introduction to genetic algoritms

Introduction To Genetic Algorithms S.N. Sivanandam

S.N. Deepa

S. Sumathy

Chapter 4 Advance Operator and Techniques in Genetic Algorithms

Oleh : Suparman, ST

NPM : 136060300111003

3/24/2014

Advanced Operators and Techniques in

Genetic Algorithm 1

3/24/2014


Genetic Algorithm 2

Chapter 4


Genetic Algorithm

4.1 Introduction

Dalam bab sebelumnya kita telah berurusan dengan

operator genetik sederhana: reproduksi, persilangan dan

mutasi. Dalam bab ini kita mempertimbangkan operator

alam dan fenomena untuk meningkatkan ketahanan

algoritma genetik sederhana. Tingkat rendah operator

seperti dominan, inversi, rekaman, penghapusan,

pemisahan dan diploidy & tingkat operator yang lebih tinggi

seperti niche dan spesies yang diinduksi. Optimasi Multi

obyektif serta berdasarkan pengetahuan teknik.

3/24/2014


Genetic Algorithm 3

4.2 Diploidy, Dominance and Abeyance

Sampai sekarang, genotipe sederhana yang ada di alam, kromosom

haploid atau tunggal, hanya mengandung satu set gen yaitu satu

alele untuk menempati setiap lokus. Alam terdiri dari banyak

organisme haploid, tetapi kebanyakan dari mereka cenderung

membentuk kehidupan rumit. Ketika alam ingin membangun

kehidupan yang lebih kompleks atau hewan mengandalkan, struktur

kromosom yang lebih kompleks diperlukan dan ini dicapai oleh

kromosom diploid atau double diploid. Dalam bentuk diploid,

genotipe membawa satu atau lebih pasang kromosom, masing-

masing berisi informasi untuk fungsi yang sama. Pertimbangkan

struktur kromosom mana diploid huruf yang berbeda mewakili alele

yang berbeda (nilai fungsi gen yang berbeda-beda):

PqrSt

pQRSt

3/24/2014


Genetic Algorithm 4

Alele merupakan sifat dari gen tertentu, Huruf besar dan huruf

kecil yang disebutkan di atas mewakili alele alternatif pada

posisi itu. Awalnya, di alam masing-masing alele dapat

mewakili sifat fenotipik berbeda.

Misalnya Q dapat mewakili gen berambut abu-abu dan

q mungkin gen berambut hitam, sepasang gen ada

menjelaskan setiap fungsi, harus ada beberapa aspek untuk

memutuskan mana dari dua nilai untuk memilih karena,

misalnya, fenotip tidak mungkin memiliki keduanya berambut

abu-abu dan hitam berambut pada waktu yang sama.

contoh di atas, jika diasumsikan bahwa semua huruf besar

yang dominan dan semua huruf kecil yang resesif, fenotipe

diungkapkan oleh kromosom contoh ditulis sebagai,

PqrSt

→ PQRSt

pQRSt

3/24/2014


Genetic Algorithm 5

Gen yang dominan selalu diekspresikan pada setiap lokus

dan gen resesif hanya diungkapkan ketika hadir sesuai

dengan resesif lain. Gen yang dominan diungkapkan ketika

heterozigot (campuran, Pp → P) atau homozigot (SS → S) dan

gen resesif dinyatakan hanya ketika homozigot (tt → t)

4.3 Multiploid (Multiploid)

Sebuah algoritma genetika multiploid menggabungkan

beberapa kandidat untuk setiap gen dalam genotipe tunggal,

dan menggunakan beberapa bentuk mekanisme dominasi

untuk menentukan pilihan masing-masing gen aktif dalam

fenotip. Di alam kita menemukan bahwa banyak organisme

memiliki genotipe polyploid, yang terdiri dari beberapa set

kromosom dengan beberapa mekanisme untuk menentukan

gen diungkapkan yaitu dominan pada setiap lokus.

3/24/2014


Genetic Algorithm 6

Mekanisme ini tampaknya memberikan sejumlah

keuntungan pada sistem, terutama oleh keragaman populasi

meningkatkan, saat gen terpakai remainsin genotipe

dikalikan, terpendam, tetapi terlindung dari kepunahan

sampai mereka dapat menjadi berguna nanti.

Sebuah genotipe multiploid, ditunjukkan pada Gambar. 4.2, berisi p

kromosom, masing-masing dengan panjang L, dan masker yang

menentukan mana dari kromosom p memiliki gen dominan pada

posisi tertentu dalam kromosom. Informasi ini diterjemahkan untuk

menghasilkan fenotipe sebagai berikut:

Mask 0 0 0 1 1 1 2 2 2

Chromosome [0]: a a a a A a a a a

Chromosome [1]: b b b b B b b b b

Chromosome [2]: c c c c C c c c c

Phenotype: a a a a A a a a a

Fig. 4.2 Multiploid Type 1

3/24/2014


Genetic Algorithm 7

Mask 0 1 2

Chromosome [0]: a A a a a a a a A

Chromosome [1]: b b b b b b b b B

Chromosome [2]: c c c c c c c c C

Phenotype: a a a b b b c c C

Fig. 4.3 Multiploid Type 2

Nilai alele pada lokus i dalam topeng menunjukkan bahwa gen

dalam kromosom dengan indeks menjadi gen i dari fenotip. Panjang

mask bisa lebih pendek dari panjang kromosom, seperti pada

Gambar. 4.3. Dalam Gambar. 4.3, jika panjang masker m dan

panjang kromosom L, maka gen pada lokus 'i' dalam topeng dengan

nilai 'a' menunjukkan bahwa ke-i set gen L / m di kromosom yang

merupakan dominan.

3/24/2014


Genetic Algorithm 8

4.4 Inversion and Reordering

Inversi adalah unary, operator yang genetik penataan. Algoritma

genetik sederhana menggunakan pilihan stokastik, 1-point cross

over, dan mutasi untuk meningkatkan jumlah blok bangunan dalam

populasi dan bergabung kembali mereka untuk lebih baik

membangun blok-ing. Blok bangunan menjadi sangat fit, orde

rendah, skema panjang pendek mendefinisikan, skema encoding

yang dipilih harus sesuai dengan ini. Bisakah kita mencari skema

pengkodean yang lebih baik ketika mencari blok bangunan? Untuk

menjawab pertanyaan ini, Operator inversi diciptakan.

Operator inversi adalah mekanisme alam primer recode masalah.

Dalam operator dalam-versi, dua poin yang dipilih sepanjang

kromosom, kromosom dipotong pada titik-titik dan titik akhir dari

pemotongan bagian, akan kembali berpengalaman (switched,

bertukar). Untuk membuat jelas, mempertimbangkan kromosom

dengan panjang 8 di mana dua poin terbalik yang dipilih secara

acak, (poin.2 dan.6 dilambangkan dengan karakter)

1 1 ˄ 0 1 1 1 ˄ 0 1

3/24/2014


Genetic Algorithm 9

Pada menggunakan Operator inversi, string menjadi,

1 1 0 1 1 1 0 1

Jadi dalam poin inversi ditentukan, switching antara kromosom

terjadi. Operator inversi juga dapat digunakan untuk representasi

diperpanjang seperti yang diberikan oleh,

1 2 3 4 5 6 7 8

1 1 ˄ 0 1 1 1 ˄ 0 1

Poin inversi dipilih secara acak (ditunjukkan oleh operator) dan

kromosom sekarang menjadi,

1 2 3 4 5 6 7 8 9

1 1 1 1 1 1 0 0 1

Nomor posisi asli dipertahankan dalam kromosom karena kebugaran

functionis dihitung dengan menggunakan nomor posisi , yaitu , kita

bergerak posisi relatif dari gen untuk mempelajari potensi yang

berbeda blok bangunan tetapi gen yang akan digunakan dalam fungsi

fitness sama seperti sebelumnya inversi dan tetap sama seperti

setelah operasi inversi

3/24/2014


Genetic Algorithm 10

Algoritma dasar untuk inversi dapat diberikan sebagai berikut :

Data : I - length of chromosome

I ←Random integer bet ween 0and I inclusive;

I ←Random interger ≠ i1, bet ween 0 and; include

If i1 ˃ i2 then

Swap i1 and i2

end

for I = i1[(i1+i2-I)/2]do

Swap allele and index at locus I with alele and index at locus

i1+i2-I-I

and

Dengan demikian indeks diperlukan untuk setiap lokus untuk

melestarikan makna lokus independen posisinya pada kromosom.

Inversi adalah berlebihan dengan operator seperti UX (Uniform

Crossover), yang tidak memiliki bias posisi. Ada beberapa

operator pemesanan ulang lainnya, yang menjadi anak variasi

inversi

3/24/2014



Fitur inversi dan crossover digabungkan bersama untuk produceã

operator tunggal, yang mengarah pada pengembangan dari operator

penataan lainnya. Pada menggabungkan inversi dan crossover

operator penataan dirumuskan adalah:

1. Partially Matched Crossover (PMX).

2. Order Crossover (OX).

3. Cycle Crossover (CX).

4.4.1 Partially Matched Crossover (PMX)

Dalam Crossover sebagian cocok, dua deret selaras, dan dua titik

crossover dipilih secara acak seragam sepanjang deret. Dua titik

crossover memberikan pilihan yang cocok, yang digunakan untuk

mempengaruhi lintas melalui operasi pertukaran posisi demi posisi

Parent A 4 8 7 3 6 5 1 10 9 2

Parent B 3 1 4 2 7 9 10 8 6 5

3/24/2014



Dua titik crossover dipilih secara acak, dan PMX hasil dengan

pertukaran posisi bijaksana. Di antara crossover menunjukkan gen

bisa dipertukarkan yaitu, 3 dan 2, 6 dan 7, 5 dan 9 tempat

pertukaran. Ini adalah dengan memetakan tua B kepada orangtua

A. Sekarang pemetaan orangtua A ke B induk, 7 dan 6, 9 dan 5, 2

dan 3 tempat pertukaran. Jadi setelah PMX, keturunan yang

dihasilkan sebagai berikut:

Child A 4 8 6 2 7 9 1 10 5 3

Child B 2 1 4 3 6 5 10 8 7 9

dimana setiap anak mengandung informasi pemesanan sebagian

ditentukan oleh masing-masing orang tuanya. PMX dapat

diterapkan untuk masalah dengan representasi permutasi.

3/24/2014



4.4.2 Order Crossover (OX)

Urutan Crossover dimulai dengan cara yang mirip dengan PMX. Tapi

bukannya menggunakan pertukaran point-by-point sebagai PMX

tidak, order crossover berlaku geser gerak untuk mengisi kiri keluar

lubang dengan mentransfer posisi dipetakan. Pertimbangkan

kromosom induk,

Parent A 4 8 7 3 6 5 1

1

0 9 2

Parent B 3 1 4 2 7 9

1

0 8 6 5

Pada pemetaan orangtua B dengan orangtua A, tempat 3,6 dan 5

kotak yang tersisa dengan lubang.

Child B

H 1 4 2 7 9 10 8 H H

Lubang ini sekarang dipenuhi dengan gerakan geser yang dimulai

dengan titik potong kedua


Genetic Algorithm 14 3/24/2014

Child B

2 7 9 H H H 1

0 8 1 4

Lubang-lubang tersebut kemudian diisi dengan bagian pencocokan

diambil dari A. Jadi orangtua melakukan operasi ini, keturunannya

diproduksi menggunakan order crossover adalah sebagai diberikan

di bawah ini.

Child A

3 6 5 2 7 9 1 10 4 8

Child B

2 7 9 3 6 5 10 8 1 4

Dari contoh, dapat dicatat bahwa PMX cenderung menghormati

posisi absolut sementara OX cenderung menghormati posisi relatif.



4.4.3 Cycle Crossover (CX)

Siklus Crossover berbeda dari PMX dan OX. Siklus melakukan

rekombinasi di bawah kendala bahwa setiap gen berasal dari orang

tua atau yang lainnya

4.5 Niche and Speciation

Masalah abadi dengan Algoritma Genetika adalah bahwa

konvergensi prematur, yaitu, genotipe non-optimal mengambil alih

populasi sehingga setiap individu yang baik identik atau sangat

mirip, konsekuensi yang merupakan populasi yang tidak

mengandung keragaman genetik yang cukup untuk berkembang

lebih lanjut. Algoritma Genetika kemudian, menghadapi masalah

yang sulit. Bagaimana bisa populasi didorong untuk berkumpul

pada sebuah solusi sementara tetap mempertahankan keragaman?

Jelas, para operator, yang menyebabkan konvergensi, yaitu

crossover dan reproduksi, harus diubah entah bagaimana



4.5.1 Niche and Speciation in Multimodal Problems

Misalkan fungsi kebugaran multimodal yaitu beberapa puncak GA

akan cenderung konvergen ke salah satu puncak, terutama jika salah

satu puncak yang lebih cocok daripada yang lain. Mungkin, ada yang

suka untuk mengidentifikasi puncak konvergensi beberapa puncak

simultan menerus. A 'niche' dapat dianggap sebagai salah satu

puncak dan 'spesies' adalah kumpulan anggota populasi cocok untuk

niche tertentu. Kami mightwant sebuah GA untuk membuat sub-

populasi yang stabil (spesies) yang cocok dengan niche.

Pertimbangkan contoh dua mesin slot bersenjata, jika satu orang

memainkan dua mesin slot bersenjata, dia akan mencoba setiap

lengan untuk sementara waktu untuk melihat yang memiliki hasil lebih

besar, dan kemudian memutar lengan itu untuk sisa waktu. Dalam

kasus ini, adalah mungkin untuk mendapatkan formula untuk berapa

banyak untuk bermain di setiap lengan sebelum memilih lengan untuk

memainkan sisa waktu untuk hasil keseluruhan yang optimal.



4.5.1.1 Crowding (Berkerumun)

Masalah pertama ditangani oleh [DeJong 75] untuk mencegah

genotipe yang mendominasi populasi. Dengan memastikan bahwa

individu yang baru lahir akan menggantikan salah bahwa itu adalah

sekutu genotip yang mirip dengan itu, Menyisihkan mencoba untuk

menjaga keseimbangan populasi. Mekanisme penggantian ini cukup

sederhana: satu secara acak memilih individu CF dan, melalui

perhitungan Hamming jarak, memutuskan pada korban sesuai.

Sebuah keuntungan dari Berkerumun adalah bagaimana beberapa

individu harus diperiksa ketika memilih korban, untuk CF biasanya 2

atau 3. Ini penggantian tindakan individu yang sama 'untuk

mencegah salah satu genotipe dari mengambil alih populasi

sepenuhnya, yang memungkinkan lainnya, relung mungkin kurang

pas untuk membentuk dalam populasi utama. Crowding tidak secara

eksplisit menciptakan ceruk, juga tidak membuat upaya

terkonsentrasi untuk mendorong mereka, melainkan memungkinkan

mereka untuk membentuk



4.5.1.2 Sharing (Berbagi)

Sebuah pendekatan yang agak berbeda diadopsi dalam skema

Sharing, dalam individu individu dalam populasi yang

menggunakan sumber daya yang terbatas Berbagi wajah karena

mereka berusaha untuk kebugaran. Untuk membuat hidup lebih

sulit bagi mereka, individu-individu dari niche lingkungan yang

sama, dalam hal ini genotypically serupa, yang moreinclined untuk

mencari tempat yang sama untuk sumber daya, sehingga memiliki

waktu lebih sulit daripada individu yang unik.

Mendefinisikan fungsi berbagi berdasarkan kesamaan,

Share (similarity)

Similarity (x,x)=l chrom,

Similarity (x,~x) = 0

(atau) dasar kesamaan fenotip (nilai kode) daripada genotipe.

Share (kesamaan (x, x)) = 1.0,

Share (kesamaan (x, y)) = 0,0



∀ x, y, dengan kesamaan (x, y) ⇐ memotong nilai. Semakin mirip dua

kromosom, semakin mereka harus berbagi nilai kebugaran mereka.

Setiap kromosom x memiliki faktor saham dihitung untuk itu,

Berbagi faktor (x) = Sum atas y pangsa populasi (kesamaan (x, y))

Kebugaran kromosom yang kembali dihitung dengan membagi

kebugaran aslinya oleh nya Faktor saham

New kebugaran (x) = kebugaran (x) / share faktor (x)

Meskipun Menyisihkan jauh lebih sederhana daripada Sharing, baik

dalam perhitungan dan pelaksanaannya, yang terakhir telah terbukti

jauh lebih efektif di bidang fungsi multimodal sebagai kekuatan yang

agak lembut persuasi yang digunakan oleh Menyisihkan tidak dapat

mencegah sebagian besar individu terikut hanya pada satu atau dua

puncak karena beberapa individu yang diperiksa setiap kali. Sharing,

di sisi lain, agresif mendorong pengembangan ceruk baru dan

akibatnya mendistribusikan individu di semua puncak dalam lanskap.

Imbalannya adalah sederhana, Menyisihkan murah dan sederhana,

sedangkan Berbagi relatif mahal namun sukses.



4.5.2 Niche and Speciation in Unimodal Problems

Penggunaan relung dalam permasalahan multimodal adalah pemetaan

yang sangat sederhana, dengan evolusi spesies yang berbeda untuk

masing-masing puncak dalam lanskap solusi. Pemetaan ini tidak begitu

mudah dalam masalah unimodal yang biasanya hanya berisi satu

puncak, atau setidaknya mengandung satu puncak yang lebih tinggi

dari yang lain

Semua pendekatan untuk masalah unimodal, melibatkan niching, upaya

untuk mempertahankan populasi yang seimbang, baik melalui kawin

dibatasi untuk mencegah tidak pantas orang tua kawin , atau melalui

metode pengganti yang menghambat mengambil alih suatu populasi

dengan genotipe tunggal.

Beberapa metode yang tidak secara ketat menggunakan ceruk , tetapi

yang meniru operasi mereka untuk beberapa derajat , ada. Ada

beberapa metode pengganti , yang menjamin bahwa individu yang baru

lahir cukup berbeda dari seluruh penduduk sebelum mengizinkan



4.5.2.1 Incest Prevention

Eshelman mengambil pandangan yang sama, ketika ia

menyarankan penggunaan Pencegahan Incest, yang hanya klon

berkecil hati, masih memungkinkan mereka untuk memasuki

populasi. Upaya pencegahan Incest kepada orang tua

"menjodohkan" dengan maksud keturunan mereka mengambil gen

terbaik dari orang tua mereka. Hal ini berbeda dengan mengawinkan

orang tua bahwa keanekaragaman disimpan dalam populasi dan

dengan demikian lebih lanjut evolusi diizinkan.

Sebagai populasi berkembang, individu yang menjadi lebih dan

lebih mirip, sehingga menjadi lebih sulit untuk menemukan orang

tua yang cocok. Untuk menghindari situasi di mana tidak ada orang

tua seperti dalam suatu populasi, ada ambang batas yang

ditetapkan perbedaan, yang bisa santai jika ada beberapa kesulitan

dalam memilih orang tua. Hal ini diasumsikan kesulitan yang akan

timbul jika tidak ada perubahan dalam populasi induk, dan, sebagai

pencegahan incest digunakan dengan elitisme, yaitu daftar orang

tua dipertahankan mana individu hanya dapat memasukkan jika

kebugaran mereka cukup tinggi, itu adalah sepele penting untuk

melacak perubahan apapun.



SET THRESHOLD

REPEAT

FOR EACH INDIVIDUAL DO

TEST INDIVIDUAL

ENTER PARENT POPULATION

IF NO-NEW-PARENTS THEN LOWER THRESHOLD


REPEAT

SELECT PARENTS

UNTIL DIFFERENT ( )

UNTIL END-CRITERION REACHED OR THRESHOLD=0

Begitu seorang individu diuji ia mencoba untuk memasuki induk

kependudukan, seperti dijelaskan di atas, langkah ini hanya berhasil

jika individu bugar daripada anggota paling cocok dari

population.After induk semua individu baru telah diuji, salah satu

cek untuk melihat apakah induk kependudukan telah berubah.

Populasi yang berubah akan menyebabkan ambang perbedaan yang

dikurangi.



4.5.2.2 The Pygmy Algoritma

Algoritma kerdil biasanya digunakan pada masalah dengan dua

atau lebih persyaratan , misalnya evolusi solusi yang perlu efisien

dan pendek. Relung digunakan dengan memiliki dua fungsi

kebugaran yang terpisah , sehingga menciptakan dua spesies .

Individu dari masing-masing spesies ini Biasanya , ada satu fungsi

fitness utama, mengatakan efisiensi , dan kebutuhan sekunder

seperti sesak . Individu yang sangat efisien maka akan memasuki

ceruk pertama, sementara individu yang tidak cocok dengan niche

ini menjalani tes kebugaran kedua , yang hanya fungsi fitness

aslinya dimodifikasi untuk menyertakan persyaratan sekunder

Penggunaan dua relung mempertahankan populasi seimbang dan

memastikan bahwa orang yang cocok di kedua requirementsare

produced.Below adalah pseudo kode untuk Algoritma Pygmy



REPEAT


TEST INDIVIDUAL WITH MAIN FITNESS FUNCTION

ENTER PARENT POPULATION #1

IF UNSUCCESSFUL

TEST INDIVIDUAL WITH SECONDARY FITNESS FUNCTION

ENTER PARENT POPULATION #2


SELECT PARENT FROM POPULATION #1

SELECT PARENT FROM POPULATION #2

CREATE NEW INDIVIDUAL

UNTIL END-CRITERION REACHED

Algoritma Genetika berasal langsung dari metode alami , mungkin

mengherankan bahwa ada begitu banyak manfaat yang bisa

diperoleh dari peniruan alam sekali lagi. Spesies dapat berkembang

dan dipertahankan dalam berbagai cara, mulai dari model

desentralisasi sedekat mungkin dengan alam , dengan metode yang

sangat dikontrol. Beberapa solusi dapat dipertahankan dalam

populasi pada suatu waktu , beragam individu dan , memang spesies

dapat dengan mudah dibujuk untuk hidup berdampingan satu sama

lain, sehingga mengurangi tekanan terhadap konvergensi premature



4.5.3 Restricted Mating

Tujuan dari kawin terbatas adalah untuk mendorong spesiasi ,

dan mengurangi produksi lethals . Sebuah mematikan adalah

anak dari orang tua dari dua relung yang berbeda . Meskipun

setiap orang tua mungkin sangat cocok, kombinasi kromosom

mereka mungkin

Filosofi umum kawin terbatas membuat asumsi bahwa jika dua

orang tua yang sama (misalnya , dari niche yang sama ) yang

dikawinkan , maka keturunannya akan serupa . Namun, ini akan

sangat tergantung pada skema pengkodean khususnya

keberadaan blok bangunan , dan epistasis rendah . Di bawah

crossover dan mutasi operator konvensional , dua orang tua

dengan genotipe yang sama akan selalu menghasilkan keturunan

dengan genotipe yang sama . Namun dalam kromosom yang

sangat epistatik , tidak ada menjamin bahwa keturunan ini tidak

akan kebugaran rendah, yaitu lethals. Kesamaan genotipe tidak

menjamin kesamaan fenotip. Efek ini membatasi penggunaan

kawin terbatas.



4.6 Few Micro-operators

Beberapa operator tingkat mikro rendah lainnya telah diusulkan

untuk digunakan dalam genetik algoritma rithmsearch.Thefew

microoperatorsto bediscussed di sectionare ini sebagai berikut:

1. Segregation (Pemisahan).

2. Translocation (Perpindahan Lokasi).

3. Duplication (Duplikat).

4. Deletion (Penghapusan).

5. Sexual differentiation Difrensiasi Seksual)



4.6.1 Segregation and Translocation

Pertimbangkan proses pembentukan gamet ketika ada lebih dari satu

Pairin kromosom genotype.Crossover berlangsung seperti yang

ditangani dalam bab sebelumnya dan ketika itu adalah untuk

membentuk gamet, kami secara acak memilih salah satu dari masing-

masing chromosomes.This proses seleksi acak haploid adalah

disebut sebagai segregasi yang mengganggu setiap menghubungkan,

yang mungkin ada di antara gen-gen pada kromosom yang berbeda.

Hal ini menemukan bahwa segregasi memanfaatkan organisasi yang

tepat kromosom dan penting untuk dicatat bahwa bagaimana

kromosom menjadi terorganisir dalam cara yang tepat. Untuk tujuan

ini, Operator translokasi digunakan. Operator Translokasi dapat

dianggap sebagai operator crossover yang interchromosomal.

Operator ini dapat diimplementasikan dengan menghubungkan alel

dengan nama gen mereka, sehingga seseorang dapat

mengidentifikasi makna yang dimaksudkan mereka ketika mereka

mendapatkan berjalan dari kromosom ke kromosom oleh operator

translokasi.



4.6.2 Duplication and Deletion

Intrachromosom semua duplikasi melakukan dengan

menduplikasi gen tertentu dan menempatkannya bersama dengan

leluhurnya pada kromosom. Penghapusan melakukan dengan

menghapus gen duplikat dari kromosom. Tingkat mutasi secara

efektif dapat dikontrol oleh operator tersebut. Ketika tingkat

mutasi tetap konstan dan intrachromosomal penyebab duplikasi

salinan 'k' dari gen tertentu, maka probabilitas mutasi efektif

untuk gen ini dikalikan dengan 'k'. Di sisi lain, ketika terjadi

penghapusan, tingkat mutasi yang efektif akan menurun.



4.6.3 Sexual Determination

Penentuan seks ditangani secara berbeda pada spesies yang

berbeda , tetapi contoh manusia sudah cukup untuk memahami

tekad seksual . Seks ditentukan pada manusia oleh salah satu dari

23 pasang kromosom manusia. Wanita memiliki dua X sama dan

kromosom X dan pria memiliki dua kromosom X berbeda dan Y .

Selama proses gametogenesis , laki-laki bentuk sperma ( yang

membawa X atau kromosom Y ) dan perempuan memiliki telur (yang

hanya membawa kromosom X ) . Pada pembuahan, kromosom X

yang diproduksi oleh perempuan dikombinasikan dengan baik X

atau kromosom Y yang diproduksi oleh perempuan .

Pembentukan perbedaan jenis kelamin secara efektif membagi

spesies ke dalam dua kelompok atau lebih . Hal ini memungkinkan

pria dan wanita untuk mengkhususkan , sehingga melampirkan

berbagai perilaku yang diperlukan untuk kelangsungan hidup lebih

luas daripada akan bersaing dengan populasi tunggal.



4.7 Non-binary Representation.

Sebuah kromosom merupakan urutan simbol , dan , secara

tradisional , simbol ini mencukur menjadi digit biner , sehingga

masing-masing simbol memiliki 2 kardinalitas Kardinalitas huruf

yang lebih tinggi telah digunakan dalam beberapa penelitian , dan

beberapa orang percaya mereka memiliki keunggulan . Goldberg

menyatakan bahwa secara teoritis , representasi biner memberikan

jumlah terbesar skemata , sehingga menyediakan tingkat tertinggi

paralelisme implisit . Tapi Antonisse menafsirkan schemata

berbeda , dan menyimpulkan bahwa , sebaliknya , huruf

kardinalitas tinggi mengandung lebih schemata daripada biner



Goldberg kini telah mengembangkan teori , yang menjelaskan

mengapa representasi kardinalitas tinggi dapat melakukan dengan

baik. Teorinya huruf maya mengatakan bahwa setiap simbol

menyatu dalam beberapa generasi pertama , hanya menyisakan

sejumlah kecil nilai yang mungkin . Dengan cara ini , masing-

masing simbol efektif hanya memiliki kardinalitas rendah . Studi

empiris huruf tinggi kardinalitas telah biasanya digunakan

kromosom mana setiap simbol mewakili integer , atau angka

floating-point . Sebagai Davis menunjukkan , parameter prob - lem

sering numerik , sehingga mewakili mereka secara langsung

sebagai angka , bukan bit - string , tampak jelas , dan mungkin

memiliki keuntungan . Satu keuntungan adalah bahwa kita dapat

lebih mudah menentukan bermakna , Crossover masalah spesifik

dan mutasi operator .



Operator GA,s sebagai berikut :

Combination operators

Rata-rata-rata mengambil aritmatika dari gen induk.

Geometris berarti-mengambil akar kuadrat dari produk dari dua

nilai

Perpanjangan nilai, dan menambahkannya ke yang lebih tinggi,

atau kurangi dari bawah.

Mutation operators

Acak pengganti ganti nilai dengan satu acak

Creep-menambah atau mengurangi sedikit jumlah acak.

Geometrik merayap-kalikan dengan jumlah acak mendekati

satu.



4.8 Multi-Objective Optimization

Dalam masalah optimasi multi-tujuan, beberapa fungsi obyektif

perlu dioptimalkan secara bersamaan. Dalam kasus beberapa

tujuan, ada tidak selalu ada solusi yang terbaik sehubungan

dengan semua tujuan karena perbedaan antara solusi objectives.A

mungkin menjadi yang terbaik dalam satu tujuan tetapi terburuk di

negara lain. Ada kedepan, ada biasanya ada satu set solusi untuk

kasus multi-objektif, yang tidak bisa begitu saja dibandingkan satu

sama lain. Untuk solusi tersebut, yang disebut solusi optimal

Pareto atau solusi non didominasi, ada perbaikan mungkin dalam

setiap fungsi tujuan tanpa mengorbankan setidaknya salah satu

fungsi obyektif lainnya.

Jadi dengan menggunakan konsep optimalitas Pareto kita dapat

menemukan satu set solusi yang semuanya kompromi optimal

antara tujuan yang saling bertentangan. Optimalitas Pareto adalah

konsep yang digunakan ekonomi, teori permainan, dll Pareto solusi

optimal adalah salah satu yang tidak didominasi oleh solusi lain

yakni adalah satu di mana tidak ada tujuan dapat ditingkatkan

tanpa penurunan satu atau lebih dari tujuan lainnya.



4.9 Combinatorial Optimizations (Optimasi Kombinatorial)

Optimasi kombinatorial berisi tubuh besar masalah dengan fitur

yang berbeda dan sifat. Meskipun masalah ini cukup berbeda satu

sama lain, masalah dapat dicirikan sebagai salah satu jenis

berikut:

Untuk menentukan permutasi dari beberapa item yang terkait

dengan masalah tersebut.

Untuk menentukan kombinasi dari beberapa item.

Untuk menentukan baik permutasi dan kombinasi dari beberapa

item.

Salah satu dari subjek di atas kendala.

3/24/2014



4.10 Knowledge Based Techniques

GA menggunakan crossover dan mutasi operator tradisional,

beberapa telah menganjurkan merancang operator baru untuk setiap

tugas, menggunakan pengetahuan domain. Hal ini membuat masing-

masing GA lebih tugas tertentu (kurang kuat), tetapi dapat

meningkatkan kinerja secara signifikan. Dimana GA yang sedang

dirancang untuk mengatasi masalah dunia nyata, dan harus bersaing

dengan pencari dan optimasi teknik lain, penggabungan

pengetahuan domain sering masuk akal. Beberapa peneliti

berpendapat bahwa pengetahuan khusus masalah berguna dapat

dimasukkan ke dalam operasi crossover. Pengetahuan domain dapat

digunakan untuk mencegah kromosom jelas tidak layak, atau

mereka, yang akan melanggar kendala masalah, dari yang diproduksi

di tempat pertama. Hal ini untuk menghindari membuang-buang

waktu mengevaluasi orang tersebut, dan menghindari

memperkenalkan berkinerja buruk dalam populasi.

3/24/2014



Thank you

for the nine STL friend for

your cooperation……!!!!!!

and Compact Always

introduction to genetic algoritms

Education