Your SlideShare is downloading. ×
Evolutionary Programming
Evolutionary Programming
Evolutionary Programming
Evolutionary Programming
Evolutionary Programming
Evolutionary Programming
Evolutionary Programming
Evolutionary Programming
Evolutionary Programming
Evolutionary Programming
Evolutionary Programming
Evolutionary Programming
Evolutionary Programming
Evolutionary Programming
Evolutionary Programming
Evolutionary Programming
Evolutionary Programming
Evolutionary Programming
Evolutionary Programming
Evolutionary Programming
Evolutionary Programming
Evolutionary Programming
Evolutionary Programming
Evolutionary Programming
Evolutionary Programming
Evolutionary Programming
Evolutionary Programming
Evolutionary Programming
Evolutionary Programming
Evolutionary Programming
Evolutionary Programming
Evolutionary Programming
Evolutionary Programming
Evolutionary Programming
Evolutionary Programming
Evolutionary Programming
Evolutionary Programming
Evolutionary Programming
Evolutionary Programming
Evolutionary Programming
Evolutionary Programming
Evolutionary Programming
Evolutionary Programming
Evolutionary Programming
Evolutionary Programming
Evolutionary Programming
Evolutionary Programming
Evolutionary Programming
Evolutionary Programming
Evolutionary Programming
Evolutionary Programming
Evolutionary Programming
Evolutionary Programming
Evolutionary Programming
Evolutionary Programming
Evolutionary Programming
Evolutionary Programming
Evolutionary Programming
Evolutionary Programming
Evolutionary Programming
Evolutionary Programming
Evolutionary Programming
Evolutionary Programming
Evolutionary Programming
Evolutionary Programming
Evolutionary Programming
Evolutionary Programming
Evolutionary Programming
Evolutionary Programming
Evolutionary Programming
Upcoming SlideShare
Loading in...5
×

Thanks for flagging this SlideShare!

Oops! An error has occurred.

×
Saving this for later? Get the SlideShare app to save on your phone or tablet. Read anywhere, anytime – even offline.
Text the download link to your phone
Standard text messaging rates apply

Evolutionary Programming

925

Published on

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

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
925
On Slideshare
0
From Embeds
0
Number of Embeds
0
Actions
Shares
0
Downloads
0
Comments
0
Likes
2
Embeds 0
No embeds

Report content
Flagged as inappropriate Flag as inappropriate
Flag as inappropriate

Select your reason for flagging this presentation as inappropriate.

Cancel
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
  • Transcript

    • 1. Evolutionary
      Programming
      Matlab & EP Exclusive Training
    • 2. Outline
      Teori ‘Evolusi’ dan ‘Genetika’
      Evolutionary Computation
      Evolutionary Programming
      Karakteristik EP
      Aplikasi EP
    • 3. Gregor Mendel
      Charles Darwin
    • 4. Tahun 1958, On the Origin of Species
      “Satuspesiesberasaldarispesies lain.”
    • 5.
    • 6. Gregor Mendel
      Hukumpewarisansifat.
    • 7.
    • 8. James Watson dan Francis Crick
      Penemuanstruktur DNA.
    • 9.
    • 10.
    • 11. Biological Evolution
    • 12. SeleksiAlam
    • 13. Mutasi
    • 14. Mutasi
    • 15. Mutasi
      Di dunianyata,
      Mutasiselalulebihburuk.
    • 16. Lemah
      Banyak pro & kontra
      ???
    • 17. Evolutionary computation.
      Komputasiberbasi ‘evolusi’ dan ‘genetika’
    • 18. 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.
    • 19. Adaptasi BE  EAs
      Populasi, terdiridarisekumpulanindividu
      1 Individu 1 Kromosom  1 solusi
      Setiapindividumungkinmengalamipindahsilang (rekombinasi), danataumutasi
      Mekanismeuntukmenentukanindividu yang bertahandigenerasiberikutnya
      Individuterbaik = solusioptimum
    • 20. Skema BE  EC
    • 21. 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
    • 22. Mengapadibutuhkan EC?
      TSP dengan 100 lokasi.
      Seorangkurirmempunyaiwaktu 8 jam.
      Ilustrasi : SUY
    • 23. Mengapadibutuhkan EC?
      Ilustrasi : SUY
    • 24.
    • 25. Lemah
      Banyak pro & kontra
      Powerfull
    • 26. Evolutionary programming.
    • 27. 1990-an
      Kecerdasanberkelompok
      FireflyAlgorithm
      Monkey Search
      1970-an
      Genetika
      Cuckoo Search
      Gambar : SUY
    • 28. EP Padamasaawal
      Kecerdasandipandangsebagaitingkahlaku yang adaptif
      Salahsatusyarat adaptive behaviouradalahkemampuanmemprediksilingkungan
      Untukmembangunkemampuanmemprediksi, EP dibangunatasdasar FSM (Finite State Machine)
      Diperkenalkanoleh D. Fogel, tahun 1960an
    • 29. 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
    • 30. Contohkasus FSM
      Input : 011010001
      Output : 110011110
      FSM yang bisamemetakan input-output tsbdenganakurasitinggi? dan
      Jumlah state minimum.
    • 31. 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
    • 32. EP Masakini
      EP dengan FSM tidakbanyakdikembangkan, karenaketerbatasan FSM sendiri.
      EP kinilebihbanyakmenggunakanrepresentasi real (miripdengan ES)
    • 33. Mekanisme EP
      Pairwise competition
      Fitness Ranking
      Deterministik
      Mutasi
      Populasigabungan
    • 34. Mekanisme EP
      Dalam EPtidakadarekombinasi, kenapa??
    • 35. Representasikromosom
      Variabel yang dioptimasi
      Mutation step size
      Kromosomdenganbilangan real
    • 36. Representasikromosom
      Nilai minimum dari F =
      SatuSpesies SatuIndividu 
      Satukromosom  SatuSolusi
    • 37. 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
    • 38. Fungsi fitness
      Adalahukuranbaikatautidaknyasuatuindividu.
      Digunakanketikaprosespemilihanindividuterbaik.
      Maksimasi
      Minimasi
      f = fungsi fitness
      h = fungsiobjektif
    • 39. 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
    • 40. Seleksiorangtua
      Bersifatdeterministik,
      Karenatidakadarekombinasi, makasemuaindividuterpilihsebagaiorangtuatanpamelihatnilai fitness
      Dalampopulasi, N individuselalumenghasilkanN anakmelaluiprosesmutasi.
    • 41. Mutasi
      Mutasidilakukandenganmengubahnilai gen denganmenambahkanbilangan random yang dibangkitkandaridistribusi normal
      Mutasidilakukanterhadap mutation step size terlebihdahulubaru, mutasiterhadapvariabel
      Rumusnya
      αbiasanyadisetsekitar 0,2
    • 42. 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
    • 43. Mutasi
    • 44. Mutasi
    • 45. Mutasi
    • 46. Mutasi
    • 47. Seleksi survivor
      Setiapspesies, terpilihsebagaiorangtuadanmenghasilkananak.
      Sehinggaukuranpopulasimenjadi 2 kali lipat (populasiorangtua + populasianak)
      Metode survivor yang biasadilakukan :
      PairwiseCompetition, atauFitness Ranking
    • 48. Pairwise Competition
      Setiapindividuditandingkandengansejumlahindividu lain berdasarkannilai fitness, kemudiandihitungjumlahkemenangan
      Individudenganjumlahmenang paling banyak, akanbertahandigenerasiberikutnya.
      Jumlahindividu yang ditandingkan, digunakansebagai parameter seleksi. Semakinbanyakmakaartinyaseleksi yang dilakukansemakinketat
    • 49. Pairwise Competition
      PopulasiGabungan
      VS
    • 50. 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
    • 51. Contohkasus
      Nilai minimum darifungsi
    • 52. Fungsi fitness
      Maksimasi / Minimasi?
      Variabel yang dicarinilainya?
      Fungsiobjektif?
      Fungsi fitness?
    • 53. Inisialisasipopulasi
    • 54. mutasi
    • 55. anak
    • 56. Seleksi survivor
    • 57. Populasibaru
    • 58. mutasi
    • 59. anak
    • 60. Seleksi survivor
    • 61. Populasibaru
    • 62. mutasi
    • 63. anak
    • 64. Seleksi survivor
    • 65. Populasibaru
    • 66. mutasi
    • 67. anak
    • 68. Seleksi survivor
    • 69. finish
    • 70. Aplikasi EP
      evolving game players
      training of artificial neural networks
      robotic motion control
      time series forecasting

    ×