Penerapan Algoritma Genetika Pada Permasalahan Matematika

Algoritma genetika merupakan salah satu cara mengoptimasi dalam mencari hasil dari suatu permasalahan

  • awang andhyka univeritas nahdatatul ulama sidoarjo

Abstract

Algoritma genetika merupakan salah satu cara mengoptimasi dalam mencari hasil dari suatu permasalahan. Algoritma terdiri dari fungsi yang harus diselesaikan dengan nilai random awal, yang kemudian dilakukan pertukaran yang disebut mutasi dan crossover. Dalam penyelesaiannya, algoritma genetika mempunyai fungsi rate pada random dan rate kawin silang sehingga tidak semua individu awal hasil random dilakukan pertukaran atau persilangan, serta dapat untuk menyelesaikan permasalahan dalam matematika seperti kuadarat, liner, dan lain lain.  Banyak sekali cara atau tool yang tersedia, akan tetapi yang digunakan pada paper ini adalah menggunakan matlab dengan dilakukan secara manual, dalam arti tidak menggunakan tools yang ada sehingga hasil crossover dan mutation serta gen dalam persilangan dapat di ketahui. Perbedaan nilai dalam rate mutasi dan rate crossover sangat berpengrauh dalam penyelesaian pada algoritma genetika, jika nilai rate lebih dari 1, maka dapat menyebabkan banyak individu awal hilang yang berakibat tidak adanya solusi yang ditemukan. Begitu juga dengan popsize, yang merupakan nilai awal yang dihasilkan secara random acak, semakin banyak popsize, maka peluang untuk menyelesaikan sebuah permasalahan menjadi lebih besar.

Downloads

Download data is not yet available.

References

Andleeb, L., Munshi, A., H., and Dar, A., R., “Genetic Diversity in Salix viminalis in the Kashmir Valley, India”. American Journal of Biochemistry and Molecular Biology, 1: 178-184. 2011.

Asfaw, T., D., and Saiedi, S. “Optimal Short-term Cascade Reservoirs Operation using Genetic Algorithm”. Asian Journal of Applied Sciences, 4: 297-305. 2011.

Baptiste, J. “Optimisation et analyse convexe: exercices et problemes corriges, avec rappels de cours, L'Editeur : EDP Sciences”. 2009.

D`Ambra, A. and Sarnacchiaro, P. “Some Data Reduction Methods to Analyze the Dependence with Highly Collinear Variables: A Simulation Study”. Asian Journal of Mathematics & Statistics, 3: 69-81. 2010.

Enrique, A. “Optimization techniques for solving complex problems:, John Wiley and Sons. 2009.

Faigle ,U., Kern , G. “Algorithmic Principles of Mathematical Programming (Texts in the Mathematical Sciences)”, December 7. 2010.

Goldberg, D, and Deb, K. “A Comparative Analysis of Selection Schemes Used in Genetic Algorithms”, In Foundations of Genetic Algorithms, B. Spatz, Ed. Morgan Kaufmann Publishers, Inc., pp:69–93. 1991.

Goldberg, D.E, ”Genetic Algorithms in Search”, Optimization, and Machine Learning AddisonWesley. 1989.

Groover, M. “Automation Production System and Computer Integrated Manufacturing”, PracticeHall Englewood., NJ. 1987.

Kusaik, A. “EXgt-S: A knowledge based system for group Technology”, International Journal of Production Research, Vol. 26(5), pp: 887-904. 1989.

Murtagh, B., A., Saunders, M., A. “Large-Scale Linearly Constrained Optimization Mathematical Programming”, Volume 14, Number 1, 41-72, May 16. 2005.

Pant, M., Sharma, P., Radha, T., Sangwan R., S. and Roy, U. “Nonlinear Optimization of Enzyme Kinetic Parameters”. Journal of Biological Sciences, 8: 1322-1327. 2008.

Rajni, V., Patel, F., Shadpey. “Control of redundant robot manipulators: theory and experiments”, Springer. 2005.

Russell, C. “Introduction to Mathematical Programming”, Pearson Learning Solutions, 3 edition, ISBN-10: 0558859143, November 18. 2010.

Sivanandam, Deepa, S., N. “Introduction to genetic algorithms, Springer”. 2007.

Published
2018-11-15
How to Cite
andhyka, awang. (2018). Penerapan Algoritma Genetika Pada Permasalahan Matematika. Systemic: Information System and Informatics Journal, 4(1), 23-29. https://doi.org/10.29080/systemic.v4i1.320
Section
Articles