• Share
  • Email
  • Embed
  • Like
  • Save
  • Private Content
Introduction to genetic algoritms
 

Introduction to genetic algoritms

on

  • 168 views

 

Statistics

Views

Total Views
168
Views on SlideShare
106
Embed Views
62

Actions

Likes
0
Downloads
1
Comments
0

2 Embeds 62

http://suparmanunkhair.blogspot.com 60
http://www.suparmanunkhair.blogspot.com 2

Accessibility

Categories

Upload Details

Uploaded via as Adobe PDF

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

    Introduction to genetic algoritms Introduction to genetic algoritms Presentation Transcript

    • 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 Advanced Operators and Techniques in Genetic Algorithm 2 Chapter 4 Advanced Operators and Techniques in 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 Advanced Operators and Techniques in 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 Advanced Operators and Techniques in 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 Advanced Operators and Techniques in 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 Advanced Operators and Techniques in 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 Advanced Operators and Techniques in 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 Advanced Operators and Techniques in 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 Advanced Operators and Techniques in 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 Advanced Operators and Techniques in 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 Advanced Operators and Techniques in Genetic Algorithm 11 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 Advanced Operators and Techniques in Genetic Algorithm 12 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 Advanced Operators and Techniques in Genetic Algorithm 13 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
    • Advanced Operators and Techniques in Genetic Algorithm 143/24/2014 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.
    • Advanced Operators and Techniques in Genetic Algorithm 153/24/2014 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
    • Advanced Operators and Techniques in Genetic Algorithm 163/24/2014 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.
    • Advanced Operators and Techniques in Genetic Algorithm 173/24/2014 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
    • Advanced Operators and Techniques in Genetic Algorithm 183/24/2014 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
    • Advanced Operators and Techniques in Genetic Algorithm 193/24/2014 ∀ 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.
    • Advanced Operators and Techniques in Genetic Algorithm 203/24/2014 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
    • Advanced Operators and Techniques in Genetic Algorithm 213/24/2014 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.
    • Advanced Operators and Techniques in Genetic Algorithm 223/24/2014 SET THRESHOLD REPEAT FOR EACH INDIVIDUAL DO TEST INDIVIDUAL ENTER PARENT POPULATION IF NO-NEW-PARENTS THEN LOWER THRESHOLD FOR EACH INDIVIDUAL DO 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.
    • Advanced Operators and Techniques in Genetic Algorithm 233/24/2014 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
    • Advanced Operators and Techniques in Genetic Algorithm 243/24/2014 REPEAT FOR EACH INDIVIDUAL DO TEST INDIVIDUAL WITH MAIN FITNESS FUNCTION ENTER PARENT POPULATION #1 IF UNSUCCESSFUL TEST INDIVIDUAL WITH SECONDARY FITNESS FUNCTION ENTER PARENT POPULATION #2 FOR EACH INDIVIDUAL DO 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
    • Advanced Operators and Techniques in Genetic Algorithm 253/24/2014 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.
    • Advanced Operators and Techniques in Genetic Algorithm 263/24/2014 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)
    • Advanced Operators and Techniques in Genetic Algorithm 273/24/2014 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.
    • Advanced Operators and Techniques in Genetic Algorithm 283/24/2014 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.
    • Advanced Operators and Techniques in Genetic Algorithm 293/24/2014 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.
    • Advanced Operators and Techniques in Genetic Algorithm 303/24/2014 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
    • Advanced Operators and Techniques in Genetic Algorithm 313/24/2014 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 .
    • Advanced Operators and Techniques in Genetic Algorithm 323/24/2014 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.
    • Advanced Operators and Techniques in Genetic Algorithm 333/24/2014 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.
    • Advanced Operators and Techniques in Genetic Algorithm 343/24/2014 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 Advanced Operators and Techniques in Genetic Algorithm 35 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 Advanced Operators and Techniques in Genetic Algorithm 36 Thank you for the nine STL friend for your cooperation……!!!!!! and Compact Always