Diskusi: Penanganan Konvergensi Dini

40 3 32,5606 22,8637 450 37,0112 34,4334 4 32,5606 24,3919 500 37,0112 33,2982 5 32,5606 25,4174 550 37,0112 31,9309 6 32,5606 26,5430 600 37,0112 25,1292 7 32,5606 27,7997 650 37,0112 30,1114 8 32,5606 26,9720 700 37,0112 32,1155 9 32,5606 27,3259 750 37,0112 35,1785 50 33,0101 31,9865 800 37,0112 29,8486 100 36,7112 33,7484 850 37,0112 35,1296 150 36,7112 27,7559 900 37,0113 35,1574 200 36,7112 30,5534 950 37,0113 35,4518 250 36,7112 31,7417 1000 37,0113 32,4105 Gambar 3.5. Solusi RCGA pada tiap generasi menggunakan random injection satu individu Metode ini random injection terbukti menghasilkan individu-individu yang lebih bervariasi dan juga nilai fungsi fitness yang lebih besar. Cara lain yang bisa diterapkan adalah dengan melakukan pengujian konvergensi populasi yang diterapkan secara periodik sepanjang generasi. Jika nilai keragaman populasi dibawah nilai threshold maka mutasi akan dilakukan terhadap sebagaian chromosome. Gambar 3.6 menunjukkan perhitungan kemiripan dari dua kromosom 5 10 15 20 25 30 35 40 2 4 6 8 50 150 250 350 450 550 650 750 850 950 Generasi y = fx 1 ,x 2 Terbaik Rata-rata Mahmudy, WF 2013, Algoritma Evolusi, Program Teknologi Informasi dan Ilmu Komputer, Universitas Brawijaya, Malang. 41 dengan reprentasi biner atau bilangan bulat integer. Setiap gen kromosom dibandingkan dan rasio kemiripan simmilarity ratio dinyatakan dalam persentase. PROCEDURE Simmilarity Input: chromosome1, chromosome2 Output: simmilarity_ratio length ← LengthOf chromosomes1 sim ← 0 FOR i=1 TO length DO IF chromosome1[i]= chromosome2[i] THEN sim ← sim + 1 END IF NEXT i simmilarity_ratio ← simlength 100 RETURN simmilarity_ratio END PROCEDURE Gambar 3.6. Pseudo-code perhitungan rasio kemiripan dua kromosom Gambar 3.7 menunjukkan perhitungan nilai keragaman diversity dari populasi pop. Setiap kromosom dalam populasi dibandingkan dan dihitung rasio kemiripannya. Nilai keragaman didapatkan dengan mengurangi 1 dengan rata-rata rasio kemiripan. PROCEDURE PopulationSimmilarity Input: pop, pop_size Ouput: diversity total ← 0 n ← 0 FOR i=1 TO popSize-1 DO FOR j=i+1 TO popSize DO total ← total + Simmilarity pop[i], pop[j] n ← n + 1 NEXT j NEXT i diversity ← 1-totaln END PROCEDURE Gambar 3.7. Pseudo-code perhitungan nilai keragaman populasi Beberapa metode yang lebih kompleks untuk penanganan konvergensi dini akan dibahas dalam bab berikutnya.

3.8. Rangkuman

Pada bab ini telah dibahas struktur GAs menggunakan pengkodean chromosome bilangan pecahan real-coded chromosome. Metode reproduksi yang dibahas adalah 42 extended intermediate crossover dan random mutation. Dibahas juga metode one-cut- point crossover yang digunakan pada pengkodean chromosome biner bisa dengan mudah diterapkan pada pengkodean real. Metode seleksi yang dibahas adalah binary tournament selection. Metode seleksi lain yang sering digunakan dalam penelitian, elitism selection dan replacement selection, juga dibahas beserta contoh penerapannya. Untuk semua metode seleksi yang dibahas diberikan juga pseudo-code-nya. Bab ini ditutup dengan diskusi penentuan parameter GAs yang tepat, mekanisme sampling yang digunakan pada proses seleksi, penyesuaian adjustment probabilitas seleksi, dan penggunaan random injection untuk menangani konvergensi dini.

3.9. Latihan

Untuk memperjelas pemahaman anda, kerjakanlah latihan berikut sebisa mungkin tanpa melihat materi pada buku 1. Sebutkan kelemahan algoritma genetika dengan pengkodean biner jika digunakan pada optimasi fungsi 2. Misalkan yang terpilih sebagai induk adalah P 1 =2,3, 5,2 dan P 2 =4,8, 3,1. Jika a=[0,1, 0,2] tentukan dua offspring C 1 dan C 2 yang terbentuk dari extended intermediate crossover 3. Misalkan yang terpilih sebagai induk adalah P=2,3, 5,2 dan nilai x 2 berada pada range [1,0, 10,0]. Jika r=0,01 dan gen yang terpilih nomer 2, tentukan offspring C yang terbentuk dari random mutation 4. Misalkan terdapat himpunan individu dalam populasi dengan popSize=5 sebagai berikut: individu fitness P 1 9 P 2 10 P 3 2 P 4 9 P 5 6