Populasi Generik Algoritma Optimasi Metaheuristic


Populasi Generik Algoritma Optimasi Metaheuristic
mekanisme yang terdiri oleh evolusi biologi : reproduksi , mutasi , rekombinasi , dan seleksi . calon solusi untuk optimasi masalah yg memainkan peran individu dalam suatu populasi
evolusi tiruan. (AE) menggambarkan proses algoritma evolusi individu
Selain dari penggunaan optimasi matematika, komputasi evolusioner dan algoritma juga telah digunakan sebagai kerangka kerja eksperimental di mana untuk memvalidasi teori tentang evolusi biologis dan seleksi alam , khususnya melalui kerja di bidang kehidupan buatan (artificial life) .
Batasan lain yang mungkin dari banyak algoritma evolusioner adalah mereka kurang jelasnya perbedaan –genotip – fenotipe .
Recent work in the field of artificial embryogeny , or artificial developmental systems, seeks to address these concerns.
kerja terbaru di bidang embryogeny buatan , atau sistem perkembangan buatan, berusaha untuk mengatasi masalah ini.
populasi awal calon solusi secara acak yang dihasilkan adalah generasi pertama
fungsi fitness diterapkan pada solusi calon dan setiap keturunan berikutnya.
Dalam seleksi , orang tua untuk generasi berikutnya dipilih dengan bias terhadap kebugaran lebih tinggi.
Lalu Orang tua mereproduksi satu atau dua keturunan (calon baru) dengan menyalin gen mereka, dengan dua perubahan yang mungkin: crossover recombines gen orang tua dan mutasi mengubah genotipe individu dengan cara yang acak.
kandidat baru Ini bersaing dengan kandidat tua (generasi pertama) untuk tempat mereka di generasi berikutnya ( survival of the fittest ).
Proses ini dapat diulang sampai calon dengan kualitas yang cukup (solusi) ditemukan atau batas komputasional ditetapkan sebelumnya tercapai.
Algoritma Genetika :
mencari Satu solusi dari masalah dalam bentuk nomor2 string (tradisional biner, meskipun representasi terbaik biasanya mereka yang mencerminkan sesuatu tentang masalah yang dipecahkan), oleh operator yg menerapkan seperti rekombinasi dan mutasi (, kadang satu kadang kedua2nya) .

• Genetic programming : Solusi dalam bentuk program komputer
• Evolutionary programming : Serupa dengan pemrograman genetik, tetapi struktur dari program ini adalah tetap/lengkap dan parameter2 numerik yang dapat di kembangkan;
• Evolution strategy : Bekerja dengan vektor bilangan real sebagai representasi dari solusi, dan biasanya menggunakan self-adaptive mutation rates;
• Neuroevolution – Mirip dengan pemrograman genetika tetapi genom merupakan hasil dari artificial neural networks jaringan syaraf tiruan dengan menggambarkan struktur dan besar hubungan. . Pengkodean genom dapat langsung atau tidak langsung.

Teknik2 lain :
• Ant colony optimization -. Koloni semut optimasi – Berdasarkan ide semut mencari makan dengan komunikasi feromon untuk membentuk path. cocok untuk combinatorial optimization problems.
• Bees algorithm – Lebah algoritma didasarkan pada perilaku mencari makan lebah madu. Ini telah diterapkan di banyak aplikasi seperti routing dan penjadwalan.
• Differential evolution – Berdasarkan perbedaan vektor dan karena itu terutama cocok untuk masalah numerical optimization .
• Firefly algorithm terinspirasi oleh perilaku kunang-kunang, menarik satu sama lain dengan lampu berkedip.
• Particle swarm optimization – Partikel kawanan optimasi – Berdasarkan gagasan perilaku kawanan hewan berkelompok. cocok untuk numerical optimization problems.

• Invasive weed optimization algorithm – Invasif algoritma optimasi gulma – Berdasarkan gagasan perilaku koloni gulma dalam mencari dan menemukan tempat yang cocok untuk pertumbuhan dan reproduksi.
• Harmony search – Based on the ideas of musicians’ behavior in searching for better harmonies. Berdasarkan gagasan perilaku musisi dalam mencari harmoni yang lebih baik. This algorithm is suitable for combinatorial optimization as well as parameter optimization
• Gaussian adaptation – Based on information theory.
Used for maximization of manufacturing yield, mean fitness or average information .
Digunakan untuk memaksimalkan hasil produksi, berarti fitness atau informasi rata-rata .
Lihat Entropy in thermodynamics and information theory .
Metaheuristics are used for combinatorial optimization in which an optimal solution is sought over a discrete search-space.
Metaheuristics digunakan untuk optimasi kombinatorial dimana solusi optimal yang dicari selama diskrit pencarian ruang.

Seleksi alam adalah proses dimana sifat menjadi lebih atau kurang umum dalam suatu populasi karena efek yang konsisten terhadap kelangsungan hidup atau reproduksi pembawa mereka.
It is a key mechanism of evolution . Ini adalah mekanisme utama evolusi .
Variasi genetik Alam dalam populasi organisme dapat menyebabkan beberapa individu untuk bertahan hidup dan bereproduksi lebih berhasil daripada yang lain di lingkungan mereka.
For example, the peppered moth exists in both light and dark colours in the United Kingdom , but during the industrial revolution many of the trees on which the moths rested became blackened by soot, giving the dark-colored moths an advantage in hiding from predators .
Faktor-faktor yang mempengaruhi keberhasilan reproduksi juga penting, dalam seleksi seksual .
Natural selection acts on the phenotype , or the observable characteristics of an organism, but the genetic (heritable) basis of any phenotype which gives a reproductive advantage will become more common in a population (see).
Seleksi alam bekerja pada fenotipe , atau karakteristik diamati dari suatu organisme, tetapi genetik (diwariskan) dari dasar fenotipe yang memberikan keuntungan reproduksi akan menjadi lebih umum dalam suatu populasi (lihat allele frequency).
Seleksi alam merupakan salah satu pilar modern biologi .
Natural selection remains the primary explanation for adaptive evolution . Seleksi alam tetap menjadi penjelasan utama evolusi adaptif .
Variasi genetik adalah hasil dari mutasi, rekombinasi dan perubahan dalam kariotipe (jumlah, bentuk, ukuran dan pengaturan internal kromosom )
Spesiasi membutuhkan perkawinan selektif, yang berakibat pada berkurangnya aliran gen .
Kawin Selektif dapat hasil
1. Geographic isolation,
2. Behavioral isolation/ Perilaku isolasi, atau
3. Temporal isolation.
Perjuangan untuk eksistensi kemudian dijelaskan oleh Al-Jahiz , yang berpendapat bahwa faktor lingkungan mempengaruhi hewan untuk mengembangkan karakteristik baru untuk memastikan kelangsungan hidup.
variasi yang menguntungkan akan cenderung harus dipertahankan, dan yang tidak menguntungkan akan dihancurkan. Hasil ini akan menjadi pembentukan spesies baru

Seleksi alam krusial bergantung pada gagasan keturunan, tetapi dikembangkan jauh sebelum konsep-konsep dasar genetika
genotipe dan fenotipe- PhenoType (Faktor Fisik)- GenoType (Faktor Jiwa/Psikologi)
Seleksi alam bekerja pada fenotipe organisme, atau karakteristik fisik.
Fenotip ditentukan oleh make-up genetik organisme (genotipe) dan lingkungan di mana organisme hidup. (karakter fisik di tentukan oleh factor psikologi dan lingkungan dalam suatu kehidupan)
Seleksi dan variasi genetik
Stochastic optimization/Optimasi stokastik (SO) adalah metode optimasi algoritma yang menggabungkan unsur probabilistik (acak), baik dalam masalah data (pada objective function/ fungsi tujuan , kendala, dll), atau dalam algoritma itu sendiri (melalui nilai-nilai parameter acak, pilihan acak, dll ), atau keduanya.
Metode untuk fungsi stokastik
Partly-random input data arise in such areas as real-time estimation and control, simulation-based optimization where are run as estimates of an actual system, [ 2 ] and problems where there is experimental (random) error in the measurements of the criterion.
Sebagian input data random – timbul di berbagai bidang seperti estimasi waktu nyata dan kontrol, optimasi berbasis simulasi dimana Monte Carlo simulations dijalankan sebagai perkiraan dari sistem yang sebenarnya. Menggunakan algoritma statistical inference sebuah alat estimasi nilai “TRUE” pada fungsi logika “AND / OR” yang membuat langkah2 statistik optimal selanjutnya.
– BUKU :
– spall, JC (2003). Pengenalan Cari Stochastic dan Optimasi . Wiley. ISBN 0471330523 . http://www.jhuapl.edu/ISSO . Wiley. ISBN 0471330523 . http://www.jhuapl.edu/ISSO .
– Fu, MC (2002). “Optimization for Simulation: Theory vs. Practice”. INFORMS Journal on Computing 14 : 192–227. doi : 10.1287/ijoc.14.3.192.113 . “Optimasi untuk Simulasi: Teori vs Praktek”. Menginformasikan Jurnal Komputasi 14: 192-227. DOI : 10.1287/ijoc.14.3.192.113
– ZW Geem, Musik = Algoritma Terinspirasi Cari Harmony: Teori dan Aplikasi, Springer, (2009)