26 6. Misalkan P adalah parent untuk proses mutasi. Tentukan offspring yang terbentuk
jika dilakukan mutasi pada titik ke-5.
P [ 0 0 1 1 0 0 1 ]
7. Untuk masalah maksimasi mencari nilai maksimum dari sebuah fungsi sebagai berikut
Lengkapi tabel berikut:
chromosome x
y=fx fitness
P
1
[ 0 0 0 1 ]
P
2
[ 1 1 0 0 ]
P
3
[ 1 0 1 1 ]
P
4
[ 1 1 1 1 ]
8. Untuk fungsi uji 2.2 maksimasi fungsi dengan presisi tertentu, lengkapi tabel berikut:
chromosome x
1
x
2
fx
1
,x
2
P
1
[10101101000110011100011010001011101] P
2
[00011100000100010101010110001011101] P
3
[00110000011000001010010111111111010] P
4
[10101101000110011100011010001011101]
9. Pada table berikut P menunjukkan parent dan C menunjukkan offspring. Untuk seleksi roulette wheel, lengkapi kolom untuk probabilitas dan probabilitas kumulatif
fitness prob
probCum P
1
25,2705 P
2
21,0716 P
3
26,3991 P
4
28,7747 C
1
12,7376 C
2
23,3457
10. Untuk soal no. 9, tentukan empat individu yang terpilih jika diberikan angka random 0,5342, 0,2189, 0,1987, dan 0,8652
11. Untuk fungsi uji 2.2, jika variabel x
1
dan x
2
kita tentukan mempunyai ketelitian 5 angka di belakang titik desimal, hitung kebutuhan bit untuk kedua variabel tersebut
Mahmudy, WF 2013, Algoritma Evolusi, Program Teknologi Informasi dan Ilmu Komputer, Universitas Brawijaya, Malang.
27
BAB 3 Algoritma Genetika dengan Pengkodean Real Real-Coded
GARCGA
Kelemahan algoritma genetika dengan pengkodean biner jika digunakan pada optimasi fungsi adalah tidak bisa menjangkau beberapa titik solusi jika range solusi berada dalam
daerah kontiyu. Selain itu, pada optimasi fungsi yang kompleks dan membutuhkan banyak generasi, operasi transformasi biner ke bilangan desimal real dan sebaliknya
sangat menyita waktu. Pengkodean real real-coded genetic algorithms, RCGA bisa menyelesaikan masalah ini Herrera, Lozano Verdegay 1998. Dengan fungsi yang
sama pada Sub-Bab 2.4 akan diberikan contoh bagaimana RCGA bekerja.
3.1. Siklus RCGA
Sub-bab ini membahas secara detail siklus RCGA.
3.1.1. Representasi Chromosome
Dalam kasus ini variabel keputusan x
1
dan x
2
langsung menjadi gen string chromosome, sehingga panjang string chromosome adalah 2.
3.1.2. Inisialisasi
Populasi inisial dibangkitkan secara random. Misalkan ditentukan popSize=10 maka akan dihasilkan populasi sebagai berikut:
chromosome x
1
x
2
fx
1
,x
2
P
1
1,4898 2,0944
19,8206 P
2
8,4917 2,5754
34,7058 P
3
1,4054 6,3035
20,6707 P
4
5,8114 5,0779
14,5624 P
5
-1,8461 1,7097
11,5858 P
6
4,0206 4,4355
24,7106 P
7
-0,1634 2,974
19,653
28 P
8
5,2742 0,7183
22,1813 P
9
9,4374 6,6919
12,4694 P
10
-4,5575 0,1679
28,4324
3.1.3. Reproduksi
Crossover dilakukan dengan memilih dua induk parent secara acak dari populasi.
Metode crossover yang digunakan adalah extended intermediate crossover Muhlenbein Schlierkamp-Voosen 1993 yang menghasilkan offspring dari kombinasi nilai dua
induk. Misalkan P
1
dan P
2
adalah dua kromosom yang telah diseleksi untuk melakukan crossover, maka offspring C
1
dan C
2
bisa dibangkitkan sebagai berikut: C
1
= P
1
+ a P
2
– P
1
C
2
= P
2
+ a P
1
– P
2
a dipilih secara acak pada interval [-0,25, 1,25]. Misalkan yang terpilih sebagai induk adalah P
4
dan P
9
, a=[0,1104, 1,2336] maka akan dihasilkan dua offspring C
1
dan C
2
sebagai berikut: C
1
: x
1
= 5,8114 + 0,1104 9,4374-5,8114 = 6,2118 x
2
= 5,0779 + 1,2336 6,6919-5,0779 = 7,0690 C
2
: x
1
= 9,4374 + 0,1104 5,8114-9,4374 = 9,0370 x
2
= 6,6919 + 1,2336 5,0779-6,6919 = 4,7008 Jika kita tentukan pc=0,4 maka ada 0,4
10=4 offspring yang dihasilkan. Karena setiap crossover menghasilkan dua anak maka ada dua kali operasi crossover. Anggap dua
offspring berikutnya adalah C
3
dan C
4
.
Mutasi dilakukan dengan memilih satu induk secara acak dari populasi. Metode mutasi
yang digunakan adalah random mutation yang dilakukan dengan menambah atau mengurangi nilai gen terpilih dengan bilangan random yang kecil. Misalkan domain