GA Chapter 3

 

Implementasi Algoritma Genetika dalam MATLAB





1. Sekilas tentang MATLAB [BACK] 
    
    MATLAB berasal dari singkatan MATrix LABoratory, dimana aplikasi ini akan memudahkan pengguna dalam operasi matriks, terutama dalam pengimplementasiannya ke GA.
          


  • Pemograman MATLAB  [BACK] 
    • Dalam MATLAB, setiap variabel dianggap sebagai matriks.
    • Pembuatan program atau fungsi dalam MATLAB dapat dilakukan dengan file berekstensi .m. (nama fungsi harus sama dengan nama file)
    • MATLAB bersifat case sensitive, sehingga antara "A" dan "a" akan dibaca sebagai dua variabel yang berbeda.
    • i dan j merupakan tanda bilangan imajiner, sehingga perlu dihindari menggunakan variabel j dan i.
  • Matriks
    • Merupakan sekumpulan angka berbentuk persegi.
  • Sum, Transpose, dan diag
    • Sum



    • Transpose
  • Diag
  • Indeks Matriks
    • Penunjukan elemen matrik dapat dilakukan dengan berdasarkan indeksnya.
    • Remember! : Matriks(baris,kolom)
    • Contoh kasus :


  • Operator ":"
    • Penanda deret bilangan bulat



  • Membangkitkan Matriks
    • zeros (semua nol)
    • ones (semua satu)
    • rand (random dalam distribusi uniform)
    • randn (random dalam distribusi normal)

  • Concatenation
    • Penggabungan beberapa matrik kecil menjadi sebuah matriks besar
    • Untuk menggabungkan matriks berdasarkan kolom, digunakan ";" 
    • Untuk menggabungkan matriks berdasarkan baris, tidak perlu ada ";"
    • Jika matriks yang digabung memiliki jumlah baris/kolom yang berbeda, makan akan muncul error.

  • Operasi-operasi Matriks
    • + (penjumlahan)
    • - (pengurangan)
    • *(perkalian matriks)
    • .*(perkalian elemen per elemen)
    • ./ (pembagian elemen per elemen, variabel kiri dibagi kanan)
    • .\ (pembagian elemen per elemen, variabel kanan dibagi kiri)
    • .^ (perpangkatan elemen per elemen)





2. Implementasi Algoritma Genetika [BACK] 
    
    Pada penjelasan berikut akan diterapkan GA untuk mencari nilai dari fungsi h:

  • Tujuan fungsi ini untuk membangkitkan populasi yang berisi sejumlah kromosom.
          


          Bertujuan untuk mengodekan sebuah kromosom yang berisi bilangan biner menjadi individu x yang bernilai real dalam interval yang diinginkan, berdasarkan persamaan berikut:



          Fungsi ini bertujuan untuk menghitung nilai fitness dari suatu individu x


            Untuk menjaga individu dengan nilai fitness terbaik, maka dilakukan elitisme,

          Untuk menghindari kecenderungan konvergen pada optimum lokal, maka digunakaan penskalaan nilai fitness yang bertujuan untuk mendapatkan nilai fitness yang lebih baik, bervariansi tinggi.


          

          


          


          Untuk menampilkan grafis 2D dari AG.
          Syntax-nya sebagai berikut :



           








     
    Terdapat tiga variabel utama yang harus ditentukan oleh user, yaitu: 
  1. UkPop (30-1000)
  2. Psilang (0,6-0,9)
  3. Pmutasi (1/jumlah gen)
Nvar        = 2;              % Jumlah variabel pada fungsi yang dioptimasi
Nbit        = 10;             % Jumlah bit yang mengkodekan satu variabel
JumGen      = Nbit*Nvar;      % Jumlah gen dalam kromosom
Rb          = -5.12;          % Batas bawah interval
Ra          = 5.12;           % Batas atas interval

Psilang     = 0.8;            % Probabilitas pindah silang
MaxJumInd   = 60000;          % Jumlah individu maksimum yang dievaluasi

BilKecil    = 10^-1;          % Digunakan untuk menghindari pembagian dengan 0
Fthreshold  = 1/BilKecil;     % Threshold untuk nilai Fitness
Bgraf       = Fthreshold;     % Untuk menangani tampilan grafis

ObUkPop = [50 100 200 400];       % Ukuran populasi yang diobservasi
ObPmutasi = [0.01 0.05 0.1 0.2];  % Probabilitas mutasi yang diobservasi

ObData = [];                  % Data hasil observasi

for ukp=1:length(ObUkPop),
    UkPop = ObUkPop(ukp);
    MaxG = fix(MaxJumInd/UkPop);
    for pm=1:length(ObPmutasi),
        Pmutasi = ObPmutasi(pm);
        for observasi=1:10,
            UkPop, Pmutasi, observasi
            
            % Inisialisasi populasi
            Populasi = InisialisasiPopulasi(UkPop,JumGen);

            % Loop evolusi
            for generasi=1:MaxG,
               x = DekodekanKromosom(Populasi(1,:),Nvar,Nbit,Ra,Rb);
               Fitness(1) = EvaluasiIndividu(x,BilKecil);
               MaxF = Fitness(1);
               MinF = Fitness(1);
               IndeksIndividuTerbaik = 1;
               for ii=2:UkPop,
                 Kromosom = Populasi(ii,:);
                 x = DekodekanKromosom(Kromosom,Nvar,Nbit,Ra,Rb);
                 Fitness(ii) = EvaluasiIndividu(x,BilKecil);
                 if (Fitness(ii) > MaxF),
                    MaxF = Fitness(ii);
                    IndeksIndividuTerbaik = ii;
                    BestX = x;
                 end
                 if (Fitness(ii) < MinF),
                    MinF = Fitness(ii);
                 end
               end
               
               TempPopulasi = Populasi;

               % Elitisme:
               % - Buat satu kopi kromosom terbaik jika ukuran populasi ganjil
               % - Buat dua kopi kromosom terbaik jika ukuran populasi genap
               if mod(UkPop,2)==0,           % ukuran populasi genap
                  IterasiMulai = 3;
                  TempPopulasi(1,:) = Populasi(IndeksIndividuTerbaik,:);
                  TempPopulasi(2,:) = Populasi(IndeksIndividuTerbaik,:);
               else                          % ukuran populasi ganjil
                  IterasiMulai = 2;
                  TempPopulasi(1,:) = Populasi(IndeksIndividuTerbaik,:);
               end
       
               LinearFitness = LinearFitnessRanking(UkPop,Fitness,MaxF,MinF);

               % Roulette-wheel selection dan pindah silang
               for jj=IterasiMulai:2:UkPop,
                 IP1 = RouletteWheel(UkPop,LinearFitness);
                 IP2 = RouletteWheel(UkPop,LinearFitness);
                 if (rand < Psilang),
                    Anak = PindahSilang(Populasi(IP1,:),Populasi(IP2,:),JumGen);
                    TempPopulasi(jj,:) = Anak(1,:);
                    TempPopulasi(jj+1,:) = Anak(2,:);
                 else
                    TempPopulasi(jj,:) = Populasi(IP1,:);
                    TempPopulasi(jj+1,:) = Populasi(IP2,:);
                 end    
               end

               % Mutasi dilakukan pada semua kromosom
               for kk=IterasiMulai:UkPop,
                 TempPopulasi(kk,:) = Mutasi(TempPopulasi(kk,:),JumGen,Pmutasi);
               end   

               % Generational Replacement: mengganti semua kromosom sekaligus
               Populasi = TempPopulasi;

               if MaxF >= Fthreshold,
                  JumIndData(observasi) = generasi*UkPop;
                  MaxFData(observasi) = MaxF;
                  break;
               else
                  if generasi == MaxG,
                     JumIndData(observasi) = MaxG*UkPop;
                     MaxFData(observasi) = MaxF;
                  end
               end
               
            end  % loop evolusi
        end % loop observasi
        ObData = [ObData ; [UkPop Pmutasi mean(MaxFData) mean(JumIndData)]];
    end
end

save ObData.mat ObData

clc  % me-refresh layar

disp(['Mencari nilai optimal: Ukuran Populasi dan Prob. Mutasi ']);
disp(['Jumlah maksimum individu yang dievaluasi adalah ', num2str(MaxJumInd)]);
disp(['                                                        ']);
disp(['--------------------------------------------------------']);
disp(['Ukuran      Probabilas      Rata-rata      Rata-rata    ']);
disp(['Poulasi      mutation        Fitness     Jumlah individu']);
disp(['--------------------------------------------------------']);

for ii=1:length(ObData(:,1)),
  disp(['   ', num2str(ObData(ii,1)),'          ', num2str(ObData(ii,2)), ... 
  '            ', num2str(ObData(ii,3)),'           ', num2str(ObData(ii,4))]);
end

disp(['--------------------------------------------------------']);
    








 

Komentar

Posting Komentar

Postingan populer dari blog ini

Modul 1 Input Output

Gambar
[KEMBALI KE MENU SEBELUMNYA] DAFTAR ISI 1. Pendahuluan 2. Tujuan 3. Alat dan Bahan 4. Dasar Teori 5. Percobaan Percobaan ... Tugas Pendahuluan 1 Tugas Pendahuluan 2 Laporan Akhir 1 Laporan Akhir 2 MODUL 1 GENERAL INPUT DAN OUTPUT 1 . Pendahuluan [ Kembali ]     a) Asistensi dilakukan 1x      b) Praktikum dilakukan 1x 2. Tujuan [Kembali]     a) Memahami cara penggunaan input dan output digital pada mikrokontroler       b) Menggunakan komponen input dan output sederhana dengan Raspberry Pi Pico      c) Menggunakan komponen Input dan Output sederhana dengan STM32F103C 8 3. Alat dan Bahan [Kembali]      a) Raspberry Pi Pico             b) STM32F103C8            c) LED       d) Push Button       e) LED RGB          ...
Baca selengkapnya

Tugas Besar

Gambar
TUGAS BESAR JAMUR TIRAM PUTIH [KEMBALI KE MENU SEBELUMNYA] DAFTAR ISI 1. Tujuan 2. Alat dan Bahan 3. Dasar Teori 4. Percobaan 5. Download File 1. Tujuan [Kembali]  * Membuat rangkaian sistem Otomasi pada Kumbung Jamur Tiram Putih  * Memahami prinsip kerja gerbang logika , mux demux, dan flip flop  * Memahami Prinsip kerja mIkroprosesor 8086 dan ADC 2. Alat dan Bahan [Kembali] Instrument 1) DC Voltmeter DC Voltmeter merupakan alat yang digunakan untuk mengukur besar tengangan pada suatu komponen. Cara pemakaiannya adalah dengan memparalelkan kaki2 Voltmeter dengan komponen yang akan diuji tegangannya.   Berikut adalah Spesifikasi dan keterangan Probe DC Volemeter Generator Daya 1) Baterai   Baterai merupakan sebuah alat yang mengubah energi kimia yang tersimpan menjadi energi listrik. Pada percobaan kali ini, baterai berfungsi sebagai sumber daya atau. Spesifikasi dan Pinout Baterai Input voltage: ac 100~240v / dc 10~30v Output voltage:...
Baca selengkapnya

Sistem Kontrol Pengawetan Pisang Pasca Panen Dalam Ruangan

Gambar
[menuju akhir] [KEMBALI KE MENU SEBELUMNYA] Sistem Kontrol Pengawetan Pisang Pasca Panen Dalam Ruangan DAFTAR ISI 1. Tujuan 2. Alat dan Bahan 3. Dasar Teori 4. Prinsip Kerja 5. Download File 1. Tujuan [Kembali] Mempelajari cara kerja sensor yang ada. Mempelajari prinsip kerja Sistem Kontrol Pengawetan Pisang Pasca Panen Dalam Ruangan menggunakan sensor Gas, Kelembapan, Load Cell, Cahaya, Soil Moisture , dan Ph. Mempelajari simulasi rangkaian Sistem Kontrol Pengawetan Pisang Pasca Panen Dalam Ruanganmenggunakan sensor Gas, Kelembapan, Load Cell, Cahaya, Soil Moisture , dan Ph.. 2. Alat dan Bahan [Kembali]     1. Voltmeter DC Voltemeter merupakan alat ukur yang digunakan untuk mnegukur tegangan DC.  2. Baterai        D igunakan sebagai sumber tegangan pada rangkaian.   Konfigurasi pin      Spesifikasi 2.2 Bahan 1.  Resistor Spesifikasi resistor yang digunakan: a. Resistor 1...
Baca selengkapnya