Ide Dasar Cross Entropy

mencari nilai x mana yang memberikan f terkecil. Sejumlah nilai x terbaik ini gunakan untuk memperbaharui parameter ν. 4. Memperbaharui γt secara adaptif. Untuk ν yang sudah diperbaharui, gunakan untuk membangkitkan nilai x yang baru. Kemudian masukkan ke dalam γt dan νt−1 yang telah ditetapkan. Algoritma utama CE untuk optimasi adalah sebagai berikut: 1. Tentukan parameter awal ν = u, α,dan ρ.Tetapkan iterasi it =1. 2. Bangkitkan sampel random X1, XN dari fungsi probabilitas distribusi tertentu f−; u dan pilih sampel 1−ρ quantile dari performansi setelah diurutkan. 3. Gunakan sampel yang sama untuk memperbarui nilai parameter. 4. Aplikasikan persamaan untuk memuluskan vektor ν = u.Kembali ke langkah 2 dengan nilai parameter yang baru, tetapkan it = it +1. 5. Jika stopping criteria sudah dipenuhi, berhenti. Perlu dicatat bahwa stopping criteria, vektor solusi awal, ukuran sampel N dan nilai ρ harus dinyatakan secara spesifik dari awal iterasi. Parameter ν diperbaharui hanya berdasarkan sejumlah 1 − ρ sampel terbaik. Sampel yang digunakan untuk memperbaharui parameter ini dinamakan sampel elit.

3.4.1. Ide Dasar

Cross Entropy Konsep Cross Entropy dikembangkan untuk mengukur distribusi referensi ideal dan pendistribusian yang sebenarnya. Metode ini umumnya memiliki dua langkah dasar, menghasilkan sampel dengan mekanisme parameter dan pembaharuan secara spesifik berdasarkan sampel elit. Konsep ini kemudian Universitas Sumatera Utara diusulkan oleh Reuven Rubinstein dengan menggabungkan konsep Kullback- Leibler dan teknik simulasi Monte Carlo. Cross Entropy CE telah diterapkan di berbagai macam masalah. Salah satunya untuk memecahkan masalah optimasi. Aplikasi CE telah diadopsi secara luas dalam kasus kombinasi yang sulit seperti masalah maksimisasi, Traveling Salesman Problem TSP, masalah penugasan kuadrat dan berbagai macam masalah penjadwalan dan Buffer Allocation Problem BAP. Untuk memecahkan masalah optimasi, cross entropy dilibatkan dalam dua fase berulang berikut: 1. Generasi sampel data acak lintasan dan vektor sesuai dengan mekanisme acak probabilitas dengan fungsi kepadatan. 2. Memperbarui parameter dari mekanisme random, biasanya parameter atas dasar data untuk menghasilkan sampel yang lebih baik pada iterasi berikutnya. Misalkan ingin meminimalkan beberapa fungsi biaya Sz atas semua z di beberapa set Z. Maka minimum oleh γ akan ditunjukkan sebagai berikut: γ = min Sz xeZ Masalah deterministik tersebut diacak dengan mendefinisikan {f;v,v  V} dan persamaan masalah estimasi di atas untuk skalar γ dapat diberikan: P u SZ≤ γ = Eu [I sz≤ γ ] yang disebut masalah stokastik. Di sini, Z adalah vektor acak dengan ;.u, untuk beberapa u  V misalnya Z menjadi vektor acak Bernoulli. Untuk memperkirakan, metode CE menghasilkan urutan tuples  γv, yang bertemu dengan probabilitas tinggi untuk tuple Universitas Sumatera Utara optimal  γv, di mana γ adalah solusi dari permasalahan, dan v yang menekankan nilai-nilai di Z dengan solusi optimal. Fraksi sampel ditunjukkan oleh ρ yang digunakan untuk mencari batasan γ. Proses didasarkan pada sampel data stochastic. Jumlah sampel dalam setiap tahap stochastic dilambangkan dengan N, yang merupakan parameter yang telah ditetapkan.

3.4.2. Cross Entropy Sebagai Kombinasi Optimisasi