Parallel Genetic Algorithms PGAs

70

5.4. Nilai Parameter Adaptif

Kinerja GAs ditentukan oleh kemampuannya dalam menjelajahi explore dan mengeksploitasi exploit ruang pencarian search space. Eksplorasi merujuk pada kemampuan untuk menginvestigasi area baru pada ruang pencarian. Eksploitasi merujuk pada kemampuan untuk meningkatkan kualitas solusi pada area tetangga neighbourhoods dari solusi yang didapatkan melalui eksplorasi Lozano Herrera 2003. Dari sini bisa disimpulkan bahwa keseimbangan kemampuan eksplorasi dan eksploitasi sangat penting untuk mendapatkan solusi yang baik optimum atau mendekati optimum. Keseimbangan kemampuan eksplorasi dan eksploitasi bisa didapatkan melalui penentuan crossover rate dan mutation rate yang tepat Lozano Herrera 2003. Jika menggunakan nilai crossover rate yang terlalu rendah maka GAs akan sangat tergantung pada proses mutasi. Walaupun mutation rate yang tinggi memungkinkan GAs mempunyai level eksplorasi dan diversitas populasi yang tinggi, crossover rate yang re dah e uat ya tidak isa se ara efektif elajar dari ge erasi se elu ya. Hal i i menyebabkan ruang pencarian tidak bisa diekploitasi secara efektif Mahmudy 2013. Hal sebaliknya terjadi jika crossover rate yang tinggi dan mutation rate yang rendah digunakan. GAs akan mengalami penurunan kemampuan untuk menjaga diversitas pupolasi. Crossover rate yang tinggi akan menghasilkan offspring yang mempunyai kemiripan yang tinggi dengan induknya. Hal ini menyebabkan GAs mengalami konvergensi dini hanya dalam beberapa generasi dan kehilangan kesempatan untuk mengeksplorasi area lain dalam ruang pencarian Mahmudy 2013. Penentuan kombinasi terbaik crossover rate dan mutation rate merupakan pekerjaan sulit dan memerlukan beberapa percobaan pendahuluan Mahmudy, Marian Luong 2013d. Untuk permasalahan yang berbeda dibutuhkan nilai yang berbeda pula. Karena itu beberapa penelitian menerapkan mekanisme perubahan crossover rate dan mutation rate secara adaptif sepanjang generasi Im Lee 2008; Liqun et al. 2010; Mahmudy Rahman 2011. Serangkaian percobaan menunjukkan bahwa penggunaan 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].