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

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.”

6. Gregor Mendel Hukumpewarisansifat.

8. James Watson dan Francis Crick Penemuanstruktur DNA.

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

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