Pengertian Dalam GA

Ide komputasi evolusi diperkenalkan pada tahun 1960 oleh I. Rechenberg dalam karyanya "Evolution strategi" ((Evolutions strategie (dalam dokumen asli)). Idenya kemudian dikembangkan oleh peneliti lain. Algoritma Genetika (GAs) diciptakan oleh John Holland dan dikembangkan oleh dia serta para mahasiswa dan koleganya. Diterbitkan di Belanda dengan judul "adaptasi di Alam dan Sistem Buatan " pada tahun 1975.
Pada tahun 1992 John Koza telah menggunakan algoritma genetika untuk melakukan tugas tertentu. Ia menyebut metodenya "pemrograman genetika" (GP). Program yang digunakan LISP, karena program dalam bahasa ini dapat dinyatakan dalam bentuk "pohon parse", yang merupakan obyek GA.
Kromosom
Semua organisme hidup terdiri dari sel-sel. Dalam setiap sel ada set yang sama pada kromosom. Kromosom adalah string DNA dan berfungsi sebagai model bagi seluruh organisme. Sebuah kromosom terdiri dari gen, blok DNA. Setiap gen menyandi protein tertentu. Pada dasarnya dapat dikatakan, bahwa masing-masing gen mengkodekan suatu sifat, seperti warna mata. Pengaturan yang mungkin untuk suatu sifat (misalnya biru, coklat) disebut alle. Setiap gen memiliki posisi sendiri di kromosom. Posisi ini disebut lokus.
Set lengkap materi genetik (semua kromosom) disebut genom. Khusus set gen dalam genom disebut genotipe. Genotipe ini didalam perkembangannya kemudian setelah lahir merupakan dasar untuk fenotipe organisme, karakteristik fisik dan mental, seperti warna mata, kecerdasan dll.
Reproduksi
Selama reproduksi, pertama kali yang terjadi adalah rekombinasi (atau crossover). Kromosom baru akan terbentuk dalam beberapa cara dari Gen orang tua. Keturunan baru yang dibuat kemudian dapat bermutasi. Mutasi berarti, bahwa unsur-unsur DNA ada sedikit perubahan. Perubahan ini terutama disebabkan oleh kesalahan dalam menyalin gen dari orang tua.
Kesesuaian suatu organisme diukur dengan keberhasilan organisme dalam hidupnya.
Jika kita memecahkan beberapa masalah, kita biasanya mencari beberapa solusi yang terbaik. Ruang dari semua solusi yang layak (artinya objek di antara mereka adalah solusi yang diinginkan) disebut ruang pencarian (ruang keadaan). Setiap titik dalam ruang pencarian merupakan salah satu solusi yang layak. Setiap solusi yang layak dapat "ditandai" oleh nilai atau kesesuaian untuk masalah. Kita sedang mencari solusi, yang merupakan salah satu titik (atau lebih) diantara solusi yang layak, yang merupakan salah satu titik dalam ruang pencarian.
Para pencari solusi, kemudian mencari beberapa kondisi ekstrim (minimum atau maksimum) dalam ruang pencarian. Ruang pencarian dapat menjadi utuh, dikenal dengan nama waktu penyelesaian masalah, tetapi biasanya kita tahu hanya beberapa poin dari dari poin lain yang dihasilkan sebagai proses pencarian solusi.
Masalahnya adalah bahwa pencarian bisa sangat rumit. Orang tidak tahu ke mana harus mencari solusi dan dari mana harus memulainya. Ada banyak metode, bagaimana menemukan beberapa solusi yang sesuai (belum tentu solusi yang terbaik), misalnya metode tabu search, simulated annealing dan algoritma genetika. Solusi yang ditemukan oleh metode ini sering dianggap sebagai solusi yang baik.

Dua unsur yang berbeda dalam GA adalah individu dan populasi. Individu adalah solusi tunggal, sementara populasi adalah himpunan individu yang saat ini terlibat dalam proses pencarian.
Individu adalah salah satu solusi tunggal yang mungkin dari permasalahan yang terjadi. Masing-masing kelompok bersama-sama membentuk solusi seperti yang diberikan di bawah ini:
1. Kromosom, merupakan gabungan dari gen-gen yang membentuk suatu nilai tertentu.
2. Fenotipe, merupakan ekspresi kromosom didalam bentuk suatu model.
Gen
Gen adalah satuan dasar "instruksi" untuk membangun Algoritma Genetik. Sebuah kromosom
merupakan urutan(gabungan) dari gen. Nilai gen bisa berupa nilai biner, float, integer maupun karakter, atau kombinatorial. Gen menggambarkan kemungkinan solusi untuk masalah, tanpa benar-benar menjadi solusi. gen adalah bit string dengan panjang tertentu. Bit string biner adalah representasi jumlah interval dari batas bawah. Gen adalah representasi GA tentang nilai faktor tunggal untuk faktor kontrol, dimana faktor kontrol harus memiliki batas atas dan batas bawah. Rentang ini dapat dibagi menjadi jumlah interval yang dapat dinyatakan oleh string bit gen. Panjang string 'n' dapat mewakili (2n-1) interval. Ukuran interval menjadi
(range) / (2n-1).

• Allele adalah nilai dari gen.

• Kromosom adalah, gabungan dari gen-gen yang membentuk suatu nilai tertentu.

• Individu adalah salah satu nilai atau keadaan yang menyatakan satu solusi yang mungkin dari permasalahan yang terjadi

• Populasi adalah sekumpulan individu yang akan diproses bersama dalam satu siklus evolusi.

• Generasi adalah satu-satuan siklus proses evolusi.

• Nilai Fitness adalah seberapa baik nilai suatu individu atau solusi yang didapat.

Read More :

Classroom scheduling solution with a genetic algorithm

Langkah–Langkah Algoritma Genetik

Langkah–Langkah Algoritma Genetik

Aplikasi Algoritma Genetik

• Prediksi dinamis sistem nonlinear, analisis data
• Perencanaan lintasan Robot
• Perkembangan LISP program (pemrograman genetik)
• Strategi perencanaan
• Pencarian bentuk molekul protein
• TSP dan urutan penjadwalan
• Control-pipa gas, keseimbangkan tiang, penginderaan rudal.
• Desain tata letak semikonduktor, desain pesawat, konfigurasi keyboard, jaringan komunikasi
• Penjadwalan- pada pabrik, fasilitas penjadwalan, alokasi sumber daya
• Machine Belajar, baik arsitektur dan berat, meningkatkan klasifikasi algoritma, sistem klasifikasi
• Desain proses pemfilteran Signal.
• Optimasi Kombinatorial, perjalanan salesman (TSP), Pengurutan penjadwalan, routing, pengepakan, graph pewarnaan dan partisi.

Pendahuluan Algoritma Genetika

Salah satu yang menjadi prinsip mendasar dalam dunia kita adalah pencarian untuk sebuah keadaan optimal. Ini dimulai pada mikrokosmos di mana atom dalam fisika mencoba untuk membentuk ikatan 1 dalam rangka meminimalkan energi elektron mereka. Ketika molekul dalam keadaan padat selama proses pembekuan, mereka mencoba untuk menganggap struktur kristal energi yang optimal. Proses ini, tentu saja, tidak didorong oleh niat yang lebih tinggi tetapi murni hasil dari hukum fisika.

Hal yang sama berlaku untuk prinsip biologis kelangsungan hidup yang bersama-sama dengan evolusi biologis, mengarah pada adaptasi yang lebih baik dari spesies ke lingkungan mereka. Di sini, sebuah spesies yang dapat beradaptasi dengan baik pada lingkungan lokal, secara optimum akan mendominasi semua hewan lain di sekitarnya. Dimana Homo sapiens telah mencapai tingkat ini, mereka dapat beradaptasi dengan semut, bakteri, lalat, kecoa, dan segala macam makhluk menyeramkan lain.
Selama manusia ada, kita berusaha untuk kesempurnaan di banyak daerah. Kita ingin mencapai tingkat maksimum kebahagiaan dengan paling sedikit usaha. Pada sisi keuntungan ekonomi, misalkan penjualan harus dimaksimalkan dan biaya harus serendah mungkin. Oleh karena itu, optimasi merupakan salah satu ilmu tertua yang bahkan meluas ke kehidupan sehari-hari.
Jika sesuatu adalah penting, umum, dan cukup abstrak, selalu ada disiplin matematika yang berurusan dengan hal seperti itu. Global optimum adalah cabang matematika terapan dan analisis numerik yang terfokus dengan baik, untuk mencapai optimasi. Tujuan dari global optimum adalah untuk menemukan elemen terbaik x* dengan menetapkan himpunan X berdasarkan seperangkat kriteria F = { f1, f2, ..,fn}.
Kriteria ini dinyatakan sebagai fungsi matematika, dan ini yang disebut dengan fungsi tujuan.
Definisi 1.1 (Fungsi Tujuan). Sebuah fungsi objektif f:X→Y dengan Y ⊆ R
adalah fungsi matematika yang akan dikenakan optimasi.