Evolutionary Programming

1,064
-1

Published on

Slide presentasi MEET (Matlab & evolutionary Programming Exclusive Training) Hari ke-2

Published in: Technology
0 Comments
2 Likes
Statistics
Notes
  • Be the first to comment

No Downloads
Views
Total Views
1,064
On Slideshare
0
From Embeds
0
Number of Embeds
0
Actions
Shares
0
Downloads
0
Comments
0
Likes
2
Embeds 0
No embeds

No notes for slide
  • Sejarahteorievolusihinggadidapatkankromosomdan DNA
  • Di amerikaKemampuanmemprediksilingkungan yang dinamis
  • Di amerikaKemampuanmemprediksilingkungan yang dinamis
  • Di amerikaKemampuanmemprediksilingkungan yang dinamis
  • Di amerikaKemampuanmemprediksilingkungan yang dinamis
  • Di amerikaKemampuanmemprediksilingkungan yang dinamis
  • Di amerikaKemampuanmemprediksilingkungan yang dinamis
  • Di amerikaKemampuanmemprediksilingkungan yang dinamis
  • Di amerikaKemampuanmemprediksilingkungan yang dinamis
  • Di amerikaKemampuanmemprediksilingkungan yang dinamis
  • Di amerikaKemampuanmemprediksilingkungan yang dinamis
  • Di amerikaKemampuanmemprediksilingkungan yang dinamis
  • Di amerikaKemampuanmemprediksilingkungan yang dinamis
  • Di amerikaKemampuanmemprediksilingkungan yang dinamis
  • Di amerikaKemampuanmemprediksilingkungan yang dinamis
  • Di amerikaKemampuanmemprediksilingkungan yang dinamis
  • Di amerikaKemampuanmemprediksilingkungan yang dinamis
  • Di amerikaKemampuanmemprediksilingkungan yang dinamis
  • Di amerikaKemampuanmemprediksilingkungan yang dinamis
  • Di amerikaKemampuanmemprediksilingkungan yang dinamis
  • Di amerikaKemampuanmemprediksilingkungan yang dinamis
  • Di amerikaKemampuanmemprediksilingkungan yang dinamis
  • Di amerikaKemampuanmemprediksilingkungan yang dinamis
  • Di amerikaKemampuanmemprediksilingkungan yang dinamis
  • Di amerikaKemampuanmemprediksilingkungan yang dinamis
  • Di amerikaKemampuanmemprediksilingkungan yang dinamis
  • Di amerikaKemampuanmemprediksilingkungan yang dinamis
  • Di amerikaKemampuanmemprediksilingkungan yang dinamis
  • Di amerikaKemampuanmemprediksilingkungan yang dinamis
  • Di amerikaKemampuanmemprediksilingkungan yang dinamis
  • Di amerikaKemampuanmemprediksilingkungan yang dinamis
  • Di amerikaKemampuanmemprediksilingkungan yang dinamis
  • Di amerikaKemampuanmemprediksilingkungan yang dinamis
  • Di amerikaKemampuanmemprediksilingkungan yang dinamis
  • Di amerikaKemampuanmemprediksilingkungan yang dinamis
  • Di amerikaKemampuanmemprediksilingkungan yang dinamis
  • Di amerikaKemampuanmemprediksilingkungan yang dinamis
  • Di amerikaKemampuanmemprediksilingkungan yang dinamis
  • Di amerikaKemampuanmemprediksilingkungan yang dinamis
  • Di amerikaKemampuanmemprediksilingkungan yang dinamis
  • Di amerikaKemampuanmemprediksilingkungan yang dinamis
  • Di amerikaKemampuanmemprediksilingkungan yang dinamis
  • Di amerikaKemampuanmemprediksilingkungan yang dinamis
  • Di amerikaKemampuanmemprediksilingkungan yang dinamis
  • Evolutionary Programming

    1. 1. Evolutionary<br />Programming<br />Matlab & EP Exclusive Training<br />
    2. 2. Outline<br />Teori ‘Evolusi’ dan ‘Genetika’<br />Evolutionary Computation<br />Evolutionary Programming<br />Karakteristik EP<br />Aplikasi EP<br />
    3. 3. Gregor Mendel<br />Charles Darwin<br />
    4. 4. Tahun 1958, On the Origin of Species<br />“Satuspesiesberasaldarispesies lain.”<br />
    5. 5.
    6. 6. Gregor Mendel<br />Hukumpewarisansifat.<br />
    7. 7.
    8. 8. James Watson dan Francis Crick<br />Penemuanstruktur DNA.<br />
    9. 9.
    10. 10.
    11. 11. Biological Evolution<br />
    12. 12. SeleksiAlam<br />
    13. 13. Mutasi<br />
    14. 14. Mutasi<br />
    15. 15. Mutasi<br /> Di dunianyata,<br />Mutasiselalulebihburuk.<br />
    16. 16. Lemah<br />Banyak pro & kontra<br />???<br />
    17. 17. Evolutionary computation.<br />Komputasiberbasi ‘evolusi’ dan ‘genetika’<br />
    18. 18. Apaitu EC?<br />“Evolutionary Computation is an abstraction from the theory of biological evolution that is used to create optimization procedures or methodologies, usually implemented on computers, that are used to solve problems.“ [JUL07].<br />Evolutionary Algorithm,<br />Adalahalgoritma yang mengimplementasikanabstraksi EC.<br />
    19. 19. Adaptasi BE  EAs<br />Populasi, terdiridarisekumpulanindividu<br />1 Individu 1 Kromosom  1 solusi<br />Setiapindividumungkinmengalamipindahsilang (rekombinasi), danataumutasi<br />Mekanismeuntukmenentukanindividu yang bertahandigenerasiberikutnya<br />Individuterbaik = solusioptimum<br />
    20. 20. Skema BE  EC<br />
    21. 21. Mengapadibutuhkan EC?<br />Ruangmasalahsangatbesar, kompleks, dankemungkinansolusi yang takberhingga<br />Terdapatbatasanwaktu, misalnyadalamsistemwaktunyata (real time system).<br />Mempunyai multi‐objective dan multi‐criteria, sehinggadiperlukansolusi yang dapatsecarabijakditerimaolehsemuapihak<br />Solusi yang diharapkantidakharus paling baik, tetapi ’bagus’ ataubisaditerima<br />
    22. 22. Mengapadibutuhkan EC?<br />TSP dengan 100 lokasi.<br />Seorangkurirmempunyaiwaktu 8 jam.<br />Ilustrasi : SUY<br />
    23. 23. Mengapadibutuhkan EC?<br />Ilustrasi : SUY<br />
    24. 24.
    25. 25. Lemah<br />Banyak pro & kontra<br />Powerfull<br />
    26. 26. Evolutionary programming.<br />
    27. 27. 1990-an<br />Kecerdasanberkelompok<br />FireflyAlgorithm<br />Monkey Search<br />1970-an<br />Genetika<br />Cuckoo Search<br />Gambar : SUY<br />
    28. 28. EP Padamasaawal<br />Kecerdasandipandangsebagaitingkahlaku yang adaptif<br />Salahsatusyarat adaptive behaviouradalahkemampuanmemprediksilingkungan<br />Untukmembangunkemampuanmemprediksi, EP dibangunatasdasar FSM (Finite State Machine)<br />Diperkenalkanoleh D. Fogel, tahun 1960an<br />
    29. 29. FSM<br />0/c<br />1/a<br />1/a<br />A<br />B<br />C<br />0/b<br />Adalahsuatumesin yang terbataskeadaan yang terdiridari<br />State<br />Input<br />Output<br />Fungsitransisi<br />State = {A,B,C}<br />Input = {0,1}<br />Output = {a,b,c}<br />A = initial state<br />Tandapanah = fungsitransisi<br />
    30. 30. Contohkasus FSM <br />Input : 011010001 <br />Output : 110011110<br />FSM yang bisamemetakan input-output tsbdenganakurasitinggi? dan<br />Jumlah state minimum.<br />
    31. 31. Contohkasus FSM <br />State : {A,B,C,D}<br />Input : {0,1}<br />Ouput : {0,1}<br />Initial state : A<br />Input : 011010001 <br />Output : 110011110<br />1/0<br />0/1<br />A<br />B<br />1/1<br />0/1<br />0/0<br />0/1<br />Adakahbentuk yang lebihsederhana??<br />1/0<br />C<br />C<br />1/1<br />
    32. 32. EP Masakini<br />EP dengan FSM tidakbanyakdikembangkan, karenaketerbatasan FSM sendiri.<br />EP kinilebihbanyakmenggunakanrepresentasi real (miripdengan ES)<br />
    33. 33. Mekanisme EP<br />Pairwise competition<br />Fitness Ranking<br />Deterministik<br />Mutasi<br />Populasigabungan<br />
    34. 34. Mekanisme EP<br />Dalam EPtidakadarekombinasi, kenapa??<br />
    35. 35. Representasikromosom<br />Variabel yang dioptimasi<br />Mutation step size<br />Kromosomdenganbilangan real<br />
    36. 36. Representasikromosom<br />Nilai minimum dari F =<br />SatuSpesies SatuIndividu  <br />Satukromosom  SatuSolusi<br />
    37. 37. Representasikromosom<br />Populasi<br />Populasi<br />X1 = -5.9215 & X2= 4.7086<br />X1 = 1.1012 & X2 = -3.0206<br />X1 = -0.4897 & X2= 0.4565<br />X1 = -7.8096 & X2= -5.3496<br />X1 = -2.6060 & X2= 1.6317<br />X1 =-5.4051 & X2= -3.7925<br />fenotip<br />genotip<br />
    38. 38. Fungsi fitness<br />Adalahukuranbaikatautidaknyasuatuindividu.<br />Digunakanketikaprosespemilihanindividuterbaik.<br />Maksimasi<br />Minimasi<br />f = fungsi fitness<br />h = fungsiobjektif<br />
    39. 39. Fungsi fitness<br />Populasi<br />X1 = -5.9215 & X2= 4.7086<br />X1 = 1.1012 & X2 = -3.0206<br />X1 = -0.4897 & X2= 0.4565<br />Individuterbaik<br />X1 = -7.8096 & X2= -5.3496<br />X1 = -2.6060 & X2= 1.6317<br />X1 =-5.4051 & X2= -3.7925<br />
    40. 40. Seleksiorangtua<br />Bersifatdeterministik, <br />Karenatidakadarekombinasi, makasemuaindividuterpilihsebagaiorangtuatanpamelihatnilai fitness<br />Dalampopulasi, N individuselalumenghasilkanN anakmelaluiprosesmutasi.<br />
    41. 41. Mutasi<br />Mutasidilakukandenganmengubahnilai gen denganmenambahkanbilangan random yang dibangkitkandaridistribusi normal<br />Mutasidilakukanterhadap mutation step size terlebihdahulubaru, mutasiterhadapvariabel<br />Rumusnya<br />αbiasanyadisetsekitar 0,2<br />
    42. 42. Mutasi<br />Misalkan, σ1(new) =σ1(old) + (1+ α (N(0,1))) <br /> = 0,012+ (1+ 0,98 (0,192)) <br /> = 1,20016<br />Misalkan, x1(new) =x1(old) + σ1(new) (N(0,1)) <br /> = 0,021+ 1,20016(0,98) <br /> = 1,1971516<br />
    43. 43. Mutasi<br />
    44. 44. Mutasi<br />
    45. 45. Mutasi<br />
    46. 46. Mutasi<br />
    47. 47. Seleksi survivor<br />Setiapspesies, terpilihsebagaiorangtuadanmenghasilkananak.<br />Sehinggaukuranpopulasimenjadi 2 kali lipat (populasiorangtua + populasianak)<br />Metode survivor yang biasadilakukan :<br />PairwiseCompetition, atauFitness Ranking<br />
    48. 48. Pairwise Competition<br />Setiapindividuditandingkandengansejumlahindividu lain berdasarkannilai fitness, kemudiandihitungjumlahkemenangan<br />Individudenganjumlahmenang paling banyak, akanbertahandigenerasiberikutnya.<br />Jumlahindividu yang ditandingkan, digunakansebagai parameter seleksi. Semakinbanyakmakaartinyaseleksi yang dilakukansemakinketat<br />
    49. 49. Pairwise Competition<br />PopulasiGabungan<br />VS<br />
    50. 50. Fitness Ranking<br />PopulasiGabungan<br />PopulasiGabungan<br />0.0289 <br />0.0029 <br />0.0226 <br />0.0289 <br />0.0098<br />0.0226 <br />0.0039<br />0.0029 <br />0.002<br />0.002<br />0.0098<br />0.0039<br />
    51. 51. Contohkasus<br />Nilai minimum darifungsi<br />
    52. 52. Fungsi fitness<br />Maksimasi / Minimasi?<br />Variabel yang dicarinilainya?<br />Fungsiobjektif?<br />Fungsi fitness?<br />
    53. 53. Inisialisasipopulasi<br />
    54. 54. mutasi<br />
    55. 55. anak<br />
    56. 56. Seleksi survivor<br />
    57. 57. Populasibaru<br />
    58. 58. mutasi<br />
    59. 59. anak<br />
    60. 60. Seleksi survivor<br />
    61. 61. Populasibaru<br />
    62. 62. mutasi<br />
    63. 63. anak<br />
    64. 64. Seleksi survivor<br />
    65. 65. Populasibaru<br />
    66. 66. mutasi<br />
    67. 67. anak<br />
    68. 68. Seleksi survivor<br />
    69. 69. finish<br />
    70. 70. Aplikasi EP<br />evolving game players<br />training of artificial neural networks<br />robotic motion control<br />time series forecasting<br />

    ×