Mahmudy, WF 2013, Algoritma Evolusi, Program Teknologi Informasi dan Ilmu Komputer, Universitas Brawijaya, Malang.
71 tingkat reproduksi adaptif mempercepat pergerakan GA ke daerah feasible yang
sekaligus mempercepat pencapaian solusi Mahmudy Rahman 2011. Mahmudy and Rahman 2011 menerapkan pengaturan mutation rate secara adaptif
sepanjang generasi. Pada setiap generasi dihitung rata-rata nilai fitness seluruh individu dalam populasi fAvg. Jika ada peningkatan rata-rata nilai fitness yang signifikan
dibanding generasi sebelumnya fAvgfAvgOld maka nilai mutation rate diturunkan. Hal ini memungkinkan GAs untuk lebih fokus mengeksploitasi ruang pencarian lokal. Jika
terjadi hal yang sebaliknya tidak ada peningkatan signifikan maka nilai mutation rate dinaikkan. Hal ini memungkinkan GA untuk lebih memperluas pencarian eksplorasi
dengan melompati daerah optimum lokal. Pseudo-code dari mekanisme ini disajikan pada Gambar 5.3.
PROCEDURE UpdateMutationRate Input
: fAvg:
rata-rata nilai fitness pada generasi sekarang t fAvgOld: rata-rata nilai fitness pada generasi sebelumnya t-
1 threshold: nilai perbedaan yang menyatakan bahwa ada peningkatan
yang signifikan mutRate: nilai mutation yang belum berubah
Output :
mutRate: nilai mutation yang telah berubah if fAvg- fAvgOldthreshold then
mutRate ← mutRate 0.95
else mutRate
← mutRate 1.1; endif
if mutRatemutRateMax then mutRate
← mutRateMax else if mutRatemutRateMin then
mutRate ← mutRateMin
endif
END PROCEDURE
Gambar 5.3. Mekanisme pengubahan mutation rate secara adaptif
Pada pseudo-code di atas ditambahkan satu mekanisme untuk menjaga nilai mutation rate dalam range [mutRateMin, mutRateMax].
72
5.5. Rangkuman
Pada bab ini telah dibahas tiga teknik lanjut yang bisa diterapkan untuk memperkuat kemampuan algoritma genetika klasik, yaitu: Parallel Genetic Algorithms PGAs,
pengaturan nilai parameter algoritma genetika secara adaptif, dan Hybrid Genetic Algorithms HGAs.
5.6. Latihan
1. Apa tujuan dari penerapan algoritma genetika terdistribusi? 2. Jelaskan mekanisme kerja dari algoritma genetika terdistribusi
3. Apa tujuan dari pengembangan Hybrid Genetic Algorithms HGAs? 4. Apa tujuan dari penerapan nilai parameter adaptif?
Mahmudy, WF 2013, Algoritma Evolusi, Program Teknologi Informasi dan Ilmu Komputer, Universitas Brawijaya, Malang.
73
BAB 6 Evolution Strategies ES
6.1. Pengantar
Teknik optimasi evolution strategies ES dicetuskan sejak awal tahun 1960-an dan kemudian dikembangkan lebih lanjut pada tahun 1970-an oleh Ingo Rechenberg, Hans-
Paul Schwefel, dan rekan-rekannya di Technical University of Berlin TUB Beyer Schwefel 2002. Seperti halnya GAs, ES telah diaplikasikan dalam berbagai bidang,
misalnya penjadwalan pemrosesan sinyal digital pada system multiprocessor Greenwood, G W, Gupta McSweeney 1994, pemrosesan citra dan computer vision
Louchet 2000, optimasi pelepasan airbag secara otomatis pada mobil Ostertag, Nock Kiencke 1995, dan penjadwalan tugas pada real-time distributed computing systems
Greenwood, G.
W., Lang
Hurley 1995.
ES juga
cukup efektif
dikombinasikandihibridisasi dengan algoritma lain seperti particle swarm optimization untuk penjadwalan staff Nissen Günther 2009.
Ciri utama evolution strategies ES adalah penggunaan vektor bilangan pecahan real- vector sebagai representasi solusi. Berbeda dengan GAs yang menggunakan crossover
sebagai operator reproduksi utama dan mutasi sebagai operator penunjang, ES lebih bertumpu pada operator mutasi. Mekanisme self-adaptation digunakan untuk
mengontrol perubahan nilai parameter pencarian. GAs dan ES bisa digunakan untuk menyelesaikan permasalahan yang sama. Tetapi mana yang terbaik di antara kedua
metode tersebut sangat tergantung pada permasalahan yang dihadapi.
6.2. Struktur Dasar Evolution Strategies
Beberapa notasi digunakan oleh ES. µ miu menyatakan ukuran populasi sama seperti popSize pada GAs.
lambda menyatakan banyaknya offspring yang dihasilkan pada
