Mahmudy, WF 2013, Algoritma Evolusi, Program Teknologi Informasi dan Ilmu Komputer, Universitas Brawijaya, Malang.
65 cut point
Parent 1 2
1 5
4 3
Parent 2 3
5 1
4 2
Child
4. Tentukan chromosome child untuk insertion mutation pada representasi permutasi berikut
IP
SP
Parent
1 4
2 5
3 Child
5. Tentukan chromosome child untuk reciprocal exchange mutation pada representasi
permutasi berikut
XP1
XP2
Parent
1 4
2 5
3 Child
6. Untuk dua individu pada permasalahan transportasi berikut tentukan offspring yang terbentuk dari proses crossover
[ ]
[ ]
7. Untuk individu pada permasalahan transportasi berikut tentukan offspring yang terbentuk dari proses mutasi dengan menggunakan titik sudut yang diberi warna
kuning [
] 8. Konversikan representasi permutasi P=[ 2 1 5 12 7 9 4 10 8 3 6 11 ] untuk menjadi
solusi permasalah transportasi
66 9. Hitung makespan untuk solusi FJSP dari representasi real P=[ 57 142 78 152 121 241
17 79 213 7 ] pada kasus di Sub-Bab 4.7 10. Hitung makespan untuk solusi FJSP dari representasi real P=[ 129 114 147 186 220
58 159 11 31 235 ] pada kasus di Sub-Bab 4.7
Mahmudy, WF 2013, Algoritma Evolusi, Program Teknologi Informasi dan Ilmu Komputer, Universitas Brawijaya, Malang.
67
BAB 5 Topik Lanjut pada Algoritma Genetika
5.1. Pengantar
Meskipun GAs dianggap powerful untuk menyelesaikan berbagai permasalahan rumit, implementasi GAs sederhana seringkali tidak cukup efektif untuk menyelesaikan
permasalahan kompleks dengan area pencarian yang sangat luas. Representasi chromosome dan operator genetika yang tepat, kombinasi hybrid dengan metode lain,
dan strategi yang efisien untuk menghindari konvergensi dini diperlukan untuk memperkuat kemampuan GAs Lozano Herrera 2003; Rothlauf 2006. Bab ini
membahas bagaimana strategi-strategi ini diterapkan.
5.2. Hybrid Genetic Algorithms HGAs
Algoritma genetika murni memberikan hasil kurang optimum pada ruang pencarian yang kompleks. Penggabungan hybridisation dengan teknik lain dapat meningkatkan
akurasi dan efisiensi pencarian solusi optimum Mahmudy, Marian Luong 2014. Hibridisasi GAs dengan teknik pencarian lokal local search LS menghasilkan memetic
algorithms MAs. Teknik LS sederhana yang bisa dipakai misalnya algoritma hill- climbing yang sukses digunakan pada optimasi fungsi tanpa kendala Mahmudy 2008b.
Kekuatan utama MAs adalah keseimbangan antara kemampuan eksplorasi GAs dalam pencarian pada area global dan kemampuan eksplotasi LS dalam area local Lozano et al.
2004. Dalam implementasinya, LS diterapkan pada setiap individu baru dengan menggerakkannya menuju optimum lokal sebelum dimasukkan ke dalam populasi.
Dengan mengacu struktur GAs murni pada Sub-Bab 2.2 maka struktur MAs bisa disusun dengan menambahkan perbaikan lokal sebagai berikut:
68
procedure AlgoritmaGenetika begin
t = 0 inisialisasi Pt
while bukan kondisi berhenti do reproduksi Ct dari Pt
evaluasi Pt dan Ct perbaiki Ct
seleksi Pt+1 dari Pt dan Ct t = t + 1
end while end
Mekanisme perbaikan offspring tersibut diilustrasikan pada Gambar 5.1. Anak yang baru terbentuk protochild akan didorong menuju optimum lokal.
Gambar 5.1. MAs dan optimasi lokal Gen Cheng 2000
Karena GAs bisa dihibridisasi dengan algoritma meta-heuristik yang lain tidak selalu LS maka dalam pembahasan selanjutnya disebut hybrid GAs HGAs. Salah satu
penerapannya misalnya hibridisasi real-coded GAs RCGA dengan variable neighbourhoods search VNS untuk penyelesaian permasalahan part type selection dan
machine loading pada flexible manufacturing system FMS Mahmudy, Marian Luong 2013b. Penyelesaian kedua permasalahan tersebut secara terintegrasi dikenal sangat
sulit sehingga GAs dihibridisasi dengan algoritma lainnya seperti particle swarm optimization Biswas Mahapatra 2008 dan simulated annealing Yogeswaran,
Ponnambalam Tiwari 2009