PROGRAM STUDI TEKNIK INFORMATIKA FAKULTAS ILMU KOMPUTER UNIVERSITAS DEHASEN BENGKULU 2012 DAFTAR ISI - MAKALAH KECERDASAN BUATAN

  

MAKALAH

KECERDASAN BUATAN

DISUSUN OLEH :

  

MERY ARIYANI

NPM: 11010018

PROGRAM STUDI TEKNIK INFORMATIKA

FAKULTAS ILMU KOMPUTER

UNIVERSITAS DEHASEN BENGKULU

  

2012 KATA PENGANTAR

  BAB I PENDAHULU A. Latar Belakang Masalah B. Rumusan Masalah C. Tujuan Penulisan BAB II LANDASAN TEORI A. Konsep Himpunan Fuzzy B. Komputasi Lunak C. Heuristik dan Metaheuristics D. Sebuah Tujuan Komponen Soft Computing E. Hybrid Metaheuristics dalam komputasi lunak BAB III PEMECAHAN MASALAH BAB IV PENUTUP Kesimpulan DAFTAR PUSTAKA

MAKALAH KECERDASAN BUATAN TENTANG SOFT

  

COMPUTING

  Puji syukur kita panjatkan kehadirat Allah SWT yang telah memberikan nikmatnya sehingga makalah ini dapat tersusun. Selawat serta salam tercurahkan selalu kepada junjungan Nabi besar Muhammad SAW, karena beliau yang telah membawa manusia dari zaman kebodohan menuju zaman modern yang penuh dengan ilmu pengetahuan.

  Terima kasih saya ucapkan kepada Bapak Andang Sunarto,S.SI,M.KOM dosen mata kuliah kecerdasan buatan, mudah

• – mudahan ilmu yang Bapak berikan kepada Saya khusunya dan umumnya kepada kami semua bermanfaat.

  Penyusunan makalah ini diajukan sebagai salah satu tugas pada mata kuliah kecerdasan buatan Namun penyusun tetap mengharapkan kritik dan saran yang bersifat konstruktif sehingga bisa menjadi acuan dalam penyusunan makalah ini dapat bermanfaat.

  Penulis

BAB I PENDAHULUAN A. Latar Belakang Masalah Dalam kaitannya dengan soft computing Soft computing berbeda dari

  konvensional (keras) dalam komputasi bahwa, tidak seperti komputasi keras, itu adalah toleran terhadap ketidaktepatan, ketidakpastian, kebenaran parsial, dan pendekatan. Akibatnya, panutan bagi soft computing adalah pikiran manusia. Prinsip dari soft computing adalah: Eksploitasi toleransi untuk ketidaktepatan, ketidakpastian, kebenaran parsial, dan pendekatan untuk mencapai dikendalikan, ketahanan dan solusi biaya rendah. Ide-ide dasar yang mendasari perhitungan lunak dalam inkarnasi saat ini memiliki hubungan dengan pengaruh sebelumnya banyak, di antaranya 1.965 kertas Zadeh pada set fuzzy; kertas 1973 tentang analisis sistem yang kompleks dan proses pengambilan keputusan, dan laporan 1979 (1981 kertas) pada teori kemungkinan dan lunak analisis data. Dimasukkannya komputasi saraf dan genetik dalam komputasi soft computing datang di lain waktu. Pada saat ini, unsur pokok Soft Computing (SC) adalah Fuzzy Logic (FL), Neural Computing (NC), Evolusi Perhitungan (EC) Mesin Belajar (ML) dan Probabilistik Penalaran (PR), dengan jaringan keyakinan yang terakhir subsuming, teori chaos dan bagian dari pembelajaran teori. Yang penting untuk dicatat adalah bahwa soft domainnya. Dalam perspektif ini, metodologi konstituen utama dalam SC adalah saling melengkapi dan bukan kompetitif. Selain itu, soft computing dapat dilihat sebagai komponen dasar untuk bidang muncul dari kecerdasan konseptual.

B. Rumusan Masalah

  Apa Soft Computing?

  Soft computing berbeda dari konvensional (keras) dalam komputasi bahwa, tidak seperti komputasi keras, itu adalah toleran terhadap ketidaktepatan, ketidakpastian, kebenaran parsial, dan pendekatan. Akibatnya, panutan bagi soft computing adalah pikiran manusia. Prinsip dari soft computing adalah: Eksploitasi toleransi untuk ketidaktepatan, ketidakpastian, kebenaran parsial, dan pendekatan untuk mencapai dikendalikan, ketahanan dan solusi biaya rendah. Ide-ide dasar yang mendasari perhitungan lunak dalam inkarnasi saat ini memiliki hubungan dengan pengaruh sebelumnya banyak, di antaranya 1.965 kertas Zadeh pada set fuzzy; kertas 1973 tentang analisis sistem yang kompleks dan proses pengambilan keputusan, dan laporan 1979 (1981 kertas) pada teori kemungkinan dan lunak analisis data.

  Dimasukkannya komputasi saraf dan genetik dalam komputasi soft computing datang dilainwaktu.

  Pada saat ini, unsur pokok Soft Computing (SC) adalah Fuzzy Logic (FL), Neural Computing (NC), Evolusi Perhitungan (EC) Mesin Belajar (ML) dan Probabilistik computing bukan sebuah melange. Sebaliknya, itu adalah kemitraan di mana masing- masing mitra kontribusi metodologi yang berbeda untuk mengatasi masalah dalam domainnya. Dalam perspektif ini, metodologi konstituen utama dalam SC adalah saling melengkapi dan bukan kompetitif. Selain itu, soft computing dapat dilihat sebagai komponen dasar untuk bidang muncul dari kecerdasan konseptual.

  Pentingnya Soft Computing

  Saling melengkapi FL, NC, GC, dan PR memiliki konsekuensi penting: dalam banyak kasus masalah dapat diselesaikan paling efektif dengan menggunakan FL, NC, GC dan PR dalam kombinasi daripada secara eksklusif. Contoh yang mencolok dari kombinasi sangat efektif adalah apa yang kemudian dikenal sebagai "sistem neurofuzzy." Sistem seperti ini menjadi semakin terlihat sebagai produk konsumen mulai dari AC dan mesin cuci mesin fotokopi dan camcorder. Kurang terlihat tapi mungkin bahkan lebih penting adalah sistem neurofuzzy dalam aplikasi industri. Apa yang sangat signifikan adalah bahwa dalam kedua produk konsumen dan sistem industri, kerja dengan teknik soft computing mengarah pada sistem yang memiliki MIQ tinggi (Mesin Intelligence Quotient). Dalam ukuran besar, itu adalah MIQ tinggi SC berbasis sistem yang menyumbang pertumbuhan yang cepat dalam jumlah dan berbagai aplikasi komputasi lembut.

  Struktur konseptual soft computing menunjukkan bahwa mahasiswaS harus dilatih tidak hanya dalam logika fuzzy, neurocomputing, pemrograman genetik, atau harus ke tingkat yang sama. Saat ini, Grup BISC (Berkeley Initiative pada Soft Computing) terdiri dari hampir 600 mahasiswa, dosen, karyawan organisasi swasta dan non-swasta dan, lebih umum, individu yang memiliki kepentingan atau aktif dalam soft computing atau bidang terkait. Saat ini, BISC memiliki lebih dari 50 Afiliasi Kelembagaan, dengan barisan mereka terus tumbuh jumlahnya.

  Di Berkeley, BISC menyediakan lingkungan yang mendukung bagi pengunjung, postdocs dan mahasiswa yang tertarik dalam soft computing dan aplikasi. Dalam dukungan, utama untuk BISC berasal dari perusahaan anggota.

  Sekilas Ke Masa Depan

  Aplikasi sukses dari soft computing dan pesatnya pertumbuhan BISC menyarankan bahwa dampak dari soft computing akan terasa semakin di tahun mendatang. Soft computing kemungkinan untuk memainkan peran sangat penting dalam sains dan teknik, tapi akhirnya pengaruhnya dapat memperpanjang lebih jauh.

  Dalam banyak hal, soft computing merupakan pergeseran paradigma yang signifikan dalam tujuan komputasi - pergeseran yang mencerminkan fakta bahwa pikiran manusia, tidak seperti komputer saat ini, memiliki kemampuan luar biasa untuk menyimpan dan memproses informasi yang pervasively tidak tepat, tidak pasti dan kurang di categoricity.

C. Tujuan Penulisan

  Adapun tujuan dan maksud penulisan dalam makalah ini adalah : 1.

  Untuk mengetahui salah satu tugas mata kuliah kecerdasan buatan semester genap 2012

  2. Untuk mengetahui tentang soft computing.

  3. Untuk mengetahui lebih dalam tentang pengunaan soft computing.

BAB II LANDASAN TEORI A.konsep himpunan fuzzy Konsep himpunan fuzzy diperkenalkan oleh Zadeh pada tahun 1965 untuk

  memungkinkan elemen milik satu set pun dalam bertahap daripada cara mendadak (keanggotaan memungkinkan yaitu dinilai dalam interval [0,1], bukan dalam himpunan {0,1} ). Sejak saat itu, aplikasi dan perkembangan berdasarkan konsep sederhana telah berevolusi sedemikian rupa sehingga praktis tidak mungkin saat ini untuk menemui daerah atau masalah di mana aplikasi, perkembangan, produk, dll tidak didasarkan pada fuzzy set.

  Salah satu jenis penting dari masalah khususnya adalah optimasi masalah, yang mengoptimalkan nilai bahwa suatu fungsi dapat mencapai pada satu set tentukan sebelumnya, dan ini dan segala sesuatu yang berkaitan dengan mereka yang tercakup dalam daerah yang dikenal sebagai pemrograman matematika. Ketika elemen kabur dianggap dalam pemrograman matematika, metode optimasi kabur muncul, dan ini mungkin salah satu daerah yang paling bermanfaat fuzzy terkait pengetahuan, baik dari teori dan titik pandang diterapkan. Namun, meski semua metode dan model mungkin untuk sementara masalah dapat dinyatakan dalam istilah fuzzy, tidak dapat dipecahkan dengan teknik fuzzy.

  Kemudahan menyelesaikan masalah nyata semakin besar, ketidakmungkinan untuk menemukan solusi yang tepat untuk masalah ini dalam setiap kasus, dan kebutuhan untuk memberikan jawaban atas situasi praktis dipertimbangkan dalam banyak kasus telah menyebabkan meningkatnya penggunaan heuristik-jenis algoritma yang telah terbukti menjadi alat yang berharga mampu memberikan solusi di mana algoritma pasti tidak mampu. Dalam beberapa tahun terakhir, katalog besar teknik heuristik telah muncul terinspirasi oleh prinsip bahwa kepuasan lebih baik dari optimasi, atau dengan kata lain, daripada tidak bisa memberikan solusi optimal untuk masalah, lebih baik untuk memberikan solusi yang setidaknya memuaskan pengguna dalam beberapa cara tentukan sebelumnya, dan ini telah terbukti sangat efektif.

  Ini heuristik dikatakan telah banyak terinspirasi oleh alam, masyarakat, fisika, dll untuk memproduksi model-model teoritis yang cocok dengan keadaan dipertimbangkan, dan dari perspektif ini, telah memungkinkan untuk memecahkan kasus yang sampai hanya sangat baru-baru ini, tidak mungkin dengan konvensional teknik. Dalam kebanyakan kasus, bagaimanapun, solusi yang dicapai belum optimal dan bukan "hampir optimal", yang telah diperoleh dengan kriteria selain klasik "mencapai nilai terbaik dari fungsi objektif", dengan mempertimbangkan

  Hal ini juga diketahui bahwa ketika kita berbicara tentang subjektivitas manusia, atau bahkan kedekatan dengan nilai yang ideal, cara komparatif terbaik dari pemodelan situasi seperti ini adalah dengan cara fuzzy set, atau lebih umum dengan metodologi soft computing. Metode pemodelan subjektivitas (yang begitu berkembang di bidang lain) hampir tidak pernah diterapkan pada kasus desain algoritma heuristik meskipun semua indikasi bahwa ini mungkin akan pendekatan yang sangat menjanjikan karena selain memberikan solusi yang sedekat mungkin dengan optimal sebagai terkenal lainnya yang heuristik konvensional, Namun, sementara jalan bersejarah fuzzy set dan sistem telah banyak dieksplorasi, yang sama tidak dapat dikatakan dari soft computing. Dalam rangka untuk mempersempit kesenjangan ini, kami akan menjelaskan apa soft computing dan apa yang dipahami oleh heuristik, dan dari kedua konsep kita akan mencoba untuk menemukan landasan bersama mana yang terbaik dari dua dunia dapat dikombinasikan. Akan ada hasil: yang pertama adalah bahwa akan ada prosedur metaheuristic lunak berbasis komputasi yang tampaknya menjadi salah satu alat yang paling menjanjikan untuk solusi efektif masalah-masalah yang belum mungkin untuk memecahkan, dan juga untuk mencari solusi yang sesuai dengan orang mencari mereka, dan yang kedua (sebagai hasil dari yang pertama) adalah bahwa deskripsi baru akan muncul satu komponen yang menentukan soft computing dan ini lebih lanjut akan memperluas lingkup aplikasi.

  Akibatnya, bagian berikutnya menyajikan konsep mantan soft computing dan konstituen utamanya klasik. Kemudian bagian 3 berfokus pada definisi heuristik dan metaheuristics. Tinjauan komponen soft computing dilakukan pada bagian 4, dan di

  bagian 5 metaheuristics hibrida baru dalam soft computing dan disajikan secara singkat dijelaskan. Kesimpulan utama dan bibliografi menutup kertas. B. Komputasi Lunak Sebelum 1994 ketika Zadeh [2] pertama kali didefinisikan "soft computing", konsep saat ini-ditangani dulu dimaksud dalam cara yang terisolasi, dimana setiap difirmankan individual dengan indikasi penggunaan metodologi fuzzy. Meskipun ide mendirikan bidang soft computing tanggal kembali ke 1990 [3], itu dalam [2] yang didirikan Zadeh definisi soft computing dalam istilah berikut: "Pada dasarnya, soft computing bukanlah badan yang homogen dari konsep dan teknik Sebaliknya, itu merupakan suatu kemitraan antara metode yang berbeda yang dalam satu atau cara lain sesuai dengan prinsip-prinsipnya.. Pada saat ini, tujuan dominan soft computing adalah untuk mengeksploitasi toleransi untuk ketidaktepatan dan ketidakpastian untuk mencapai dikendalikan, ketahanan dan biaya rendah solusi. Konstituen utama dari soft computing adalah logika fuzzy, neurocomputing, dan penalaran probabilistik, dengan yang terakhir subsuming algoritma genetik, jaringan terutama berkaitan dengan ketidaktepatan dan penalaran perkiraan; neurocomputing dengan pembelajaran dan kurva-fitting, dan penalaran probabilistik dengan ketidakpastian dan propagasi keyakinan ". Oleh karena itu jelas bahwa daripada definisi yang tepat untuk soft computing, itu bukan ditentukan oleh ekstensi, melalui konsep yang berbeda dan teknik yang mencoba untuk mengatasi kesulitan yang timbul dalam masalah nyata yang terjadi dalam dunia yang tidak tepat, tidak pasti dan sulit untuk mengkategorikan.

  Ada berbagai upaya selanjutnya untuk lebih mengasah definisi ini, dengan hasil yang berbeda, dan di antara definisi alternatif yang mungkin, mungkin yang paling cocok adalah yang disajikan dalam [4]: "Setiap proses komputasi yang sengaja mencakup ketidaktepatan ke dalam perhitungan pada satu atau tingkat lebih dan memungkinkan ketidaktepatan ini baik untuk mengubah (menurunkan) granularity dari masalah, atau untuk "melunakkan" tujuan optimalisasi pada tahap tertentu, didefinisikan sebagai miliknya bidang komputasi lunak ". Sudut pandang bahwa kita akan mempertimbangkan sini (dan yang kita akan mengadopsi di masa mendatang) merupakan cara lain untuk mendefinisikan soft computing, dimana hal ini dianggap sebagai antitesis dari apa yang kita sebut komputasi keras. Soft computing karena itu dapat dilihat sebagai serangkaian teknik pertimbangan analogi, pendekatan, dll Dalam pengertian ini, soft computing adalah keluarga masalah resolusi metode dipimpin oleh penalaran perkiraan dan metode pendekatan fungsional dan optimasi, termasuk metode pencarian. Soft computing karena itu dasar teoritis untuk bidang sistem cerdas dan jelas bahwa perbedaan antara bidang kecerdasan buatan dan sistem cerdas adalah bahwa yang pertama didasarkan pada komputasi keras dan kedua pada soft computing.

  Dari sudut pandang lain pada tingkat kedua, soft computing dapat kemudian diperluas menjadi komponen-komponen lain yang berkontribusi pada definisi oleh ekstensi, seperti yang pertama diberikan. Dari awal [5], komponen dianggap sebagai yang paling penting dalam tingkat kedua adalah penalaran probabilistik, logika fuzzy dan fuzzy set, jaringan saraf, dan algoritma genetik (GA), yang karena interdisipliner mereka, aplikasi dan hasilnya langsung berdiri di atas metodologi lainnya seperti teori chaos yang telah disebutkan sebelumnya, teori bukti, dll Popularitas GA, bersama- sama dengan efisiensi terbukti mereka dalam berbagai bidang dan aplikasi, usaha mereka untuk meniru makhluk alam (tumbuhan misalnya, hewan, manusia) yang jelas lunak (yaitu fleksibel, mudah beradaptasi, kreatif, cerdas, dll), dan terutama ekstensi dan versi yang berbeda, mengubah bahan ini tingkat kedua keempat menjadi terkenal algoritma evolusioner (EA) yang akibatnya terdiri dari komponen fundamental keempat dari soft computing, seperti terlihat pada diagram berikut:

  Dari konsepsi terakhir dari soft computing, bermain set fuzzy dan fuzzy logic peran tentu dasar, kita dapat menggambarkan daerah lain muncul di sekitarnya hanya dengan mempertimbangkan beberapa kemungkinan kombinasi yang dapat timbul:

  1. Dari tingkat pertama dan awal dengan metode penalaran perkiraan, ketika kita hanya berkonsentrasi pada model probabilistik, kita menemukan teori Dempster- Shafer dan jaringan Bayesian. Namun, ketika kita mempertimbangkan metode probabilistik dikombinasikan dengan logika fuzzy, dan bahkan dengan beberapa multi-nilai logika lain, kita menemukan apa yang kita sebut model probabilistik hibrida, model probabilitas teori fundamental untuk acara fuzzy, model acara kabur keyakinan, dan diagram pengaruh fuzzy. logika fuzzy dengan jaringan saraf dan EA yang fuzzy logika sistem berbasis hibrida, eksponen terkemuka yang sistem saraf fuzzy, pengendali disesuaikan dengan jaringan saraf (sistem fuzzy saraf yang berbeda dari sistem saraf yang disebutkan sebelumnya kabur ), dan fuzzy logic berbasis pengendali yang dibuat dan disesuaikan dengan EA.

  3. Bergerak melalui tingkat pertama ke daerah besar lainnya tertutup oleh soft computing (fungsional pendekatan / metode optimasi) komponen pertama yang muncul adalah bahwa jaringan saraf dan model yang berbeda. Yang timbul dari interaksi dengan metodologi logika fuzzy dan metodologi EA adalah sistem saraf hibrida, dan di kontrol fuzzy tertentu parameter jaringan, dan generasi formal dan generasi berat dalam jaringan saraf.

  4. Komponen khas keempat soft computing dan mungkin yang terbaru belum mungkin paling up-to-date adalah bahwa EA, dan terkait dengan empat besar, area penting: strategi evolusi, pemrograman evolusioner, GA, dan pemrograman genetik. Jika kita hanya fokus pada daerah-daerah terakhir, kita bisa menganggap bahwa dalam hal ini campuran dari metodologi dan teknik yang terkait dengan berujung soft computing dalam tiga baris penting: sistem genetik fuzzy, sistem bioinspired, dan aplikasi untuk kontrol fuzzy parameter evolusi .

  Pada pemeriksaan ini lebih lanjut komponen terakhir beberapa pertimbangan bioinspired, dan aplikasi kontrol fuzzy pada parameter evolusi, topik penting lainnya yang hilang dari penjelasan ini. Kedua, jika kita mengacu khususnya untuk sistem bioinspired, jelas bahwa tidak hanya mereka produk dari logika fuzzy, jaringan syaraf atau EA (dengan semua varian yang kami dapat mempertimbangkan untuk ketiga komponen) tetapi juga yang lainnya sangat penting metodologi yang terlibat di dalamnya.

  Dalam bagian-bagian yang mengikuti karena itu kita akan membenarkan definisi baru untuk komponen soft computing, yang pertama kali disebut dalam [6], untuk memberikan perspektif yang lebih jelas dari daerah yang berbeda bahwa ini meliputi tanpa kehilangan esensi.

C. Heuristik dan Metaheuristics

  Seperti yang tercantum dalam [7], karena boom fuzzy 1990-an, metodologi berdasarkan fuzzy set (yaitu soft computing) telah menjadi bagian permanen dari semua bidang penelitian, pengembangan dan inovasi, dan aplikasi mereka telah diperpanjang untuk semua bidang kehidupan sehari-hari kita: kesehatan, perbankan, rumah, dan juga merupakan objek studi pada tingkat pendidikan yang berbeda. Demikian pula, tidak ada keraguan bahwa berkat potensi teknologi yang kita miliki, komputer dapat menangani masalah kompleksitas yang luar biasa (baik dalam

  Seperti yang telah disebutkan di atas, sejak pertengahan tahun 1990, GA (atau EA dari sudut pandang umum) telah terbukti sangat berharga untuk menemukan solusi yang baik untuk masalah spesifik dalam bidang tersebut, dan berkat daya tarik ilmiah mereka, keragaman aplikasi mereka dan efisiensi besar solusi mereka dalam sistem cerdas, mereka telah dimasukkan ke tingkat kedua komponen soft computing. EA, bagaimanapun, adalah hanya kelas lain dari heuristik, atau metaheuristics, dengan cara yang sama dengan Pencarian Taboo, Simulated Annealing, Hill Climbing, Search Neighbourhood Variabel, Estimasi Algoritma Distribusi (EDA), Menyebarkan Cari, GRASP, Cari Reaktif dan lain-lain sangat banyak berada. Secara umum, semua algoritma heuristik (metaheuristics) biasanya memberikan solusi yang tidak ideal, tetapi yang sebagian besar memenuhi pembuat keputusan atau pengguna. Saat ini bertindak atas dasar bahwa kepuasan lebih baik dari optimasi, mereka sempurna menggambarkan kalimat yang terkenal itu Zadeh [2]: "... berbeda dengan komputasi drive tradisional, soft computing memanfaatkan toleransi untuk ketidaktepatan, ketidakpastian, dan kebenaran parsial untuk mencapai tractability , ketahanan, hubungan rendah solusi-biaya, dan lebih baik dengan realitas ". Akibatnya, di antara komponen soft computing, bukan EA (yang dapat mewakili hanya satu bagian dari metode pencarian dan optimasi digunakan), algoritma heuristik dan bahkan metaheuristics harus dipertimbangkan.

  Biasanya ada kontroversi tentang perbedaan antara metaheuristics dan heuristik, dan sementara itu bukan maksud kami disini untuk masuk ke dalam perdebatan ini, kami tertarik untuk menawarkan refleksi singkat tentang kedua konsep. Heuristik istilah berasal dari kata Yunani "heuriskein", makna yang berkaitan dengan konsep menemukan sesuatu dan terkait dengan seru Archimedes terkenal dan seharusnya, "Eureka!".

  Atas dasar ini, sejumlah besar prosedur heuristik telah dikembangkan untuk memecahkan masalah optimasi yang spesifik dengan sukses besar, dan yang terbaik dari ini telah diekstrak dan digunakan dalam masalah lain atau dalam konteks yang lebih luas. Hal ini telah memberikan kontribusi terhadap perkembangan ilmiah bidang penelitian dan untuk perluasan penerapan hasil-hasilnya. Akibatnya, metaheuristics telah muncul, sebuah istilah yang muncul untuk pertama kalinya dalam sebuah artikel oleh Fred Glover pada tahun 1986. Para metaheuristics jangka berasal dari kombinasi heuristik kata dengan awalan meta (berarti luar atau dari tingkat yang lebih tinggi), dan meskipun tidak ada definisi formal untuk metaheuristics panjang, berikut dua proposal memberi gambaran yang jelas tentang gagasan umum istilah:

  a) IH Osman dan G. Laporte [18]: "Sebuah proses berulang-ulang generasi yang b) S. Voss dkk. [19]: "adalah proses berulang-ulang master yang panduan dan memodifikasi operasi heuristik bawahan untuk secara efisien menghasilkan solusi berkualitas tinggi". Oleh karena itu jelas bahwa metaheuristics lebih luas sikat dari heuristik. Pada bagian berikut, kita akan fokus pada konsep metaheuristics, dan akan mulai dengan menunjukkan bahwa dalam istilah yang kita telah mendefinisikan, metaheuristics tertentu akan selalu lebih baik daripada yang lain dalam hal kinerja mereka ketika datang untuk memecahkan masalah. Untuk mencapai kinerja terbaik dari metaheuristics, diinginkan bagi mereka untuk memiliki serangkaian "sifat baik" yang meliputi kesederhanaan, kemandirian, koherensi, efektivitas, efisiensi, adaptif, robust, interaktivitas, keragaman, dan otonomi [8] . Mengingat definisi dan rangkaian karakteristik yang diinginkan, keduanya logis dan jelas bahwa EA harus ditemukan di antara metaheuristics dan mereka karena itu juga ditempatkan dengan tingkat kedua komponen komputer lainnya lembut untuk memfasilitasi munculnya teori baru dan praktis metodologi, garis besar, dan kerangka kerja untuk pemahaman yang lebih baik dan penanganan ketidaktepatan umum di dunia nyata (seperti yang dijelaskan dalam [3]).

  D.Sebuah tinjauan Komponen Soft Computing

  Kembali ke uraian sebelumnya dari komponen yang menggambarkan soft computing pada tingkat yang berbeda, kita dapat mengatakan bahwa tingkat kedua yang paling penting komponen penalaran probabilistik, logika fuzzy dan set, jaringan saraf dan mengingat apa yang telah kami jelaskan, metaheuristics ( yang biasanya akan mencakup EA tapi tidak akan terbatas ini secara eksklusif). Kerangka baru untuk mendefinisikan metodologi utama yang membentuk soft computing karena itu akan digambarkan seperti pada diagram berikut: Seperti yang kita dijelaskan sebelumnya, daripada memahami metodologi soft computing dengan cara yang terisolasi, perlu untuk memahami mereka melalui kita untuk mengeksplorasi teori-praktis aspek baru yang berasal dari penampilan metaheuristics antara komponen ini.

  Ada begitu banyak dan seperti berbagai metaheuristics tersedia yang praktis tidak mungkin untuk menyetujui satu cara universal yang diterima untuk mengklasifikasi mereka. Namun demikian, hirarki yang ada konsensus yang paling menganggap tiga (atau empat) kelompok utama: 1) metaheuristics untuk prosedur evolusi berdasarkan set solusi yang berkembang sesuai dengan prinsip-prinsip evolusi alam.

  2) metaheuristics untuk metode relaksasi, metode pemecahan masalah dengan menggunakan adaptasi dari model asli yang lebih mudah untuk menyelesaikan.

  3) metaheuristics untuk pencarian lingkungan, yang mengeksplorasi ruang solusi dan mengeksploitasi struktur lingkungan terkait untuk solusi ini.

  4) jenis lain metaheuristics penengah antara yang disebutkan di atas atau berasal dalam beberapa cara dari mereka, tetapi yang kita tidak akan mempertimbangkan karena variabilitas besar mereka (dan untuk menghindari dispersi). Kami telah memutuskan untuk mengklasifikasikan metaheuristics dengan cara ini, dan apa yang di jelas pertama adalah bahwa definisi sebelumnya kita tentang soft mempertahankan esensi dari definisi asli Zadeh, tetapi generalizes dan mengembangkannya dengan merenungkan baru kemungkinan. Akibatnya, jika kita menyebut empat kelompok metaheuristics MH (1), ... MH (4), masing-masing, diagram sebelumnya sekarang dapat diwakili lebih eksplisit seperti yang ditunjukkan di bawah ini, mana, karena fakta bahwa masih ada komponen komputasi klasik lembut, daerah yang diketahui dan dipelajari berbeda tetap seperti mereka, yang muncul seperti biasa ketika dua atau lebih komponen ini saling terkait satu sama lain. Namun, sebagai hasil dari memiliki kemungkinan baru dimasukkan ke dalam komponen keempat (metaheuristics), sekarang masuk akal untuk menunggu model hibrida baru muncul untuk dikembangkan.

  Dalam rangka untuk menunjukkan berbagai bidang studi yang kami miliki ketika metaheuristics diambil sebagai komponen dasar, dalam bagian berikut kita akan berkonsentrasi pada menggambarkan hybridizations yang timbul melalui penggunaan kategorisasi sebelumnya.

  E.Hybrid Metaheuristics dalam Komputasi Lunak

  Pada bagian ini, kita akan mempertimbangkan tiga kelompok yang disebutkan sebelumnya utama metaheuristics. Dari ini, kita kemudian akan menggambarkan metaheuristics baru yang telah muncul, secara singkat tinggal pada yang kurang berkembang atau kurang populer karena lebih baru.

  5.1. Evolusi Metaheuristics. Ini metaheuristics yang jauh yang paling populer dan mendefinisikan mekanisme untuk mengembangkan sebuah evolusi dalam ruang pencarian dari set solusi untuk datang dekat dengan solusi ideal dengan unsur-unsur yang akan bertahan di generasi-generasi dari populasi. Dalam konteks komputasi lembut, hibridisasi yang mengambil metaheuristics ini sebagai referensi yang mendasar:

  Meskipun ini adalah daerah yang sangat penting dan sangat luas (meliputi segala sesuatu dari sistem genetik fuzzy untuk penyesuaian pengendali fuzzy dengan algoritma evolusioner, selain EDA, sistem bioinspired, dll), itu berada di luar cakupan artikel ini dan mereka yang tertarik harus mengacu pada ([9, 10, 11]).

  5.2. Relaksasi metaheuristics. Sebuah masalah yang sebenarnya dapat santai ketika disederhanakan dengan menghilangkan, melemahkan atau memodifikasi salah satu unsur khas. Metaheuristics relaksasi adalah strategi untuk bersantai masalah dalam desain heuristik, dan yang dapat menemukan solusi untuk masalah yang jika tidak akan sangat sulit untuk memecahkan tanpa menggunakan metodologi ini. Contoh dari ini adalah pembulatan ke atas atau bawah atau penyesuaian di alam, seperti yang flexibilize algoritma yang tepat, memperkenalkan kriteria berhenti fuzzy, yang akhirnya menyebabkan berbasis aturan metaheuristics relaksasi; mengakui ketidakjelasan koefisien, membenarkan algoritma untuk menyelesaikan masalah dengan parameter fuzzy, dan santai verifikasi pembatasan, yang memungkinkan pelanggaran tertentu dalam pemenuhan mereka:

  Dalam rangka untuk menggambarkan beberapa metaheuristics lebih khusus, kami akan mempertimbangkan algoritma dengan kriteria berhenti kabur [12, 13]. Kita tahu bahwa kriteria berhenti memperbaiki kondisi akhir dari algoritma iteratif prosedur, menentukan kriteria dari fitur teoritis masalah, dari jenis solusi sedang dicari, dan dari jenis algoritma yang digunakan. Jika algoritma diberikan a) menghentikan proses setelah iterasi N;

  b) menghentikan proses ketika jarak relatif atau absolut antara dua elemen dalam suksesi dari iterasi tertentu kurang dari atau sama dengan nilai diawali; c) menghentikan proses ketika ukuran diawali g (xn) memenuhi kondisi tertentu seperti menjadi kurang dari atau sama dengan sebuah konstanta.

  Singkatnya, dapat dikatakan bahwa algoritma menentukan satu set referensi dan berhenti ketika set ditentukan dalam kriteria berhenti telah diperoleh. Para flexibilization algoritma yang tepat dengan pengenalan kriteria berhenti kabur karena itu mengasumsikan bahwa himpunan referensi dianggap sebagai himpunan fuzzy, dan kriteria berhenti adalah tetap sesuai dengan tingkat keanggotaan elemen.

  5.3. Cari metaheuristics. Secara umum, ini mungkin yang metaheuristics paling penting, dan operasi dasar mereka terdiri dalam membangun strategi untuk menjelajahi ruang solusi dari masalah dan iterasi titik tolak solusi. Meski sekilas mereka mungkin tampak mirip dengan pencarian evolusioner, mereka tidak sejak pencarian evolusioner mendasarkan operasi mereka pada evolusi populasi individu dalam ruang pencarian. Ini metaheuristics biasanya digambarkan melalui metafora berbagai yang mengklasifikasikan mereka sebagai bioinspired, sosiologis, berdasarkan alam, dll dan ini membuat mereka sangat populer.

  Namun, di luar kerangka deskriptif, mengingat bahwa pencarian dapat dibuat melalui suatu prosedur pencarian tunggal (atau oleh lebih dari satu dalam hal ini metode pencarian akan melakukan kerjasama satu sama lain atau tidak) metaheuristic pencarian (tanpa ini klasifikasi yang eksklusif untuk bagian ini) dapat dianggap sebagai individu atau ganda, sehingga dalam kasus terakhir ini kemungkinan untuk agen yang berbeda untuk saling bekerja sama. Pilihan yang berbeda yang dapat muncul dalam konteks soft computing dikumpulkan dalam diagram berikut: Di antara metaheuristics terbaik individu terkenal adalah Bukit Climbing, Greedy- seperti, Multi-start, Neighbourhood Variabel, Simulated Annealing, Tabu, ... yang memiliki ekstensi mereka sendiri fuzzy.

  Terpisah dari metode khusus mereka aksi, semua metaheuristics menjelajahi ruang pencarian berdasarkan evaluasi terhadap fungsi tujuan dari masalah spesifik yang sedang diselesaikan, dan ini secara eksplisit mengandaikan melakukan penilaian numerik dengan bantuan sebuah fungsi objektif dalam ruang yang tepat didefinisikan . Terlalu sering, bagaimanapun, fungsi tujuan merupakan beberapa properti samar- samar didirikan, dan ruang pencarian (atau lingkungan sedang dicari) tidak memiliki batas yang jelas, dan ini membuat logis untuk fokus penerapan ini metaheuristics dengan unsur-unsur teoritis dari bola logika fuzzy dan fuzzy set. Justru dalam konteks ini bahwa FANS-jenis algoritma muncul [14,15].

  FANS adalah pencarian lingkungan metode dimana solusi yang dievaluasi tidak hanya dalam hal fungsi obyektif tetapi juga melalui penggunaan properti fuzzy dan konsep yang memungkinkan penilaian kualitatif pada solusi. Ini juga merupakan metode yang dapat disesuaikan dengan konteks karena perilakunya bervariasi sesuai dengan negara dari pencarian melalui penggunaan berbagai administrator. FANS didasarkan pada empat komponen utama (O, FV, OS dan NS) dan diagram dari algoritma ditunjukkan di bawah ini untuk menampilkan interaksi antara keempat komponen. Namun, jika prosedur pencarian dilakukan menggunakan berbagai metaheuristics, selalu ada kemungkinan kerjasama antara [16], dan oleh karena itu generalisasi dari semua yang dijelaskan sejauh ini untuk konteks paralelisme, sesuatu yang jelas di luar lingkup ini kertas tetapi yang menarik untuk merefleksikan karena dengan perkembangan paralel, stasiun kerja komputasi yang lebih kuat dan jaringan komunikasi lebih cepat, implementasi paralel metaheuristics telah muncul sebagai alam sesuatu dan memberikan alternatif yang menarik untuk meningkatkan kecepatan pencarian solusi. Berbagai strategi telah Sejalan telah diusulkan dan diterapkan dan ini telah terbukti sangat efisien untuk menyelesaikan masalah skala besar dan untuk mencari solusi yang lebih baik daripada rekan-rekan berurutan mereka karena pembagian ruang pencarian, atau karena mereka telah meningkatkan intensifikasi dan

beberapa) tidak hanya merupakan cara untuk mengurangi waktu eksekusi metaheuristics individu, tetapi juga meningkatkan efektivitas dan ketahanan. Dalam rangka soft computing, ide dasar yang telah dikembangkan selama ini terdiri dalam mengandaikan bahwa ada satu set menyelesaikan agen [17] yang pada dasarnya algoritma untuk memecahkan masalah optimasi kombinatorial, dan untuk mengeksekusi mereka kooperatif melalui suatu koordinasi agen untuk memecahkan masalah tersebut, dengan sifat umum berdasarkan pengetahuan minimum masalah sebagai premis mendasar. Setiap agen memecahkan bertindak mandiri dan hanya berkomunikasi dengan agen koordinasi untuk mengirimkannya solusi karena menemukan mereka dan menerima pedoman tentang bagaimana untuk melanjutkan.

  Agen koordinasi menerima solusi yang ditemukan oleh masing-masing agen pemecahan untuk masalah ini, dan mengikuti peraturan dasar fuzzy untuk memodelkan perilaku, menciptakan pedoman yang kemudian mengirimkan kepada mereka, sehingga mengambil kontrol total strategi

BAB III PEMECAHAN MASALAH

  a) mereka memecahkan masalah dengan cara yang lebih murah daripada metode lainnya;

  b) mereka menggeneralisasi heuristik sudah diketahui, dan

  c) hibridisasi dalam konteks soft computing nikmat dan memperkaya penampilan prosedur asli yang dapat membantu menyelesaikan masalah baru.

BAB IV PENUTUP. Kesimpulan Konsep himpunan fuzzy telah dan merupakan paradigma dalam dunia ilmu

  pengetahuan-teknologi dengan dampak penting di semua sektor sosial karena keragaman aplikasi, kemudahan transferensi teknologi, dan penghematan ekonomi yang penggunaannya mengandaikan. Meskipun pada saat artikel pertama mengenai hal itu diterbitkan sekitar 40 tahun yang lalu itu bertemu dengan resistensi dari sektor akademis tertentu, waktu telah menunjukkan bahwa fuzzy set merupakan inti tubuh doktrinal solidness pasti, dinamika dan pengakuan internasional yang dikenal sebagai soft komputasi. Justru dinamisme yang membawa kita untuk mencerminkan dalam artikel ini pada apa yang mendefinisikan batas-batas dari soft computing adalah dalam upaya untuk memperluas jangkauan komponen dasarnya dengan masuknya metaheuristics. Perspektif yang lebih luas dan lebih umum dari soft computing memungkinkan kemungkinan menggabungkan pencarian baru dan belum berkembang / optimasi metode (tanpa salah satu metode yang sudah dieksplorasi menjadi protagonis), sehingga menghindari kecenderungan yang ditunjukkan oleh Zadeh di [3] untuk mengatakan bahwa "Ketika satu-satunya alat yang Anda miliki adalah palu, semua mulai terlihat seperti paku") .

DAFTAR PUSTAKA

  2002. Tentang Soft Computing di FLNINS.Zadeh LA : Ruan,D dan Van Der Wal. Jurnal sistem cerdas. 2003 