69
BAB 5 Topik Lanjut pada Algoritma Genetika
5.1. Pengantar
Meskipun GAs dianggap powerful untuk menyelesaikan berbagai permasalahan rumit, implementasi GAs sederhana seringkali tidak cukup efektif untuk menyelesaikan
permasalahan kompleks dengan area pencarian yang sangat luas. Representasi chromosome dan operator genetika yang tepat, kombinasi hybrid dengan metode lain,
dan strategi yang efisien untuk menghindari konvergensi dini diperlukan untuk memperkuat kemampuan GAs Lozano Herrera 2003; Rothlauf 2006. Bab ini
membahas bagaimana strategi-strategi ini diterapkan.
5.2. Hybrid Genetic Algorithms HGAs
Algoritma genetika murni memberikan hasil kurang optimum pada ruang pencarian yang kompleks. Penggabungan hybridisation dengan teknik lain dapat meningkatkan
akurasi dan efisiensi pencarian solusi optimum Mahmudy, Marian Luong 2014. Hibridisasi GAs dengan teknik pencarian lokal local search LS menghasilkan memetic
algorithms MAs. Teknik LS sederhana yang bisa dipakai misalnya algoritma hill- climbing yang sukses digunakan pada optimasi fungsi tanpa kendala Mahmudy 2008b.
Kekuatan utama MAs adalah keseimbangan antara kemampuan eksplorasi GAs dalam pencarian pada area global dan kemampuan eksplotasi LS dalam area local Lozano et al.
2004. Dalam implementasinya, LS diterapkan pada setiap individu baru dengan menggerakkannya menuju optimum lokal sebelum dimasukkan ke dalam populasi.
Dengan mengacu struktur GAs murni pada Sub-Bab 2.2 maka struktur MAs bisa disusun dengan menambahkan perbaikan lokal sebagai berikut:
70
procedure AlgoritmaGenetika begin
t = 0 inisialisasi Pt
while bukan kondisi berhenti do reproduksi Ct dari Pt
evaluasi Pt dan Ct perbaiki Ct
seleksi Pt+1 dari Pt dan Ct t = t + 1
end while end
Mekanisme perbaikan offspring tersibut diilustrasikan pada Gambar 5.1. Anak yang baru terbentuk protochild akan didorong menuju optimum lokal.
Gambar 5.1. MAs dan optimasi lokal Gen Cheng 2000
Karena GAs bisa dihibridisasi dengan algoritma meta-heuristik yang lain tidak selalu LS maka dalam pembahasan selanjutnya disebut hybrid GAs HGAs. Salah satu
penerapannya misalnya hibridisasi real-coded GAs RCGA dengan variable neighbourhoods search VNS untuk penyelesaian permasalahan part type selection dan
machine loading pada flexible manufacturing system FMS Mahmudy, Marian Luong 2013c. Penyelesaian kedua permasalahan tersebut secara terintegrasi dikenal sangat
sulit sehingga GAs dihibridisasi dengan algoritma lainnya seperti particle swarm optimization Biswas Mahapatra 2008 dan simulated annealing Yogeswaran,
Ponnambalam Tiwari 2009
71
5.3. Parallel Genetic Algorithms PGAs
Pada ruang pencarian yang luas dan kompleks, GAs sering terjebak dalam daerah optimum lokal. Hal ini terjadi karena kurangnya keragaman individu dalam populasi. Hal
ini bisa diatasi dengan meletakkan individu-individu dalam beberapa sub-populasi. Pada tiap sub-populasi diterapkan operator genetika crossover, mutasi, dan seleksi yang
berbeda. Operator migrasi digunakan untuk memindahkan satu atau beberapa individu dari satu sub-populasi ke dalam sub-populasi lain. Pendekatan ini menghasilkan metode
yang disebut algoritma genetika terdistribusi distributed genetic algorithms, DGAs. DGAs terbukti efektif menjaga keragaman populasi dan meningkatkan kualitas hasil
pencarian Mahmudy 2009. Individu-individu yang ada juga bisa diletakkan pada beberapa sub-populasi yang
diproses pada beberapa komputer secara paralel. Hal ini untuk mengurangi waktu komputasi pada masalah yang sangat kompleks Defersha Chen 2010; Qi, Burns
Harrison 2000. Karena itu DGAs sering juga disebut parallel genetic algorithms PGAs. Mekanisme migrasi sederhana dideskripsikan pada Gambar 5.2 yang menunjukkan ada
empat sub-populasi. Pada setiap g generasi, satu invidu terbaik dipindahkan ke sub- populasi yang lain.
Gambar 5.2. Mekanisme migrasi
n individu 1 individu
n individu
n individu n individu
Kategori