3. Struktur Umum Algoritma Genetika
Bila Pt dan Ct adalah induk dan keturunan pada generasi t, struktur umum algoritma genetika adalah sebagai berikut:
prosedur algoritma genetika : begin
t ← 0;
inisialisasi Pt; evaluasi Pt;
whilekondisi terminasi tidak terpenuhi do rekombinasi Pt untuk menghasilkan anak
Ct; evaluasi Ct;
seleksi Pt+1 dari Pt dan Ct; t
← t+1; end
end
Struktur umum algoritma genetika Mitsuo Gen dan Runwei
Cheng, 1997 dapat pula dideskripsikan seperti pada gambar 2.1 berikut. PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
Ilustrasi Algoritma Genetika
mutation
0011011001
0011001001
crossover
1100101010 1011101110
1100101110 1011101010
solutions evaluation
1100101110 1011101010
0011001001 offspring
fitness computation
decoding 1100101010
1011101110 0011011001
1100110001 chromosomes
selection solutions
encoding
new population
Gambar 2.1. Ilustrasi Algoritma Genetika
Keterangan gambar Dalam menyelesaikan masalah, algoritma genetika diawali dengan
menginisialisasikan himpunan solusi yang dibangkitkan secara acak. Himpunan solusi ini disebut populasi. Setiap individu pada populasi disebut kromosom yang
menggambarkan sebuah solusi dari masalah yang akan diselesaikan. Sebuah kromosom dapat dinyatakan dalam simbol string misalnya kumpulan string bit.
Kromosom-kromosom dapat berubah terus menerus disebut dengan regenerasi. Pada setiap generasi, kromosom dievaluasi dengan mengunakan alat ukur yang
disebut fungsi fitnes tingkat kesesuaian. Untuk membuat generasi berikutnya, kromosom-kromosom baru yang disebut offspring keturunan terbentuk dengan
cara menggabung dua kromosom dari generasi sekarang dengan menggunakan operator crossover persilangan atau mengubah sebuah kromosom dengan
menggunakan operator mutasi. Generasi baru dibentuk dengan cara seleksi yang dilakukan terhadap parents dan offspring berdasarkan nilai fitnesnya dan
menghilangkan yang lainnya. Kromosom-kromosom yang lebih sesuai memiliki probabilitas untuk dipilih. Setelah beberapa generasi, algoritma ini akan
konvergen ke arah bentuk kromosom yang terbaik, dengan harapan dapat menyatakan solusi optimal dari permasalahan yang diselesaikan.
4. Operator dan Fungsi Evaluasi
Biasanya, inisialisasi diasumsikan secara random. Rekombinasi melibatkan crossover dan mutasi untuk menghasilkan keturunan
offspring. Pada kenyataannya, hanya ada dua jenis operasi dalam algoritma genetika, yaitu operasi genetik crossover persilangan dan
mutasi dan operasi evolusi seleksi. Pada teori evolusi, mutasi ini merupakan operator kromosom yang memungkinkan makhluk hidup
melakukan penyesuaian dengan lingkungannya walaupun lingkungan barunya tidak sesuai dengan lingkungan induknya semula.
Faktor terbesar dalam teori evolusi yang menyebabkan suatu kromosom bertahan, punah, melakukan persilangan atau mutasi adalah
lingkungan. Pada algoritma genetika, faktor lingkungan diperankan oleh fungsi evaluasi. Fungsi evaluasi menggunakan kromosom sebagai
masukan dan menghasilkan angka tertentu yang menunjukkan kinerja pada masalah yang diselesaikan. Pada masalah optimasi, fungsi evaluasi
adalah fungsi tujuan objective function. Nilai fungsi evaluasi disebut nilai kesesuaian fitness value. Nilai inilah yang akan menentukan
apakan suatu string akan muncul pada generasi berikutnya atau mati. PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
Kategori