KOMPUTASI EVOLUSI BAB 1

 

KOMPUTASI EVOLUSI 

(EVOLUTIONARY COMPUTATION)

 

1. PENDAHULUAN
 Teori evolusi yang dikemukakan oleh Charles Darwin pada tahun 1859 secara instrinsik merupakan mekanisme pencarian dan optimiasi yang sangat sulit. Prinsip Darwin yaitu "Survival of the fittest" atau "Hukum Alam" menangkap gambaran yang populer. Prinsip ini digunakan sebagai titik awal dalam memperkenalkan komputasi evolusi.
 Komputasi evolusi (Evolutionary Computation /EC) mengabstraksi prinsip-prinsip evolusi ke dalam algoritma yang dapat digunakan untuk mencari solusi optimal dalam suatu masalah. Di sebuah algoritma pencarian, sejumlah solusi yang mungkin untuk masalah yang tersedia dan tugas dari algoritma tersebut adalah untuk menemukan solusi terbaik dalam jumlah waktu yang tetap. Untuk ruang pencarian dengan kemungkinan solusi yang kecil, semua solusi dapat diperiksa dalam jumlah waktu yang wajar dan optimal. Pencarian lengkap (Exhaustive Search) ini bagaimanaoun dengan cepat menjadi tidak praktis ketika ruang pencarian bertambah besar. Algoritma pencarian tradisional secara acak mengambil sampel atau mengambil sampel secara heuristik dalam ruang pencarian dengan satu solusi pada suatu waktu dengan harapan menemukan solusi optimal. Aspek kunci yang membedakan algoritma pencarian berbasis evolusi dari algoritma pencarian tradisional adalah bahwa pencarian tersebut berbasiskan populasi. Melalui adaptasi generasi berturut-turut dari sejumlah besar individu, sebuah algoritma evolusi melakukan pencarian terarah yang efisien. Pencarian evolusi secara umum lebih baik dibanding pencarian acak dan tidak rentan terhadap perilaku mendaki bukit yang biasa dialami oleh pencarian berbasis gradien.
 
2. SEJARAH PENGEMBANGAN KOMPUTASI EVOLUSI
 Dalam sejarah komputasi evolusi terdapat empat paradigma sejarah yang berfungsi sebagai pondasi dari bidang ini yaitu :
1. Algoritma genetika (Holland, 1975)
2. Pemrograman genetika (Koza, 1992, 1994)
3. Strategi evolusi (Recheuberg, 1973)
4. Pemrograman evolusi (Forgel et al, 1966)
Perbedaan mendasar dari paradigma ini terdapat dari sifat skema representasi, operator reproduksi dan metode pemilihan. 
 
    2.1 Algoritma Genetika
Teknik yang paling populer dalam penelitian komputasi evolusi adalah algoritma genetika.  Dalam algoritma genetika tradisional, representasi yang digunakan adalah sebuah string dengan panjang yang tetap. Setiap posisi dalam string diasumsikan mewakili suatu fitur dari sebuah individu, dan nilai yang disimpan di posisi itu mewakili bagaimana fitur tersebut dinyatakan dalam sebuah solusi. Biasanya string "dievaluasi sebagai koleksi dari struktural fitur solusi yang memiliki sedikit atau tidaknya sebuah interaksi". Analoginya dapat ditatik langsung ke dalam gen yang ada di organisme biologis. Setiap gen mewakili sebuah entitas yang secara struktural independen dari gen lain.
Operator reproduksi yang utama yang digunakan adalah crossover bit-string, dimana dua buah string digunakan sebagai induk dan individu baru dibentuk dengan menukar sub-urutan dia antara kedua string tersebut. Operator populer lainnya adalah bit-flipping mutation, dimana satu bit dalam sebuah string dibalik untuk membentuk string keturunan baru.

 

 Berbagai operator lain juga telah dikembangkan, tetapi digunakan lebih jarang (misal, inversi, dimana urutan di dalam suatu string bit terbalik). Perbedaan utama yang dapat dibuat antara berbagai operator adalah apakah bisa atau tidak string bit tersebut menghasilkan informasi baru kedalam populasi. Sebagai contoh, crossover (persilangan tidak dapat melakukan sedangkan mutasi dapat). Semua operator juga dibatasi untuk memanipulasi string dengan cara yang konsisten dengan interpretasi struktural gen. Untuk contoh, terdapat dua gen di lokasi yang sama pada dua string yang dapat ditukar antar induk, tetapi tidak digabungkan berdasarkan nilai-nilai mereka. Secara tradisional, individu dipilih untuk menjadi induk secara probabilistik berdasarkan nilai kebugaran mereka, dan keturunannya dibuat menggantikan induknya. Misalnya, jika N merupakan induk yang dipilih, maka anak dari N yang dihasilkan akan menggantikan induknya di generasi berikutnya.
 
    2.2 Pemograman Genetika
 Teknik yang semakin populer adalah pemrograman genetika. Dalam standar program genetika, representasi yang digunakan adalah pohon fungsi dan nilai yang berikuran variabel, Tiap daun dalam pohon merupakan label dari sebuah set nilai label yang tersedia. Tiap cabang internal dalam pohon tersebut merupakan label dari set fungsi label yang tersedia.
Keseluruhan pohohn berkaitan dengan satu fungsi yang dapat dievaluasi. Umumnya, pohon dievaluasi dengan kedalaman paling kiri-cara pertama. Sebuah daun dievaluasi sebagai nilai yang sesuai. Fungsi dievaluasi menggunakan argumen yang merupakan hasil dari evaluasi anak-anaknya. Algoritma genetika dan pemrograman genetika banyak serupa dalam hal lain, kecuali bahwa operator reproduksi disesuaikan dengan representasi pohon. Operator yang paling umum digunakan adalah subtree crossover, dimana keseluruhan subtree ditukar antar induk. Dalam standar pemrograman genetika, semua nilai dan fungsi diasumsikan mengembalikan tipe yang sama, meskipun fungsi dapat bervariasi dalam jumlah argumen yang diambil. Prinsip penutupan (Closure Principle) yang dikemukan oleh Koza memungkinkan subtree apa pun untuk dapat dipertimbangkan secara struktural setara dengan subtree yang lain, dan memastikan bahwa operator seperti persilangan sub-tree akan selalu menghasilkan keturunan yang sah.

    2.3 Strategi Evolusi

 Dalam strategi evolusi, representasi yang digunakan adalah vektor dengan panjang yang ditentukan dan memiliki nilai riil. Seperti halnya string bit dari algoritma genetika, setiap posisi dalam vektor seusia dengan fitur individu. Namun, fitur dipertimbangkan menjadi perilaku daripada struktural.

 "Akibatnya, interaksi non-linear sewenang-wenang antara fitur selama evaluasi diharapkan untuk memaksa untuk melakukan pendekatan yang lebih holistik untuk solusi yang berkembang." (Angeline, 1996).

 Operator reproduksi utama dalam strategi evolusi adalah mutasi Gaussian, dimana nilai acak dari distribusi Gaussian ditambahkan ke setiap elemen dari suatu vektor individu untuk membuat keturunan baru. Operator lain yang digunakan adalah rekombinasi menengah, dimana vektor dari dua induk diratakan bersama, elemen demi elemen, untuk membentuk suatu keturunan baru. Efek dari operator ini mencerminkan perilaku yang bertentangan dengan interpretasi struktural dari representasi karena pengetahuan tentang nilai-nilai elemen vektor digunakan untuk menurunkan elemen vektor yang baru.

 Pemilihan induk untuk membentuk keturunan kurang terkendala daripada algoritma genetika dan pemrograman genetika. Misalnya, karena sifat dari representasi, sangat mudah untuk menyamakan vektor dari banyak individu untuk membentuk sebuah keturunan baru. Umumnya di strategi evolusi, N induk dipilih seragam secara acak dan tidak didasarkan pada kebugaran, lebih dari N keturunan yang dihasilkan melalui penggunaan rekombinasi, dan kemudian N yang selamat dipilih secara deterministik. Individu yang bertahan hidup dipilih baik dari keturunan N yang terbaik.

  

    2.4 Pemograman Evolusi
Karakterisasi di atas, mengarah pada pengamatan berikut. Praktisi algoritma genetika jarang dibatasi untuk implementasi biner dengan panjang yang tetap. Pemrograman genetika memungkinkan penggunaan pohon fungsi dan nilai dengan ukuran variabel. Praktisi strategi evolusi memiliki cara untuk memasukkan operator rekombinasi ke dalam sistem mereka. Pemrograman evolusi digunakan untuk evolusi mesin yang terbatas.
Representasi yang digunakan dalam pemrograman evolusi biasanya dirancang untuk domain masalah. Salah satu representasi yang biasa digunakan adalah vektor yang memiliki nilai. Perbedaan utama antara pemrograman evolusi dan pendekatan sebelumnya adalah bahwa tidak ada pertukaran materia antara individu dalam populasi yang dibuat. Dengan demikian, hanya operator mutasi yang digunakan. Untuk representasi vektor yang memiliki nilai riil, pemrograman evolusi sangat mirip dengan strategi evolusi tanpa rekombinasi.
Metode pemilihan yang umum adalah memilih semua individu dalam populasi menjadi induk N, untuk mutasi setiap orang tua untuk membentuk anak N, dan untuk pemilihan secara probabilitas, berdasarkan kebugaran, N yang selamat dari total 2N individu akan membentu generasi selanjutnya.

3. FITUR KOMPUTASI EVOLUSI
Mekanisme untuk menentukan mana dan berapa banyak induk untuk memilih, berapa banyak keturunan untuk diciptakan, dan individu mana yang akan bertahan hidup hingga generasi berikutnya bersama-sama mewakili metode seleksi. Banyak metode pemilihan yang berbeda diusulkan dalam literatur, dan mereka bervariasi dalam kompleksitas. Namun, biasanya kebanyakan metode seleksi memastikan bahwa populasi setiap generasi adalah ukuran yang sama.
Teknik Komputasi evolsu terus tumbuh dalam kompleksitas dan keinginan, karena penelitian biologis terus berlanjut untuk mengubah persepsi kita mengenai proses evolusi,
Di dalam konteks ini, kami mengenalkan tiga fitur fundamental dari evolusi biologis :
1. Gen partikular dan genetika populasi;
2. Kode genetik adaptif;
3. Dikotomi genotipe dan fenotipe.
Setiap fenomena dipilih untuk mewakili titik-titik yang berbeda dalam spektrum kemungkinan hubungan antara komputasi dan teori evolusi biologis. Hal pertama yang dilakukan adalah mencari tahu apakah komputasi evolosi saat ini telah sepenuhnya mentransfer dasar-dasar dari evolusi biologis. Yang kedua, menunjukkan bagaimana para teoritis dari evolusi biologis dan komputasi evolusi dapat berkontribusi pada pemahaman umum mengenai abstraksi evolusi. Yang ketiga, adalah menggambarkan pertanyaan tentang evolusi biologis pada komputasi evolusi yang tampaknya lebih cocok untuk diatasi dibanding evolusi biologis.

    3.1 Gen Partikular dan Genetika Populasi
Memang, keputusan model matematikan gen dalam populasi sebagai "bean bag genetika" mengabaikan ruang lingkup deduksi logis yang mengikuti dari genetika partikular. Mereka jauh melampaui penjelasan yang dapat diuji untuk fenomena adaptif dan ke dalam konsep evolusi biologis yang lebih dalam dan abstrak. Sebagai contoh, gen akhir memperkenalkan stokastik ke dalam evolusi. Karena ada gen atau absen dari genom tertentu, susuan genetik setiap individu baru di populasi yang bereproduksi secara seksual adalah hasil probabilitas yang khusus dari alel tertentu dan diwarisi dari setiap induk. kecuali jika keturunannya tidak terbatas jumlahnya, frekuensi alel tidak akan secara akurat mencerminkan mereka dari generasi induknya, tetapi sebaliknya akan menunjukkan beberapa kesalahan pengambilan sampel (penyimpangan genetik). Besarnya kesalahan pengambilan sampel ini berbanding terbaik dengan ukuran suatu populasi. Wright (1932) mencatat bahwa karena populasi nyata berfluktuasi dalam ukuran, pengurangan sementara dapat secara singkat mengendurkan seleksi, kolam gen maka akan berpotensi terjadinya kemungkinan penyebaran yang cukup jauh dari optima lokal untuk menemukan tujuan baru ketika ukuran populasi pulih dan seleksi memasukkan dirinya kembali. Akibatnya, gen tertentu di dalam populasi terbatas menigkatkan heuristik evolusi dari algoritma mendaki bukit yang simpel hingga menjadi sesuatu yang mendekati simulasi anil di bawah suhu yang berfluktuasi.
Satu sifat terakhir dari gen tertentu yang beroperasi dalam populasi seksual layak untuk dibahas. Dalam populasi besar dimana seleksi alam bekerja paling efektif, setiap mutasi baru menguntungkan yang muncul hanya akan mencapai fiksasi selama beberapa generasi. Selama penyebaran ini, rekombinasi dan dipliodi bersama-sama memastikan bahwa alel sementara akan menemukan dirinya dalam banyak konteks genetik yang berbeda. Genetika populasi klasik dan sistem komputasi evolusi eksperimental telah berfokus pada apakah dan bagaimana konteks ini mempromosikan tekanan selektif untuk keterkaitan gen ke "kompleks gen yang saling beradaptasi". Pengamatan yang lebih sederhana adalah bahwa novel, potensi alel yang menguntungkan untuk efek epistatik negatif adalah integral untuk keberhasilan mikro-evolusi. Probabilitas akan mendukung fiksasi alel yang merupakan  "pemain tim" yang baik, untuk mempercepat proses adaptif. Ini mempertahankan pewarisan non-campuran dan bahkan pergeseran genetik, tetapi tidak jelas apakah metode tersebut menggabungkan filter implisit genetika populasi untuk alel "primadona" yang hanya menawarkan keuntungan adaptif mereka ketika konteks genetik mereka biasa saja.

    3.2 Buku Kode Adaptif
Saat ini, representasi analog sedang berlangsung untuk fitur adaptasi yang berbeda dari kode genetik: observasi bahwa asam amino yang mirip secara biokimia ditugaskan untuk kodon yang berbeda hanya dengan satu nukleotida. Spekulasi awal dari seleksi alam mengorganisir kode genetik untuk meminimalkan fenotipik dampak mutasi yang telah memperoleh dukungan bukti yang cukup besar sebagai simulasi komputer yang memungkinkan eksplorasi kode teoritis yang dilewati alam. Namun demikian nampaknya sekali lagi fenomena ini memiliki efek yang lebih halus secara lebih luas dari konteks heuristik adaptif. "Kode meminimalkan kesalahan" sebenarnya bisa memaksimalkan peluang bahwa efek acak pada kedua sifat mendefinisikan lingkaran jari-jari di organisme sekitarnya.
Peluang bahwa mutasi ini akan meningkatkan kebugaran berbanding terbalik dengan besarnya, mutasi ini menghasilkan peningkatan kebugaran menurut Teori Geometris Gradualisme. Tes pendahuluan untuk fenomena ini mengungkapkan pengaruh yang bahkan lebih sederhana: Kode meminimalkan kesalahan ini menghaluskan lanskap kebugaran dimana generik acak dari kode akan membuat kode tersebut menjadi berat. Dengan mengelompokkan asama amino yang serupa secara biokimia di dalam jangkauan mutasi satu sama lain akan memastikan bahwa setiap seleksi menuju properti spesifik dari asam amino akan menuju daerah yang saling berhubungan dari lanskap kebugaran daripada ke optima lokal yang terisolasi.

    3.3 Dikotomi Genotip/Fenotip

Namun, jawaban untuk bagaimana dikotomi berevolusi sebagian besar menutupi pertanyaan mengapa RNA mengembangkan representasi fenotipe yang berbeda secara kualitatif. Jawaban biologis yang tepat adalah bahwa ukuran alfabet asam amino yang lebih besar melepaskan keragaman katalitik yang lebih besar untuk replikator, dengan peningkatan kecanggihan metabolisme terkait yang mengoptimalkan replikasi diri. Menariknya, disini kita tahu bahwa asam nukleat tidak terbatas pada 4 huruf kimia yang kita lihat : RNA aktif secara metabolik alami menggunakan repertoar luas modifikasi transkripsional dan kimia sintetis telah menunjukkan bahwa beberapa huruf nukleotida tambahan dapat ditambahkan ke alfabet genetik bahkan dengan mesin seluler hari ini. Lebih jauh lagi, semakin banyak bukti tidak langsung menunjukkan bahwa alfabet protein itu sendiri menjalani ekspansi evolusi pada awal sejarah kehidupan. Mengingat keberadaan genotipe asam nukleat dan fenotip protein nukleat dalam kehidupan, biologi sulit sekali menilai signifikansi evolusi “bahasa representasional” ini. Pilihan frasa disengaja: jelas koloni komputasi evolusi jauh di depan biologi dalam memformalkan konsep. bahasa representasional, dan mengeksplorasi apa artinya. Biologi akan meningkat ketika programmer evolusioner menempatkan sistem kita dalam temuan mereka, menggambarkan potensi inspirasi biologis dari komputasi evolusi.
Pemrograman evolusi mengambil sebuah gagasan untuk mewakili fenotipik individu sekutu sebagai meisn yang mampu untuk bertindak kepada ransangan dari luar dan mengenmbangkan operator untuk melakukan perubahan struktural dan perilaku dari waktu ke waktu. Ide ini diterapkan pada berbagai masalah termasuk masalah prediksi, pembelajaran dan pembelajaran mesin.
 
 Dalam algoritma evolusi, skema representasi dipilih oleh peneliti untuk menentukan serangkaian solusi yang membentuk ruang pencarian untuk algoritma. Jumlah solusi individu diciptakan untuk membentuk populasi awal. Langkah-langkah tersebut kemudian diulangi hingga ditemukan solusi yang memuaskan kriteria pemutusan yang ditentukan sebelumnya. Setiap individu dievaluasi menggunakan kebugaran fungsi yang spesifik untuk masalah yang sedang dipecahkan. Berdasarkan dari nilai kebugaran mereka, sejumlah individu dipilih menjadi induk. Individu baru, atau keturunan, diproduksi dari orang tua menggunakan operator reproduksi. Nilai kebugaran keturunan mereka ditentukan. Akhirnya, keturunan yang tersisa dipilih dari populasi lama dan keturunan selanjutnya akan membentuk populasi baru gari generasi berikutnya.
 
 Pemikiran awam saat itu memandang esensi genetik fenotip sebagai cairan yang dicampur setiap kali pria dan wanita bertemu untuk melakukan reproduksi. Kita membutuhkan profesor teknik kelas dunia yang pertama, Fleming Jenkin (1867), untuk menunjukkam matematika konsekuensi dari pencampuran warisan: Mutasi menguntungkan baru yang timbul pada sebuah organisme yang bereproduksi secara seksual akan mencairkan dirinya sendiri sejaka awal tahap penyebarannya melalui populasi mana pun yang terdiri lebih dari beberapa individu. Ini adalah konsekuensi sederhana dari pewariasan biparental. Teori Mendel mengenai gen partikular menggantikan konsep analog campuran yang cacat ini. Warisan dengan sistem digital dimana versi yang menguntungkan (alel) dari suatu gen ada atau tidak ada dan pewarisan biparental menghasilkan diploidy. Jadi, seleksi alam hanya mengubah proporsi alel dalam suatu populasi, dan mutasi yang menguntungkan dapat dipilih menjadi fiksasi tanpa kehilangan kebugarannya. Padahal banyak yang sudah ditulis pada Sintesis Neo-Darwinian yang memastikan penggabungan genetika Mendel dengan teori Darwin, sebagian besar sama dengan penerimaan bertahap ahli biologi bahwa sifat partikular gen saja yang memberikan dasr yang kuat untuk membanfun secara rinci prediksi kuantitatif mengenai evolusi.
 
 Biologi molekular Central Dogma, menghubungkan gen ke fenotipe dengan menyatakan bahwa DNA dintranskripsikan menjadi RNA, yang kemudian diterjemahkan menjadi protein. Istilah transkripsi dan terjemahannya cukup jelas : RNA adalah bahan kimia yang bersaudara dengan DNA, keduanya adalah polimer yang dibentuk dari alfabet empat huruf kimia (nukleotida), dan transkripsi tidak lebih dari sebuah proses dari melengkapi DNA, huruf demi huruf masuk ke dalam RNA. Ini adalah langkah selanjutnya, Penerjemahan yang sangat mempengaruhi evolusi biologis. Protein juga merupakan polimer linear dari huruf kimia tetapi, mereka diambil dari alfabet yang berbeda secara kualitatif (asam amino) yang terdiri dari 20 elemen. Jelsa tidak ada pemetaan dari satu asam amino ke asam lainnya yang bisa menghasilkan sebuah kode genetik untuk menerjemahkan nukleotida dengan jelas menjadi asam amino, dan pada 1966 diketahui bahwa set kombinasi dari kemungkinan bentuk triplet nukleotida disebut dengan kamus "Kodon" yang masing-masing diterjemahkan menjadi asam amino tunggal yang memiliki makna. Kejutan awal untuk teori evolusi adalah menemukan suatu hal yang fundamental seperti buku kode untuk kehidupan akan menunjukkan tingkat redudansi yang tinggi (alfabet dari 4 huruf RNA memungkinkan 4x4x4 = 64, kemungkinan kodon yang memetakan hanya satu dari 20 asam amino yang bermakna). Interpretasi awal memicu argumen untuk teori evolusi Non-Darwinian; variasi genetik yang tidak membuat perbedaan pada protein yang dikodekan harus tidak terlihat oleh seleksi dan karena itu hanya diatur oleh penyimpangan. Baru-baru ini, baik komputasi dan teori evolusi biologis sudah mulai menempatkan netralitas pengkodean ini dalam gambaran yang lebih besar dari heuristik adaptif. Initnya, temuan muncul untuk mencerminkan argumen awal Wright tentang pentingnya pergeseran genetik: redudansi dalam kode menambahkan dimensi netral selektif ke lanskap kebugaran yang dirender oleh algoritma adaptif lebih efektif dengan meningkatkan keterhubungan optima lokal.

 Mengimplikasikan konsep kode genetik adaptif adalah pertanyaan mendalam yang mana sebagian besar tidak terjawab dalam biologi : “mengapa semua kehidupan yang diketahui menggunakan dua polimer, asam nukleat, dan protein yang berbeda secara kualitatif, dengan kebutuhan terkait untuk penerjemahan?”. Teori terkini tentang asal-usul dikotomi ini berfokus pada penemuan bahwa RNA dapat bertindak baik sebagai media penyimpanan genetik, dan sebagai molekul katalitik. Dalam inti metabolisme yang paling terkonservasi, semua organisme yang diketahui ditemukan menggunakan molekul RNA dalam peran yang biasanya kita berikan pada protein (White, 1976).

 

 

 
4. Keunggulan dari Komputasi Evolusi
 Komputasi evolusioner, menggambarkan bidang investigasi yang menyangkut semua algoritma evolusi dan memberikan keuntungan praktis untuk beberapa masalah optimasi. Keuntungannya termasuk pendekatan sederhana, responsnya yang kuat terhadap keadaan yang berubah, fleksibilitas, dan sebagainya. Bagian ini menjelaskan beberapa keunggulan ini dan memberikan saran dalam merancang algoritma evolusioner untuk pemecahan masalah di dunia nyata.
 
    4.1 Konseptual Sederhana
Keuntungan utama dari perhitungan evolusi adalah bahwa hal itu sederhana secara konsep. Gambar 1.7 menunjukkan diagram alur dari algoritma evolusioner yang diterapkan untuk optimasi fungsi. Algoritma terdiri dari inisialisasi, variasi berulang, dan seleksi berdasarkan indeks kinerja. Secara khusus, tidak ada informasi gradien yang perlu disajikan ke algoritma. Lebih dari iterasi variasi acak dan seleksi populasi dapat dibuat untuk bertemu dengan solusi optimal. Efektivitas suatu algoritma evolusi tergantung pada variasi dan operator seleksi sebagaimana diterapkan pada representasi dan inisialisasi yang dipilih.
 
     4.2 Penerapan yang Lebih Luas
 Algoritma evolusioner dapat diterapkan pada masalah yang dapat dirumuskan sebagai masalah optimasi fungsi. Untuk menyelesaikan masalah ini, diperlukan struktur data untuk mewakili solusi, untuk mengevaluasi solusi baru dari solusi lama. Representasi dapat dipilih oleh manusia berdasarkan intuisinya. Representasi harus memungkinkan operator variasi yang memelihara hubungan perilaku antara induk dan anak. Perubahan kecil dalam struktur induk akan menyebabkan perubahan kecil pada keturunan, dan perubahan besar yang sama pada induk akan menyebabkan perubahan drastis pada keturunan. Dalam hal ini, algoritma evolusi dikembangkan, sehingga dapat diatur dengan cara adaptif sendiri. Ini membuat perhitungan evolusi diterapkan pada cakupan luas pada area, masalah kombinasi diskrit, masalah campuran bilangan bulat, dan sebagainya.

 

    4.3 Hibridisasi dengan Metode Lain
 Algoritma evolusi dapat dikombinasikan dengan teknik optimasi yang lebih tradisional. Ini sesederhana penggunaan minimalisasi konjugat-gradien yang digunakan setelah pencarian primer dengan algoritma evolusi. Ini juga dapat melibatkan aplikasi simultan dari algoritma seperti penggunaan pencarian evolusi untuk struktur model yang digabungkan dengan pencarian gradien untuk nilai parameter. Selanjutnya, perhitungan evolusioner dapat digunakan untuk mengoptimalkan kinerja jaringan saraf, sistem fuzzy, sistem produksi, sistem nirkabel, dan struktur program lainnya.
 
    4.4 Sifat Paralel
 Evolusi adalah proses yang sangat paralel. Ketika komputer pengolah yang terdistribusi menjadi lebih populer tersedia, akan ada potensi yang meningkat untuk menerapkan komputasi evolusioner untuk masalah yang lebih kompleks. Umumnya solusi individu dievaluasi secara independen dari evaluasi yang ditugaskan untuk solusi yang bersaing. Evaluasi setiap solusi dapat ditangani secara paralel dan pemilihan hanya memerlukan beberapa operasi serial. Akibatnya, waktu berjalan yang diperlukan untuk suatu aplikasi mungkin berbanding terbalik dengan jumlah prosesor. Selain itu, mesin komputasi saat ini memberikan kecepatan komputasi yang cukup untuk menghasilkan solusi saat masalah sulit dalam waktu yang wajar.
 
    4.5 Perubahan Kuat ke Dinamis
 Metode optimasi tradisional tidak kuat untuk perubahan dinamis di lingkungan dan mereka membutuhkan pengulangan lengkap untuk memberikan solusi. Komputasi evolusioner tidak dapat digunakan untuk mengadaptasi solusi pada keadaan yang berubah. Populasi yang dihasilkan dari solusi yang dikembangkan memberikan dasar untuk perbaikan lebih lanjut dan dalam banyak kasus, tidak perlu menginisialisasi ulang populasi secara acak. Metode adaptasi dalam menghadapi lingkungan yang dinamis adalah kuncinya. Sebagai contoh, Wielaud (1990) menerapkan algoritma genetika untuk mengembangkan jaringan saraf berulang untuk mengontrol sistem poles-gerobak yang terdiri dari dua kutub seperti yang ditunjukkan pada Gambar 1.2. Pada Gambar 1.8, tujuannya adalah untuk mempertahankan kereta di antara batas-batas lintasan sementara keduanya tidak membiarkan salah satu kutub melebihi sudut maksimum yang ditentukan. Kontrol yang tersedia di sini adalah gaya, yang digunakan untuk menarik dan mendorong gerobak. Kesulitan di sini adalah kesamaan panjang tiang. Beberapa peneliti menggunakan algoritma evolusi untuk mengoptimalkan jaringan saraf pada panjang tiang yang berbeda.

   4.6 Menyelesaikan Masalah yang Tidak Terpecahkan

 Keuntungan dari algoritma evolusi mencakup kemampuannya untuk mengatasi masalah yang tidak ada keahlian manusianya. Meskipun keahlian manusia harus digunakan ketika dibutuhkan dan tersedia, sering terbukti kurang memadai untuk rutinitas pemecahan masalah otomatis. Masalah-masalah tertentu ada dengan sistem pakar, dimana para ahli mungkin tidak setuju, mungkin tidak memenuhi syarat, mungkin tidak konsisten, atau mungkin hanya menyebabkan kesalahan. Kecerdasan artifisial dapat diterapkan pada beberapa masalah sulit yang membutuhkan kecepatan komputasi tinggi, tetapi mereka tidak dapat bersaing dengan kecerdasan manusia. Fogel (1995) bahkan menyatakan kecerdasan buatan sebagai "Mereka memecahkan masalah, tetapi mereka tidak menyelesaikan masalah tentang bagaimana menyelesaikan masalah. "Sebaliknya, perhitungan evolusi menyediakan metode untuk memecahkan masalah tentang bagaimana menyelesaikan masalah."
 

 5. Penggunaan Komputasi Evolusi
 Teknik komputasi evolusioner telah menarik banyak perhatian sebagai metode optimisasi dalam dua dekade terakhir. Dari sudut pandang pengoptimalan, keuntungan utama dari teknik perhitungan evolusi adalah bahwa mereka tidak memiliki banyak persyaratan matematis tentang masalah pengoptimalan. Yang mereka butuhkan hanyalah evaluasi fungsi tujuan. Akibatnya, mereka diterapkan untuk masalah non-linear, ditentukan pada ruang pencarian diskrit, kontinu atau campuran, dan dibatasi atau tidak dibatasi.
Aplikasi perhitungan evolusi meliputi bidang-bidang berikut :
 1. Medis/Ilmu Kedokteran (misalnya dalam deteksi kanker payudara).
2. Aplikasi Teknik (termasuk listrik, mekanik, sipil, produksi, penerbangan, dan robotika).
3. Masalah penjual keliling.
4. Kecerdasan mesin.
5. Sistem dari para ahli
6. Desain dan pengaturan rute jaringan
7. Jaringan komunikasi berkabel dan nirkabel, dan sebagainya.
 
 6. Rangkuman 
  Dasar-dasar perhitungan evolusi dengan perkembangan historisnya dibahas dalam bab ini. Meskipun sejarah perhitungan evolusi berasal dari tahun 1950-an dan 1960-an, namun dalam 10 tahun terakhir algoritma evolusi mampu memecahkan masalah dunia nyata pada komputer desktop. Tiga fitur dasar dari algoritma evolusi biologis juga dibahas. Untuk gen praktis, kami bertanya apakah perhitungan Evolusi dapat diperoleh dari biologi dengan mempertimbangkan dinamika terperinci di mana alel menguntungkan menyerang populasi tipe liar. Kode genetik adaptif menggambarkan bagaimana perhitungan evolusi dan penelitian evolusi biologis dapat berkontribusi pada pemahaman umum tentang dinamika evolusi. Untuk dikotomi genotipe dan fenotipe, biologi sulit sekali untuk menilai signifikansi bahasa representasional.