Parallel Genetic Algorithms PGAs
73 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].
74