Prinsip Kerja Algoritma Evolusi

6

1.5. Latihan

Untuk memperjelas pemahaman anda, kerjakanlah latihan berikut sebisa mungkin tanpa melihat materi pada buku 1. Pada jenis permasalahan apa algoritma heuristik seharusnya diterapkan? 2. Jelaskan apa yang dimaksud dengan individu dalam algoritma evolusi 3. Apa yang dimaksud dengan fungsi fitness? 4. Apa yang dimaksud dengan pernyataan bahwa algoritma evolusi bersifat stochastic? 7

BAB 2 Dasar-Dasar Algoritma Genetika

2.1. Pengantar

Algoritma genetika Genetic Algorithms, GAs merupakan tipe EA yang paling popular. Algoritma genetika berkembang seiring dengan perkembangan teknologi informasi yang sangat pesat. Karena kemampuannya untuk menyelesaikan berbagai masalah kompleks, algoritma ini banyak digunakan dalam bidang fisika, biologi, ekonomi, sosiologi dan lain- lain yang sering menghadapi masalah optimasi yang model matematikanya kompleks atau bahkan sulit dibangun. Dalam bidang industri manufaktur, GAs digunakan untuk perencanaan dan penjadwalan produksi Mahmudy, Marian Luong 2012a, 2013a. GA juga bisa diterapkan untuk kompresi citra Ciptayani, Mahmudy Widodo 2009, optimasi penugasan mengajar bagi dosen Mahmudy 2006, penjadwalan dan alokasi ruang ujian Mawaddah Mahmudy 2006, optimasi penjadwalan kuliah Liliana Mahmudy 2006, optimasi multi travelling salesman problem M-TSP Mahmudy 2008a, distribusi produk Sulistiyorini Mahmudy 2015, prediksi harga saham Rahmi, Mahmudy Setiawan 2015, optimasi lahan pertanian Saputro, Mahmudy Dewi 2015, optimasi laba produksi Samaher Mahmudy 2015, penentuan komposisi pakan ternak Kusuma, Mahmudy Indriati 2015, optimasi persediaan barang Ramuna Mahmudy 2015, pembentukan model regresi Permatasari Mahmudy 2015, pembentukan fungsi keanggotaan fuzzy Azizah, Cholissodin Mahmudy 2015, dan penyusunan rute dan jadwal kunjungan wisata yang efisien Widodo Mahmudy 2010. Algoritma genetika diilhami oleh ilmu genetika, karena itu istilah yang digunakan dalam algoritma genetika banyak diadopsi dari ilmu tersebut. Apabila dibandingkan dengan prosedur pencarian dan optimasi biasa, algoritma genetika berbeda dalam beberapa hal sebagai berikut Michalewicz 1996: