengandung keragaman genetik yang cukup untuk berkembang
lebih lanjut. Algoritma Genetika kemudian, menghadapi masalah
yang sulit. Bagaimana bisa populasi didorong untuk berkumpul
pada sebuah solusi sementara tetap mempertahankan keragaman?
Jelas, para operator, yang menyebabkan konvergensi, yaitu
crossover dan reproduksi, harus diubah entah bagaimana
16. Advanced Operators and Techniques in
Genetic Algorithm 163/24/2014
4.5.1 Niche and Speciation in Multimodal Problems
Misalkan fungsi kebugaran multimodal yaitu beberapa puncak GA
akan cenderung konvergen ke salah satu puncak, terutama jika salah
satu puncak yang lebih cocok daripada yang lain. Mungkin, ada yang
suka untuk mengidentifikasi puncak konvergensi beberapa puncak
simultan menerus. A 'niche' dapat dianggap sebagai salah satu
puncak dan 'spesies' adalah kumpulan anggota populasi cocok untuk
niche tertentu. Kami mightwant sebuah GA untuk membuat sub-
populasi yang stabil (spesies) yang cocok dengan niche.
Pertimbangkan contoh dua mesin slot bersenjata, jika satu orang
memainkan dua mesin slot bersenjata, dia akan mencoba setiap
lengan untuk sementara waktu untuk melihat yang memiliki hasil lebih
besar, dan kemudian memutar lengan itu untuk sisa waktu. Dalam
kasus ini, adalah mungkin untuk mendapatkan formula untuk berapa
banyak untuk bermain di setiap lengan sebelum memilih lengan untuk
memainkan sisa waktu untuk hasil keseluruhan yang optimal.
17. Advanced Operators and Techniques in
Genetic Algorithm 173/24/2014
4.5.1.1 Crowding (Berkerumun)
Masalah pertama ditangani oleh [DeJong 75] untuk mencegah
genotipe yang mendominasi populasi. Dengan memastikan bahwa
individu yang baru lahir akan menggantikan salah bahwa itu adalah
sekutu genotip yang mirip dengan itu, Menyisihkan mencoba untuk
menjaga keseimbangan populasi. Mekanisme penggantian ini cukup
sederhana: satu secara acak memilih individu CF dan, melalui
perhitungan Hamming jarak, memutuskan pada korban sesuai.
Sebuah keuntungan dari Berkerumun adalah bagaimana beberapa
individu harus diperiksa ketika memilih korban, untuk CF biasanya 2
atau 3. Ini penggantian tindakan individu yang sama 'untuk
mencegah salah satu genotipe dari mengambil alih populasi
sepenuhnya, yang memungkinkan lainnya, relung mungkin kurang
pas untuk membentuk dalam populasi utama. Crowding tidak secara
eksplisit menciptakan ceruk, juga tidak membuat upaya
terkonsentrasi untuk mendorong mereka, melainkan memungkinkan
mereka untuk membentuk
18. Advanced Operators and Techniques in
Genetic Algorithm 183/24/2014
4.5.1.2 Sharing (Berbagi)
Sebuah pendekatan yang agak berbeda diadopsi dalam skema
Sharing, dalam individu individu dalam populasi yang
menggunakan sumber daya yang terbatas Berbagi wajah karena
mereka berusaha untuk kebugaran. Untuk membuat hidup lebih
sulit bagi mereka, individu-individu dari niche lingkungan yang
sama, dalam hal ini genotypically serupa, yang moreinclined untuk
mencari tempat yang sama untuk sumber daya, sehingga memiliki
waktu lebih sulit daripada individu yang unik.
Mendefinisikan fungsi berbagi berdasarkan kesamaan,
Share (similarity)
Similarity (x,x)=l chrom,
Similarity (x,~x) = 0
(atau) dasar kesamaan fenotip (nilai kode) daripada genotipe.
Share (kesamaan (x, x)) = 1.0,
Share (kesamaan (x, y)) = 0,0
19. Advanced Operators and Techniques in
Genetic Algorithm 193/24/2014
∀ x, y, dengan kesamaan (x, y) ⇐ memotong nilai. Semakin mirip dua
kromosom, semakin mereka harus berbagi nilai kebugaran mereka.
Setiap kromosom x memiliki faktor saham dihitung untuk itu,
Berbagi faktor (x) = Sum atas y pangsa populasi (kesamaan (x, y))
Kebugaran kromosom yang kembali dihitung dengan membagi
kebugaran aslinya oleh nya Faktor saham
New kebugaran (x) = kebugaran (x) / share faktor (x)
Meskipun Menyisihkan jauh lebih sederhana daripada Sharing, baik
dalam perhitungan dan pelaksanaannya, yang terakhir telah terbukti
jauh lebih efektif di bidang fungsi multimodal sebagai kekuatan yang
agak lembut persuasi yang digunakan oleh Menyisihkan tidak dapat
mencegah sebagian besar individu terikut hanya pada satu atau dua
puncak karena beberapa individu yang diperiksa setiap kali. Sharing,
di sisi lain, agresif mendorong pengembangan ceruk baru dan
akibatnya mendistribusikan individu di semua puncak dalam lanskap.
Imbalannya adalah sederhana, Menyisihkan murah dan sederhana,
sedangkan Berbagi relatif mahal namun sukses.
20. Advanced Operators and Techniques in
Genetic Algorithm 203/24/2014
4.5.2 Niche and Speciation in Unimodal Problems
Penggunaan relung dalam permasalahan multimodal adalah pemetaan
yang sangat sederhana, dengan evolusi spesies yang berbeda untuk
masing-masing puncak dalam lanskap solusi. Pemetaan ini tidak begitu
mudah dalam masalah unimodal yang biasanya hanya berisi satu
puncak, atau setidaknya mengandung satu puncak yang lebih tinggi
dari yang lain
Semua pendekatan untuk masalah unimodal, melibatkan niching, upaya
untuk mempertahankan populasi yang seimbang, baik melalui kawin
dibatasi untuk mencegah tidak pantas orang tua kawin , atau melalui
metode pengganti yang menghambat mengambil alih suatu populasi
dengan genotipe tunggal.
Beberapa metode yang tidak secara ketat menggunakan ceruk , tetapi
yang meniru operasi mereka untuk beberapa derajat , ada. Ada
beberapa metode pengganti , yang menjamin bahwa individu yang baru
lahir cukup berbeda dari seluruh penduduk sebelum mengizinkan
21. Advanced Operators and Techniques in
Genetic Algorithm 213/24/2014
4.5.2.1 Incest Prevention
Eshelman mengambil pandangan yang sama, ketika ia
menyarankan penggunaan Pencegahan Incest, yang hanya klon
berkecil hati, masih memungkinkan mereka untuk memasuki
populasi. Upaya pencegahan Incest kepada orang tua
"menjodohkan" dengan maksud keturunan mereka mengambil gen
terbaik dari orang tua mereka. Hal ini berbeda dengan mengawinkan
orang tua bahwa keanekaragaman disimpan dalam populasi dan
dengan demikian lebih lanjut evolusi diizinkan.
Sebagai populasi berkembang, individu yang menjadi lebih dan
lebih mirip, sehingga menjadi lebih sulit untuk menemukan orang
tua yang cocok. Untuk menghindari situasi di mana tidak ada orang
tua seperti dalam suatu populasi, ada ambang batas yang
ditetapkan perbedaan, yang bisa santai jika ada beberapa kesulitan
dalam memilih orang tua. Hal ini diasumsikan kesulitan yang akan
timbul jika tidak ada perubahan dalam populasi induk, dan, sebagai
pencegahan incest digunakan dengan elitisme, yaitu daftar orang
tua dipertahankan mana individu hanya dapat memasukkan jika
kebugaran mereka cukup tinggi, itu adalah sepele penting untuk
melacak perubahan apapun.
22. Advanced Operators and Techniques in
Genetic Algorithm 223/24/2014
SET THRESHOLD
REPEAT
FOR EACH INDIVIDUAL DO
TEST INDIVIDUAL
ENTER PARENT POPULATION
IF NO-NEW-PARENTS THEN LOWER THRESHOLD
FOR EACH INDIVIDUAL DO
REPEAT
SELECT PARENTS
UNTIL DIFFERENT ( )
UNTIL END-CRITERION REACHED OR THRESHOLD=0
Begitu seorang individu diuji ia mencoba untuk memasuki induk
kependudukan, seperti dijelaskan di atas, langkah ini hanya berhasil
jika individu bugar daripada anggota paling cocok dari
population.After induk semua individu baru telah diuji, salah satu
cek untuk melihat apakah induk kependudukan telah berubah.
Populasi yang berubah akan menyebabkan ambang perbedaan yang
dikurangi.
23. Advanced Operators and Techniques in
Genetic Algorithm 233/24/2014
4.5.2.2 The Pygmy Algoritma
Algoritma kerdil biasanya digunakan pada masalah dengan dua
atau lebih persyaratan , misalnya evolusi solusi yang perlu efisien
dan pendek. Relung digunakan dengan memiliki dua fungsi
kebugaran yang terpisah , sehingga menciptakan dua spesies .
Individu dari masing-masing spesies ini Biasanya , ada satu fungsi
fitness utama, mengatakan efisiensi , dan kebutuhan sekunder
seperti sesak . Individu yang sangat efisien maka akan memasuki
ceruk pertama, sementara individu yang tidak cocok dengan niche
ini menjalani tes kebugaran kedua , yang hanya fungsi fitness
aslinya dimodifikasi untuk menyertakan persyaratan sekunder
Penggunaan dua relung mempertahankan populasi seimbang dan
memastikan bahwa orang yang cocok di kedua requirementsare
produced.Below adalah pseudo kode untuk Algoritma Pygmy
24. Advanced Operators and Techniques in
Genetic Algorithm 243/24/2014
REPEAT
FOR EACH INDIVIDUAL DO
TEST INDIVIDUAL WITH MAIN FITNESS FUNCTION
ENTER PARENT POPULATION #1
IF UNSUCCESSFUL
TEST INDIVIDUAL WITH SECONDARY FITNESS FUNCTION
ENTER PARENT POPULATION #2
FOR EACH INDIVIDUAL DO
SELECT PARENT FROM POPULATION #1
SELECT PARENT FROM POPULATION #2
CREATE NEW INDIVIDUAL
UNTIL END-CRITERION REACHED
Algoritma Genetika berasal langsung dari metode alami , mungkin
mengherankan bahwa ada begitu banyak manfaat yang bisa
diperoleh dari peniruan alam sekali lagi. Spesies dapat berkembang
dan dipertahankan dalam berbagai cara, mulai dari model
desentralisasi sedekat mungkin dengan alam , dengan metode yang
sangat dikontrol. Beberapa solusi dapat dipertahankan dalam
populasi pada suatu waktu , beragam individu dan , memang spesies
dapat dengan mudah dibujuk untuk hidup berdampingan satu sama
lain, sehingga mengurangi tekanan terhadap konvergensi premature
25. Advanced Operators and Techniques in
Genetic Algorithm 253/24/2014
4.5.3 Restricted Mating
Tujuan dari kawin terbatas adalah untuk mendorong spesiasi ,
dan mengurangi produksi lethals . Sebuah mematikan adalah
anak dari orang tua dari dua relung yang berbeda . Meskipun
setiap orang tua mungkin sangat cocok, kombinasi kromosom
mereka mungkin
Filosofi umum kawin terbatas membuat asumsi bahwa jika dua
orang tua yang sama (misalnya , dari niche yang sama ) yang
dikawinkan , maka keturunannya akan serupa . Namun, ini akan
sangat tergantung pada skema pengkodean khususnya
keberadaan blok bangunan , dan epistasis rendah . Di bawah
crossover dan mutasi operator konvensional , dua orang tua
dengan genotipe yang sama akan selalu menghasilkan keturunan
dengan genotipe yang sama . Namun dalam kromosom yang
sangat epistatik , tidak ada menjamin bahwa keturunan ini tidak
akan kebugaran rendah, yaitu lethals. Kesamaan genotipe tidak
menjamin kesamaan fenotip. Efek ini membatasi penggunaan
kawin terbatas.
26. Advanced Operators and Techniques in
Genetic Algorithm 263/24/2014
4.6 Few Micro-operators
Beberapa operator tingkat mikro rendah lainnya telah diusulkan
untuk digunakan dalam genetik algoritma rithmsearch.Thefew
microoperatorsto bediscussed di sectionare ini sebagai berikut:
1. Segregation (Pemisahan).
2. Translocation (Perpindahan Lokasi).
3. Duplication (Duplikat).
4. Deletion (Penghapusan).
5. Sexual differentiation Difrensiasi Seksual)
27. Advanced Operators and Techniques in
Genetic Algorithm 273/24/2014
4.6.1 Segregation and Translocation
Pertimbangkan proses pembentukan gamet ketika ada lebih dari satu
Pairin kromosom genotype.Crossover berlangsung seperti yang
ditangani dalam bab sebelumnya dan ketika itu adalah untuk
membentuk gamet, kami secara acak memilih salah satu dari masing-
masing chromosomes.This proses seleksi acak haploid adalah
disebut sebagai segregasi yang mengganggu setiap menghubungkan,
yang mungkin ada di antara gen-gen pada kromosom yang berbeda.
Hal ini menemukan bahwa segregasi memanfaatkan organisasi yang
tepat kromosom dan penting untuk dicatat bahwa bagaimana
kromosom menjadi terorganisir dalam cara yang tepat. Untuk tujuan
ini, Operator translokasi digunakan. Operator Translokasi dapat
dianggap sebagai operator crossover yang interchromosomal.
Operator ini dapat diimplementasikan dengan menghubungkan alel
dengan nama gen mereka, sehingga seseorang dapat
mengidentifikasi makna yang dimaksudkan mereka ketika mereka
mendapatkan berjalan dari kromosom ke kromosom oleh operator
translokasi.
28. Advanced Operators and Techniques in
Genetic Algorithm 283/24/2014
4.6.2 Duplication and Deletion
Intrachromosom semua duplikasi melakukan dengan
menduplikasi gen tertentu dan menempatkannya bersama dengan
leluhurnya pada kromosom. Penghapusan melakukan dengan
menghapus gen duplikat dari kromosom. Tingkat mutasi secara
efektif dapat dikontrol oleh operator tersebut. Ketika tingkat
mutasi tetap konstan dan intrachromosomal penyebab duplikasi
salinan 'k' dari gen tertentu, maka probabilitas mutasi efektif
untuk gen ini dikalikan dengan 'k'. Di sisi lain, ketika terjadi
penghapusan, tingkat mutasi yang efektif akan menurun.
29. Advanced Operators and Techniques in
Genetic Algorithm 293/24/2014
4.6.3 Sexual Determination
Penentuan seks ditangani secara berbeda pada spesies yang
berbeda , tetapi contoh manusia sudah cukup untuk memahami
tekad seksual . Seks ditentukan pada manusia oleh salah satu dari
23 pasang kromosom manusia. Wanita memiliki dua X sama dan
kromosom X dan pria memiliki dua kromosom X berbeda dan Y .
Selama proses gametogenesis , laki-laki bentuk sperma ( yang
membawa X atau kromosom Y ) dan perempuan memiliki telur (yang
hanya membawa kromosom X ) . Pada pembuahan, kromosom X
yang diproduksi oleh perempuan dikombinasikan dengan baik X
atau kromosom Y yang diproduksi oleh perempuan .
Pembentukan perbedaan jenis kelamin secara efektif membagi
spesies ke dalam dua kelompok atau lebih . Hal ini memungkinkan
pria dan wanita untuk mengkhususkan , sehingga melampirkan
berbagai perilaku yang diperlukan untuk kelangsungan hidup lebih
luas daripada akan bersaing dengan populasi tunggal.
30. Advanced Operators and Techniques in
Genetic Algorithm 303/24/2014
4.7 Non-binary Representation.
Sebuah kromosom merupakan urutan simbol , dan , secara
tradisional , simbol ini mencukur menjadi digit biner , sehingga
masing-masing simbol memiliki 2 kardinalitas Kardinalitas huruf
yang lebih tinggi telah digunakan dalam beberapa penelitian , dan
beberapa orang percaya mereka memiliki keunggulan . Goldberg
menyatakan bahwa secara teoritis , representasi biner memberikan
jumlah terbesar skemata , sehingga menyediakan tingkat tertinggi
paralelisme implisit . Tapi Antonisse menafsirkan schemata
berbeda , dan menyimpulkan bahwa , sebaliknya , huruf
kardinalitas tinggi mengandung lebih schemata daripada biner
31. Advanced Operators and Techniques in
Genetic Algorithm 313/24/2014
Goldberg kini telah mengembangkan teori , yang menjelaskan
mengapa representasi kardinalitas tinggi dapat melakukan dengan
baik. Teorinya huruf maya mengatakan bahwa setiap simbol
menyatu dalam beberapa generasi pertama , hanya menyisakan
sejumlah kecil nilai yang mungkin . Dengan cara ini , masing-
masing simbol efektif hanya memiliki kardinalitas rendah . Studi
empiris huruf tinggi kardinalitas telah biasanya digunakan
kromosom mana setiap simbol mewakili integer , atau angka
floating-point . Sebagai Davis menunjukkan , parameter prob - lem
sering numerik , sehingga mewakili mereka secara langsung
sebagai angka , bukan bit - string , tampak jelas , dan mungkin
memiliki keuntungan . Satu keuntungan adalah bahwa kita dapat
lebih mudah menentukan bermakna , Crossover masalah spesifik
dan mutasi operator .
32. Advanced Operators and Techniques in
Genetic Algorithm 323/24/2014
Operator GA,s sebagai berikut :
Combination operators
Rata-rata-rata mengambil aritmatika dari gen induk.
Geometris berarti-mengambil akar kuadrat dari produk dari dua
nilai
Perpanjangan nilai, dan menambahkannya ke yang lebih tinggi,
atau kurangi dari bawah.
Mutation operators
Acak pengganti ganti nilai dengan satu acak
Creep-menambah atau mengurangi sedikit jumlah acak.
Geometrik merayap-kalikan dengan jumlah acak mendekati
satu.
33. Advanced Operators and Techniques in
Genetic Algorithm 333/24/2014
4.8 Multi-Objective Optimization
Dalam masalah optimasi multi-tujuan, beberapa fungsi obyektif
perlu dioptimalkan secara bersamaan. Dalam kasus beberapa
tujuan, ada tidak selalu ada solusi yang terbaik sehubungan
dengan semua tujuan karena perbedaan antara solusi objectives.A
mungkin menjadi yang terbaik dalam satu tujuan tetapi terburuk di
negara lain. Ada kedepan, ada biasanya ada satu set solusi untuk
kasus multi-objektif, yang tidak bisa begitu saja dibandingkan satu
sama lain. Untuk solusi tersebut, yang disebut solusi optimal
Pareto atau solusi non didominasi, ada perbaikan mungkin dalam
setiap fungsi tujuan tanpa mengorbankan setidaknya salah satu
fungsi obyektif lainnya.
Jadi dengan menggunakan konsep optimalitas Pareto kita dapat
menemukan satu set solusi yang semuanya kompromi optimal
antara tujuan yang saling bertentangan. Optimalitas Pareto adalah
konsep yang digunakan ekonomi, teori permainan, dll Pareto solusi
optimal adalah salah satu yang tidak didominasi oleh solusi lain
yakni adalah satu di mana tidak ada tujuan dapat ditingkatkan
tanpa penurunan satu atau lebih dari tujuan lainnya.
34. Advanced Operators and Techniques in
Genetic Algorithm 343/24/2014
4.9 Combinatorial Optimizations (Optimasi Kombinatorial)
Optimasi kombinatorial berisi tubuh besar masalah dengan fitur
yang berbeda dan sifat. Meskipun masalah ini cukup berbeda satu
sama lain, masalah dapat dicirikan sebagai salah satu jenis
berikut:
Untuk menentukan permutasi dari beberapa item yang terkait
dengan masalah tersebut.
Untuk menentukan kombinasi dari beberapa item.
Untuk menentukan baik permutasi dan kombinasi dari beberapa
item.
Salah satu dari subjek di atas kendala.
35. 3/24/2014
Advanced Operators and Techniques in
Genetic Algorithm 35
4.10 Knowledge Based Techniques
GA menggunakan crossover dan mutasi operator tradisional,
beberapa telah menganjurkan merancang operator baru untuk setiap
tugas, menggunakan pengetahuan domain. Hal ini membuat masing-
masing GA lebih tugas tertentu (kurang kuat), tetapi dapat
meningkatkan kinerja secara signifikan. Dimana GA yang sedang
dirancang untuk mengatasi masalah dunia nyata, dan harus bersaing
dengan pencari dan optimasi teknik lain, penggabungan
pengetahuan domain sering masuk akal. Beberapa peneliti
berpendapat bahwa pengetahuan khusus masalah berguna dapat
dimasukkan ke dalam operasi crossover. Pengetahuan domain dapat
digunakan untuk mencegah kromosom jelas tidak layak, atau
mereka, yang akan melanggar kendala masalah, dari yang diproduksi
di tempat pertama. Hal ini untuk menghindari membuang-buang
waktu mengevaluasi orang tersebut, dan menghindari
memperkenalkan berkinerja buruk dalam populasi.
36. 3/24/2014
Advanced Operators and Techniques in
Genetic Algorithm 36
Thank you
for the nine STL friend for
your cooperation……!!!!!!
and Compact Always