• Share
  • Email
  • Embed
  • Like
  • Save
  • Private Content
Evolutionary Programming
 

Evolutionary Programming

on

  • 960 views

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

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

Statistics

Views

Total Views
960
Views on SlideShare
960
Embed Views
0

Actions

Likes
1
Downloads
0
Comments
0

0 Embeds 0

No embeds

Accessibility

Categories

Upload Details

Uploaded via as Microsoft PowerPoint

Usage Rights

© All Rights Reserved

Report content

Flagged as inappropriate Flag as inappropriate
Flag as inappropriate

Select your reason for flagging this presentation as inappropriate.

Cancel
  • Full Name Full Name Comment goes here.
    Are you sure you want to
    Your message goes here
    Processing…
Post Comment
Edit your comment
  • 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 Evolutionary Programming Presentation Transcript

  • Evolutionary
    Programming
    Matlab & EP Exclusive Training
  • Outline
    Teori ‘Evolusi’ dan ‘Genetika’
    Evolutionary Computation
    Evolutionary Programming
    Karakteristik EP
    Aplikasi EP
  • Gregor Mendel
    Charles Darwin
  • Tahun 1958, On the Origin of Species
    “Satuspesiesberasaldarispesies lain.”
  • Gregor Mendel
    Hukumpewarisansifat.
  • James Watson dan Francis Crick
    Penemuanstruktur DNA.
  • Biological Evolution
  • SeleksiAlam
  • Mutasi
  • Mutasi
  • Mutasi
    Di dunianyata,
    Mutasiselalulebihburuk.
  • Lemah
    Banyak pro & kontra
    ???
  • Evolutionary computation.
    Komputasiberbasi ‘evolusi’ dan ‘genetika’
  • Apaitu EC?
    “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].
    Evolutionary Algorithm,
    Adalahalgoritma yang mengimplementasikanabstraksi EC.
  • Adaptasi BE  EAs
    Populasi, terdiridarisekumpulanindividu
    1 Individu 1 Kromosom  1 solusi
    Setiapindividumungkinmengalamipindahsilang (rekombinasi), danataumutasi
    Mekanismeuntukmenentukanindividu yang bertahandigenerasiberikutnya
    Individuterbaik = solusioptimum
  • Skema BE  EC
  • Mengapadibutuhkan EC?
    Ruangmasalahsangatbesar, kompleks, dankemungkinansolusi yang takberhingga
    Terdapatbatasanwaktu, misalnyadalamsistemwaktunyata (real time system).
    Mempunyai multi‐objective dan multi‐criteria, sehinggadiperlukansolusi yang dapatsecarabijakditerimaolehsemuapihak
    Solusi yang diharapkantidakharus paling baik, tetapi ’bagus’ ataubisaditerima
  • Mengapadibutuhkan EC?
    TSP dengan 100 lokasi.
    Seorangkurirmempunyaiwaktu 8 jam.
    Ilustrasi : SUY
  • Mengapadibutuhkan EC?
    Ilustrasi : SUY
  • Lemah
    Banyak pro & kontra
    Powerfull
  • Evolutionary programming.
  • 1990-an
    Kecerdasanberkelompok
    FireflyAlgorithm
    Monkey Search
    1970-an
    Genetika
    Cuckoo Search
    Gambar : SUY
  • EP Padamasaawal
    Kecerdasandipandangsebagaitingkahlaku yang adaptif
    Salahsatusyarat adaptive behaviouradalahkemampuanmemprediksilingkungan
    Untukmembangunkemampuanmemprediksi, EP dibangunatasdasar FSM (Finite State Machine)
    Diperkenalkanoleh D. Fogel, tahun 1960an
  • FSM
    0/c
    1/a
    1/a
    A
    B
    C
    0/b
    Adalahsuatumesin yang terbataskeadaan yang terdiridari
    State
    Input
    Output
    Fungsitransisi
    State = {A,B,C}
    Input = {0,1}
    Output = {a,b,c}
    A = initial state
    Tandapanah = fungsitransisi
  • Contohkasus FSM
    Input : 011010001
    Output : 110011110
    FSM yang bisamemetakan input-output tsbdenganakurasitinggi? dan
    Jumlah state minimum.
  • Contohkasus FSM
    State : {A,B,C,D}
    Input : {0,1}
    Ouput : {0,1}
    Initial state : A
    Input : 011010001
    Output : 110011110
    1/0
    0/1
    A
    B
    1/1
    0/1
    0/0
    0/1
    Adakahbentuk yang lebihsederhana??
    1/0
    C
    C
    1/1
  • EP Masakini
    EP dengan FSM tidakbanyakdikembangkan, karenaketerbatasan FSM sendiri.
    EP kinilebihbanyakmenggunakanrepresentasi real (miripdengan ES)
  • Mekanisme EP
    Pairwise competition
    Fitness Ranking
    Deterministik
    Mutasi
    Populasigabungan
  • Mekanisme EP
    Dalam EPtidakadarekombinasi, kenapa??
  • Representasikromosom
    Variabel yang dioptimasi
    Mutation step size
    Kromosomdenganbilangan real
  • Representasikromosom
    Nilai minimum dari F =
    SatuSpesies SatuIndividu 
    Satukromosom  SatuSolusi
  • Representasikromosom
    Populasi
    Populasi
    X1 = -5.9215 & X2= 4.7086
    X1 = 1.1012 & X2 = -3.0206
    X1 = -0.4897 & X2= 0.4565
    X1 = -7.8096 & X2= -5.3496
    X1 = -2.6060 & X2= 1.6317
    X1 =-5.4051 & X2= -3.7925
    fenotip
    genotip
  • Fungsi fitness
    Adalahukuranbaikatautidaknyasuatuindividu.
    Digunakanketikaprosespemilihanindividuterbaik.
    Maksimasi
    Minimasi
    f = fungsi fitness
    h = fungsiobjektif
  • Fungsi fitness
    Populasi
    X1 = -5.9215 & X2= 4.7086
    X1 = 1.1012 & X2 = -3.0206
    X1 = -0.4897 & X2= 0.4565
    Individuterbaik
    X1 = -7.8096 & X2= -5.3496
    X1 = -2.6060 & X2= 1.6317
    X1 =-5.4051 & X2= -3.7925
  • Seleksiorangtua
    Bersifatdeterministik,
    Karenatidakadarekombinasi, makasemuaindividuterpilihsebagaiorangtuatanpamelihatnilai fitness
    Dalampopulasi, N individuselalumenghasilkanN anakmelaluiprosesmutasi.
  • Mutasi
    Mutasidilakukandenganmengubahnilai gen denganmenambahkanbilangan random yang dibangkitkandaridistribusi normal
    Mutasidilakukanterhadap mutation step size terlebihdahulubaru, mutasiterhadapvariabel
    Rumusnya
    αbiasanyadisetsekitar 0,2
  • Mutasi
    Misalkan, σ1(new) =σ1(old) + (1+ α (N(0,1)))
    = 0,012+ (1+ 0,98 (0,192))
    = 1,20016
    Misalkan, x1(new) =x1(old) + σ1(new) (N(0,1))
    = 0,021+ 1,20016(0,98)
    = 1,1971516
  • Mutasi
  • Mutasi
  • Mutasi
  • Mutasi
  • Seleksi survivor
    Setiapspesies, terpilihsebagaiorangtuadanmenghasilkananak.
    Sehinggaukuranpopulasimenjadi 2 kali lipat (populasiorangtua + populasianak)
    Metode survivor yang biasadilakukan :
    PairwiseCompetition, atauFitness Ranking
  • Pairwise Competition
    Setiapindividuditandingkandengansejumlahindividu lain berdasarkannilai fitness, kemudiandihitungjumlahkemenangan
    Individudenganjumlahmenang paling banyak, akanbertahandigenerasiberikutnya.
    Jumlahindividu yang ditandingkan, digunakansebagai parameter seleksi. Semakinbanyakmakaartinyaseleksi yang dilakukansemakinketat
  • Pairwise Competition
    PopulasiGabungan
    VS
  • Fitness Ranking
    PopulasiGabungan
    PopulasiGabungan
    0.0289
    0.0029
    0.0226
    0.0289
    0.0098
    0.0226
    0.0039
    0.0029
    0.002
    0.002
    0.0098
    0.0039
  • Contohkasus
    Nilai minimum darifungsi
  • Fungsi fitness
    Maksimasi / Minimasi?
    Variabel yang dicarinilainya?
    Fungsiobjektif?
    Fungsi fitness?
  • Inisialisasipopulasi
  • mutasi
  • anak
  • Seleksi survivor
  • Populasibaru
  • mutasi
  • anak
  • Seleksi survivor
  • Populasibaru
  • mutasi
  • anak
  • Seleksi survivor
  • Populasibaru
  • mutasi
  • anak
  • Seleksi survivor
  • finish
  • Aplikasi EP
    evolving game players
    training of artificial neural networks
    robotic motion control
    time series forecasting