APLIKASI ALGORITMA GENETIKA
(APPLICATION OF GENETIC ALGORITHM)
1. PENDAHULUAN
Algoritma genetika telah diterapkan dalam sains, teknik, bisnis dan ilmu sosial. Sejumlah ilmuwan telah memecahkan banyak masalah rekayasa menggunakan algoritma genetika. Konsep GA dapat diterapkan pada masalah keteknikan tersebut sebagai optimalisasi sistem perpipaan gas. Area penting lainnya saat ini adalah optimalisasi struktur. Tujuan utama dalam masalah ini adalah untuk meminimalkan bobot struktur yang terkena kendala tegangan maksimum dan minimum pada setiap member. GA juga digunakan dalam sistem pencitraan medis. GA digunakan untuk melakukan image pendaftaran sebagai bagian dari angiografi pengurangan digital yang lebih besar. Dapat ditemukan bahwa Algoritma Genetika dapat digunakan pada berbagai aplikasi. Dalam bab ini beberapa topik penerapannya akan dibahas. Ini termasuk aplikasi Algoritma Genetika dalam aplikasi teknik utama, penggalian data dan dalam berbagai aplikasi pemrosesan gambar lainnya. Semoga bab ini dapat memberikan gambaran singkat kepada pembaca tentang bagaimana algoritme genetika dapat diterapkan pada masalah praktis apa pun.
2. BIDANG MEKANIK
2.1 Mengoptimalkan Produksi Minyak Siklik-Uap dengan Algoritma Genetika
Reservoir Antelope di bidang Cymric, di San Joaquin Valley, adalah reservoir serpih mengandung silika yang mengandung 12 hingga 13 ◦API minyak berat. Reservoir terutama terdiri dari diatomit, ditandai dengan porositasnya yang tinggi, saturasi minyak yang tinggi, dan permeabilitas yang sangat rendah. Sekitar 430 sumur diproduksi dari reservoir ini, dengan produksi harian rata-rata 23.000 bbl. Minyak dari lapangan diperoleh kembali menggunakan proses uap-siklik yang dipatenkan Chevron.
2.1.1 Algoritma Genetika (GA)
Di Chevron Texaco, selain masalah penjadwalan siklus uap, penempatan sumur, penjadwalan rig, optimalisasi portofolio, dan desain fasilitas telah ditangani dengan GA.
2.1.2 Solusi
Masalah penjadwalan cyclic-steam dirumuskan sebagai masalah optimasi GA di mana tujuannya adalah untuk memaksimalkan produksi kumulatif selama periode 2 bulan. Fungsi kecekatan dihitung sebagai produksi kumulatif dikurangi denda karena melanggar kendala lunak. Masalahnya memiliki banyak kendala. Kendala tingkat lapangan mencakup ketersediaan uap dan jumlah maksimum pengukusan sumur. Kendala stasiun pengukur termasuk jumlah minimum uap yang digunakan dan jumlah maksimum sumur yang diproduksi. Batasan level tajuk mencakup jumlah maksimum sumur yang mengepul, dan batasan individual-sumur meliputi jumlah hari produksi maksimum / minimum.
2.2 Pemrograman Genetika dan Algoritma Genetika untuk Setelan Otomatis Kontrol Gerakan Robot Seluler
Perencanaan lintasan robot seluler dan kontrol gerak cenderung diperlakukan secara independen dalam literatur. Perencanaan jalur seringkali merupakan proses yang lambat yang mengasumsikan bahwa keadaan dunia saat ini adalah statis dan bahwa waktu yang dibutuhkan untuk membuat rencana tidak akan memiliki efek yang signifikan terhadap kinerja robot.
Hasil evaluasi Pemrograman Genetika (GP) dan Algoritma Genetika (GA) menunjukkan bahwa kedua teknik memiliki kelebihan dalam mengembangkan dan menyetel pengontrol robot seluler. Secara supervisi, solusi GA tampaknya lebih baik daripada solusi GP, tetapi ini disebabkan oleh berbagai skenario masalah dan fungsi evaluasi yang digunakan. GA dievaluasi pada jarak ke posisi target pada akhir waktu simulasi, sedangkan GP dievaluasi pada jarak total dari bola. Posisi target tetap sementara bola bisa mengenai, jadi solusi GP mencoba mendekati bola sambil benar-benar menghindari memukulnya lebih jauh.
3. BIDANG ELEKTRO
10.3.1 Algoritma Genetika dalam Sintesis Jaringan
Sintesis jaringan digital telah dikembangkan ke titik di mana sebagian besar desain dapat melakukannya secara otomatis di komputer. Namun, situasinya sangat berbeda untuk sintesis jaringan analog. Dengan pengecualian dari jumlah masalah yang terbatas yang menjadi solusi desain lalu tidak ada alat desain otomatis yang tersedia untuk jaringan analog. Sebagai Konsekuensinya kebanyakan desain jaringan analog masih dilakukan secara manual oleh tenaga ahli insinyur. Meskipun bagian analog dari sebagian besar sistem elektronik seringkali berukuran kecil bagian dari keseluruhan sistem, biasanya merupakan bagian yang paling mahal dalam hal upaya desain. Baru-baru ini telah ada upaya untuk mengotomatiskan proses perancangan jaringan analog dengan menggunakan Algoritma Genetika (GA) .Secara khusus, topologi jaringan dapat dioptimalkan menggunakan GA untuk setiap topologi jaringan yang dihasilkan oleh nilai komponen kemudian dapat ditentukan dengan optimasi numerik. Kinerja jaringan yang dioptimalkan secara numerik dikembalikan sebagai fungsi kesesuaian GA.Ini bertujuan untuk menunjukkan bahwa, setidaknya pengoptimalan untuk satu topologi jaringan, memang demikian.
10.3.2 Alat Algoritma Genetika untuk Rekayasa Sistem Kontrol
Ada minat yang luas dari komunitas kontrol dalam menerapkan Genetic Algorithm (GA) untuk permasalahan dalam rekayasa sistem kendali. Karena GA tidak memerlukan informasi turunan atau perkiraan awal formal wilayah solusi dan karena sifat stokastik dari mekanisme pencarian, GA mampu mencari seluruh ruang solusi dengan kemungkinan lebih besar untuk menemukan optimal global.GA telah terbukti menjadi strategi yang efektif dalam desain sistem kontrol offline oleh sejumlah praktisi. MATLAB telah menjadi standar de-facto dalam Desain Sistem Kontrol Berbantuan Komputer (CACSD) untuk insinyur kontrol. Siklus desain lengkap dari pemodelan dan simulasi melalui desain pengontrol ditangani dengan berbagai kotak alat, terutama Sistem Kontrol dan Kotak Alat Pengoptimalan, dan paket simulasi non-linier SIMULINK bersama dengan alat visualisasi dan analisis yang ekstensif. Selain itu, MATLAB memiliki arsitektur terbuka dan dapat diperluas yang memungkinkan pengguna individu untuk mengembangkan rutinitas lebih lanjut untuk aplikasi mereka sendiri. Kualitas ini menyediakan lingkungan yang seragam dan familiar untuk membangun alat algoritma genetika untuk insinyur kontrol. Bagian ini menjelaskan pengembangan dan implementasi Kotak Alat Algoritma Genetika untuk paket MATLAB dan memberikan contoh sejumlah area aplikasi di rekayasa sistem kontrol. MATLAB Genetic Algorithm Toolbox bertujuan untuk membuat GA dapat diakses oleh insinyur kontrol dalam kerangka paket CACSD yang ada. Ini memungkinkan memakai alat pemodelan dan simulasi untuk membangun fungsi dan memungkinkan pengguna untuk membuat perbandingan langsung antara metode genetik dan prosedur tradisional.
10.3.3 Pengontrol Fuzzy Berbasis Algoritma Genetika untuk Kecepatan
Kontrol Motor DC Brushless dapat diandalkan, kontrol mudah, dan murah. Karena sifat listrik dan mekaniknya yang menguntungkan, torsi awal yang tinggi dan efisiensi tinggi. Karena itu,banyak digunakan di sebagian besar aplikasi servo seperti aktuasi, robotika, peralatan mesin, dan sebagainya. Perancangan sistem servo BLDCM(Brushless DC motors) biasanya membutuhkan proses trial and error yang memakan waktu, dan gagal untuk mengoptimalkan kinerja. Dalam prakteknya, desain drive BLDCM(Brushless DC motors) melibatkan proses yang kompleks seperti model, rancangan skema kontrol, simulasi dan penyetelan parameter. Biasanya, penyetelan parameter untuk sistem servo melibatkan proses yang rumit dan membosankan serta membutuhkan insinyur yang berpengalaman untuk melakukannya. Penerapan teknik optimalisasi cerdas dalam menyetel parameter servo kritis tetap menarik dan masalah penting untuk dipelajari lebih lanjut. Banyak bagian telah menyajikan pendekatan desain dan struktur kontrol yang berbeda dalam mendesain pengontrol servo digital. Pengontrol PI dapat cocok untuk kontrol motor linier. Namun, dalam praktiknya, banyak faktor non-linier yang dipaksakan oleh driver dan beban, pengontrol PI tidak dapat digunakan untuk sistem non-linier. Kontrol fuzzy adalah pendekatan serbaguna dan efektif untuk menangani sistem non-linier dan tidak pasti. Bahkan jika pengontrol fuzzy (FLC) dapat menghasilkan hukum kendali non-linier yang sewenang-wenang, kurangnya prosedur sistematis untuk konfigurasi parameternya tetap menjadi kendala utama dalam aplikasi praktis. Di pengontrol fuzzy untuk BLDCM(Brushless DC motors), parameter FLC tidak bisa disetel otomatis dan tidak bisa cocok untuk kondisi perbedaan. Baru-baru ini, desain FLC juga telah ditangani dengan algoritma genetika (GA). Ini adalah algoritma pengoptimalan yang melakukan pencarian stokastik dengan memproses "populasi" solusi secara berulang sesuai dengan kebugaran. Dalam aplikasi kontrol, kebugaran biasanya terkait dengan ukuran kinerja seperti kesalahan integral, pengaturan waktu, dll. FLC berbasis GA telah berhasil digunakan dalam desain sistem kontrol motor induksi, tetapi aplikasi dalam sistem servo BLDCM masih sedikit. FLC berbasis GA telah diterapkan pada sistem kontrol BLDCM dengan menggunakan prosesor sinyal digital (DSP) TMS320LF2407A dan pengontrol meningkatkan kinerja dan ketahanan sistem servo BLDCM.
Sintesis jaringan digital telah dikembangkan ke titik di mana sebagian besar desain dapat melakukannya secara otomatis di komputer. Namun, situasinya sangat berbeda untuk sintesis jaringan analog. Dengan pengecualian dari jumlah masalah yang terbatas yang menjadi solusi desain lalu tidak ada alat desain otomatis yang tersedia untuk jaringan analog. Sebagai Konsekuensinya kebanyakan desain jaringan analog masih dilakukan secara manual oleh tenaga ahli insinyur. Meskipun bagian analog dari sebagian besar sistem elektronik seringkali berukuran kecil bagian dari keseluruhan sistem, biasanya merupakan bagian yang paling mahal dalam hal upaya desain. Baru-baru ini telah ada upaya untuk mengotomatiskan proses perancangan jaringan analog dengan menggunakan Algoritma Genetika (GA) .Secara khusus, topologi jaringan dapat dioptimalkan menggunakan GA untuk setiap topologi jaringan yang dihasilkan oleh nilai komponen kemudian dapat ditentukan dengan optimasi numerik. Kinerja jaringan yang dioptimalkan secara numerik dikembalikan sebagai fungsi kesesuaian GA.Ini bertujuan untuk menunjukkan bahwa, setidaknya pengoptimalan untuk satu topologi jaringan, memang demikian.
Ada minat yang luas dari komunitas kontrol dalam menerapkan Genetic Algorithm (GA) untuk permasalahan dalam rekayasa sistem kendali. Karena GA tidak memerlukan informasi turunan atau perkiraan awal formal wilayah solusi dan karena sifat stokastik dari mekanisme pencarian, GA mampu mencari seluruh ruang solusi dengan kemungkinan lebih besar untuk menemukan optimal global.GA telah terbukti menjadi strategi yang efektif dalam desain sistem kontrol offline oleh sejumlah praktisi. MATLAB telah menjadi standar de-facto dalam Desain Sistem Kontrol Berbantuan Komputer (CACSD) untuk insinyur kontrol. Siklus desain lengkap dari pemodelan dan simulasi melalui desain pengontrol ditangani dengan berbagai kotak alat, terutama Sistem Kontrol dan Kotak Alat Pengoptimalan, dan paket simulasi non-linier SIMULINK bersama dengan alat visualisasi dan analisis yang ekstensif. Selain itu, MATLAB memiliki arsitektur terbuka dan dapat diperluas yang memungkinkan pengguna individu untuk mengembangkan rutinitas lebih lanjut untuk aplikasi mereka sendiri. Kualitas ini menyediakan lingkungan yang seragam dan familiar untuk membangun alat algoritma genetika untuk insinyur kontrol. Bagian ini menjelaskan pengembangan dan implementasi Kotak Alat Algoritma Genetika untuk paket MATLAB dan memberikan contoh sejumlah area aplikasi di rekayasa sistem kontrol. MATLAB Genetic Algorithm Toolbox bertujuan untuk membuat GA dapat diakses oleh insinyur kontrol dalam kerangka paket CACSD yang ada. Ini memungkinkan memakai alat pemodelan dan simulasi untuk membangun fungsi dan memungkinkan pengguna untuk membuat perbandingan langsung antara metode genetik dan prosedur tradisional.
Kontrol Motor DC Brushless dapat diandalkan, kontrol mudah, dan murah. Karena sifat listrik dan mekaniknya yang menguntungkan, torsi awal yang tinggi dan efisiensi tinggi. Karena itu,banyak digunakan di sebagian besar aplikasi servo seperti aktuasi, robotika, peralatan mesin, dan sebagainya. Perancangan sistem servo BLDCM(Brushless DC motors) biasanya membutuhkan proses trial and error yang memakan waktu, dan gagal untuk mengoptimalkan kinerja. Dalam prakteknya, desain drive BLDCM(Brushless DC motors) melibatkan proses yang kompleks seperti model, rancangan skema kontrol, simulasi dan penyetelan parameter. Biasanya, penyetelan parameter untuk sistem servo melibatkan proses yang rumit dan membosankan serta membutuhkan insinyur yang berpengalaman untuk melakukannya. Penerapan teknik optimalisasi cerdas dalam menyetel parameter servo kritis tetap menarik dan masalah penting untuk dipelajari lebih lanjut. Banyak bagian telah menyajikan pendekatan desain dan struktur kontrol yang berbeda dalam mendesain pengontrol servo digital. Pengontrol PI dapat cocok untuk kontrol motor linier. Namun, dalam praktiknya, banyak faktor non-linier yang dipaksakan oleh driver dan beban, pengontrol PI tidak dapat digunakan untuk sistem non-linier. Kontrol fuzzy adalah pendekatan serbaguna dan efektif untuk menangani sistem non-linier dan tidak pasti. Bahkan jika pengontrol fuzzy (FLC) dapat menghasilkan hukum kendali non-linier yang sewenang-wenang, kurangnya prosedur sistematis untuk konfigurasi parameternya tetap menjadi kendala utama dalam aplikasi praktis. Di pengontrol fuzzy untuk BLDCM(Brushless DC motors), parameter FLC tidak bisa disetel otomatis dan tidak bisa cocok untuk kondisi perbedaan. Baru-baru ini, desain FLC juga telah ditangani dengan algoritma genetika (GA). Ini adalah algoritma pengoptimalan yang melakukan pencarian stokastik dengan memproses "populasi" solusi secara berulang sesuai dengan kebugaran. Dalam aplikasi kontrol, kebugaran biasanya terkait dengan ukuran kinerja seperti kesalahan integral, pengaturan waktu, dll. FLC berbasis GA telah berhasil digunakan dalam desain sistem kontrol motor induksi, tetapi aplikasi dalam sistem servo BLDCM masih sedikit. FLC berbasis GA telah diterapkan pada sistem kontrol BLDCM dengan menggunakan prosesor sinyal digital (DSP) TMS320LF2407A dan pengontrol meningkatkan kinerja dan ketahanan sistem servo BLDCM.
4. MACHINE LEARNING
Dalam beberapa tahun terakhir telah terjadi peningkatan yang signifikan dalam penelitian tentang pengenalan gambar otomatis dalam konteks yang lebih realistis yang melibatkan kebisingan, perubahan kondisi pencahayaan, dan pergeseran sudut pandang. Meningkatnya kesulitan dalam merancang prosedur klasifikasi yang efektif untuk komponen penting dari masalah pengenalan yang lebih kompleks ini telah menyebabkan minat pada teknik mesin sebagai strategi yang mungkin untuk menghasilkan aturan klasifikasi secara otomatis.
Bagian ini menjelaskan bagian dari upaya yang lebih besar untuk menerapkan teknik pembelajaran mesin ke masalah seperti itu dalam upaya untuk menghasilkan dan meningkatkan aturan klasifikasi yang diperlukan untuk berbagai tugas pengenalan. Masalah langsung yang diserang adalah pengenalan tekstur dalam konteks kebisingan dan perubahan kondisi pencahayaan. Dalam konteks ini, sistem induksi aturan standar seperti AQ15 menghasilkan kumpulan aturan klasifikasi yang kurang optimal dalam dua hal. Pertama, ada kebutuhan untuk meminimalkan jumlah fitur yang sebenarnya digunakan untuk klasifikasi, karena setiap fitur yang digunakan menambah biaya desain dan produksi serta waktu berjalannya sistem pengenalan.
Pada saat yang sama ada kebutuhan untuk mencapai tingkat pengenalan yang tinggi di hadapan kebisingan dan kondisi lingkungan yang berubah. Bagian ini menjelaskan pendekatan yang sedang dieksplorasi untuk meningkatkan kegunaan teknik pembelajaran mesin untuk masalah semacam itu. Pendekatan yang dijelaskan di sini melibatkan penggunaan algoritma genetika sebagai "ujung depan" untuk sistem induksi aturan tradisional untuk mengidentifikasi dan memilih subset fitur terbaik yang akan digunakan oleh sistem induksi aturan. Hasil yang disajikan menunjukkan bahwa genetik Algoritme adalah alat yang berguna untuk memecahkan masalah pemilihan fitur yang sulit di mana ukuran set fitur dan kinerja sistem yang mendasarinya merupakan pertimbangan desain yang penting.
Bagian ini menjelaskan bagian dari upaya yang lebih besar untuk menerapkan teknik pembelajaran mesin ke masalah seperti itu dalam upaya untuk menghasilkan dan meningkatkan aturan klasifikasi yang diperlukan untuk berbagai tugas pengenalan. Masalah langsung yang diserang adalah pengenalan tekstur dalam konteks kebisingan dan perubahan kondisi pencahayaan. Dalam konteks ini, sistem induksi aturan standar seperti AQ15 menghasilkan kumpulan aturan klasifikasi yang kurang optimal dalam dua hal. Pertama, ada kebutuhan untuk meminimalkan jumlah fitur yang sebenarnya digunakan untuk klasifikasi, karena setiap fitur yang digunakan menambah biaya desain dan produksi serta waktu berjalannya sistem pengenalan.
Pada saat yang sama ada kebutuhan untuk mencapai tingkat pengenalan yang tinggi di hadapan kebisingan dan kondisi lingkungan yang berubah. Bagian ini menjelaskan pendekatan yang sedang dieksplorasi untuk meningkatkan kegunaan teknik pembelajaran mesin untuk masalah semacam itu. Pendekatan yang dijelaskan di sini melibatkan penggunaan algoritma genetika sebagai "ujung depan" untuk sistem induksi aturan tradisional untuk mengidentifikasi dan memilih subset fitur terbaik yang akan digunakan oleh sistem induksi aturan. Hasil yang disajikan menunjukkan bahwa genetik Algoritme adalah alat yang berguna untuk memecahkan masalah pemilihan fitur yang sulit di mana ukuran set fitur dan kinerja sistem yang mendasarinya merupakan pertimbangan desain yang penting.
5. TEKNIK SIPIL
10.5.1 Algoritma Genetika Sebagai Alat Perancangan Struktur Otomatis
GA sederhana meskipun kuat, mungkin terlalu umum untuk menjadi efisien dan kuat
untuk masalah desain struktural. Pertama, evaluasi fungsi (atau, kesesuaian) mahal secara komputasi karena biasanya melibatkan analisis elemen hingga. Kedua, ruang desain (yang layak) kadang-kadang terputus dengan beberapa minimum lokal. Ketiga, desain ruang dapat menjadi fungsi variabel desain boolean, diskrit dan kontinu.
10.5.2 Algoritma Genetika untuk Memecahkan Masalah Tata Letak Situs
Tata letak lokasi konstruksi melibatkan koordinasi penggunaan ruang situs terbatas untuk menampung fasilitas sementara (seperti toko fabrikasi, trailer, material, atau peralatan) sehingga mereka dapat berfungsi secara efisien di lokasi. Masalah tata letak secara umum didefinisikan sebagai masalah
(1) mengidentifikasi bentuk dan ukuran fasilitas yang akan ditata;
(2) mengidentifikasi kendala antar fasilitas; dan
(3) menentukan posisi relatif dari fasilitas ini yang memenuhi batasan di antara mereka dan memungkinkan mereka untuk berfungsi secara efisien.
Ada berbagai kelas masalah tata letak. Variasi berasal dari asumsi yang dibuat pada bentuk dan ukuran fasilitas dan batasan di antara mereka. Fasilitas mungkin memiliki bentuk dan ukuran yang ditentukan atau bentuk yang longgar, dalam hal ini fasilitas tersebut akan mengambil bentuk situs yang telah ditetapkan (misalnya, bahan konstruksi massal). Batasan dapat bervariasi dari batasan non-overlap sederhana hingga batasan geometris lain yang menggambarkan batasan orientasi atau jarak antar fasilitas. Dalam masalah tata letak yang dibahas di sini, bentuk dan ukuran fasilitas diperbaiki. Fasilitas dapat memiliki batasan geometris 2D pada posisi relatifnya bersama dengan bobot kedekatan yang menggambarkan tingkat interaksi atau aliran
diantara mereka.
Masalah tata letak adalah masalah optimasi kombinatorial NP-complete, yaitu, solusi optimal hanya dapat dihitung untuk masalah kecil atau sangat terbatas. Oleh karena itu, perencana tata letak sering menggunakan heuristik untuk mengurangi pencarian mereka solusi yang dapat diterima. Penerapan algoritma genetika untuk memecahkan masalah tata letak relatif baru. GA bekerja dengan keluarga solusi, yang dikenal sebagai "populasi saat ini", dari mana kami mendapatkan solusi "generasi berikutnya". Ketika algoritme dirancang dengan benar, kami memperoleh solusi yang semakin baik dari satu generasi ke generasi berikutnya.
Keuntungan utama menggunakan GAs adalah fakta bahwa GA hanya membutuhkan fungsi objektif tanpa pengetahuan khusus tentang ruang masalah. Tantangan, Namun, tetap mencari representasi masalah yang sesuai yang menghasilkan implementasi algoritma yang efisien dan sukses
untuk masalah desain struktural. Pertama, evaluasi fungsi (atau, kesesuaian) mahal secara komputasi karena biasanya melibatkan analisis elemen hingga. Kedua, ruang desain (yang layak) kadang-kadang terputus dengan beberapa minimum lokal. Ketiga, desain ruang dapat menjadi fungsi variabel desain boolean, diskrit dan kontinu.
Penggunaan GA untuk menemukan solusi optimal dari masalah desain teknik masih menjadi area penelitian yang terbuka. Pengalaman dengan GA menunjukkan bahwa lebih sering daripada tidak, menyesuaikan strategi dan parameter GA dapat mengarah pada proses solusi yang lebih efisien untuk kelas masalah. Peneliti telah mengusulkan modifikasi, seperti penyesuaian ukuran parameter-kecepatan dan mutasi adaptif untuk masalah berkelanjutan, yang berfokus pada pemurnian ruang pencarian secara adaptif, mengaitkan algoritme genetika yang menekankan pada pengulangan individu yang lebih bugar dan modifikasi khusus untuk masalah pengoptimalan biaya waktu konstruksi. Penelitian juga memungkinkannya menggabungkan algoritma genetik dan teknik berbasis gradien untuk menangani kendala untuk masalah optimasi bentuk aerodinamis. Pada bagian ini, mari kita bahas bagaimana GA telah digunakan sebagai alat desain struktur otomatis.
10.5.2 Algoritma Genetika untuk Memecahkan Masalah Tata Letak Situs
Tata letak lokasi konstruksi melibatkan koordinasi penggunaan ruang situs terbatas untuk menampung fasilitas sementara (seperti toko fabrikasi, trailer, material, atau peralatan) sehingga mereka dapat berfungsi secara efisien di lokasi. Masalah tata letak secara umum didefinisikan sebagai masalah
(1) mengidentifikasi bentuk dan ukuran fasilitas yang akan ditata;
(2) mengidentifikasi kendala antar fasilitas; dan
(3) menentukan posisi relatif dari fasilitas ini yang memenuhi batasan di antara mereka dan memungkinkan mereka untuk berfungsi secara efisien.
Ada berbagai kelas masalah tata letak. Variasi berasal dari asumsi yang dibuat pada bentuk dan ukuran fasilitas dan batasan di antara mereka. Fasilitas mungkin memiliki bentuk dan ukuran yang ditentukan atau bentuk yang longgar, dalam hal ini fasilitas tersebut akan mengambil bentuk situs yang telah ditetapkan (misalnya, bahan konstruksi massal). Batasan dapat bervariasi dari batasan non-overlap sederhana hingga batasan geometris lain yang menggambarkan batasan orientasi atau jarak antar fasilitas. Dalam masalah tata letak yang dibahas di sini, bentuk dan ukuran fasilitas diperbaiki. Fasilitas dapat memiliki batasan geometris 2D pada posisi relatifnya bersama dengan bobot kedekatan yang menggambarkan tingkat interaksi atau aliran
diantara mereka.
Masalah tata letak adalah masalah optimasi kombinatorial NP-complete, yaitu, solusi optimal hanya dapat dihitung untuk masalah kecil atau sangat terbatas. Oleh karena itu, perencana tata letak sering menggunakan heuristik untuk mengurangi pencarian mereka solusi yang dapat diterima. Penerapan algoritma genetika untuk memecahkan masalah tata letak relatif baru. GA bekerja dengan keluarga solusi, yang dikenal sebagai "populasi saat ini", dari mana kami mendapatkan solusi "generasi berikutnya". Ketika algoritme dirancang dengan benar, kami memperoleh solusi yang semakin baik dari satu generasi ke generasi berikutnya.
Keuntungan utama menggunakan GAs adalah fakta bahwa GA hanya membutuhkan fungsi objektif tanpa pengetahuan khusus tentang ruang masalah. Tantangan, Namun, tetap mencari representasi masalah yang sesuai yang menghasilkan implementasi algoritma yang efisien dan sukses
6. IMAGE PROCESSING
Beberapa teknik telah digunakan untuk segmentasi berbasis tekstur. Kebanyakan dari mereka memperoleh kategori deskriptor tekstur dan kemudian, selama fase pelatihan, kelompok deskriptor ini untuk mencapai diskriminasi. Metode tradisional ekstraksi ciri tekstur didasarkan pada model statistik atau struktural. Dalam model statistik, tekstur ditentukan oleh serangkaian karakteristik hubungan antara elemen gambar, dan untuk sebagian besar tujuan praktis ini ditentukan dari nilai nada. Kami akan menggunakan satu atau lebih ini sebagai pembanding, yaitu
• Matriks ketergantungan spasial tingkat abu-abu (GLSD), atau matriks co-kejadian dan pendekatan yang disederhanakan dari pengguna berdasarkan histogram jumlah dan perbedaan.
• Energi tekstur dalam domain spasial yang diperoleh dari konvolusi seperti yang dijelaskan oleh Hukum
• Metode berdasarkan penggunaan fraktal
Akuisisi gambar berwarna digital dalam jumlah besar secara mudah dan segera, misalnya, dari pertumbuhan harian tanaman di ladang terpencil, telah dimungkinkan melalui Internet saat ini. Dari citra tersebut diharapkan dapat diperoleh informasi yang detail mengenai bentuk, laju pertumbuhan dan warna daun tanaman. Luas jumlah data citra, bagaimana pun, meningkatkan waktu yang dihabiskan untuk mengekstraksi informasi tersebut dari data. Ini karena prosedur ekstraksi membutuhkan pengetahuan empiris bantuan manusia tentang pemrosesan citra dan fitur objek target.
Dengan demikian, analisis gambar, segmentasi gambar objek dan mendapatkan garis besar atau area mereka, biasanya meminta prosedur tidak hanya berdasarkan rutinitas, tetapi juga trial and error yang dilakukan dengan tangan. Sistem pemrosesan gambar otomatis, seperti sistem pakar, telah dipelajari di berbagai bidang teknik. Pada bagian ini, prosedur tertentu dibahas memilih algoritma pemfilteran dan untuk menyesuaikan parameternya untuk menyegmentasikan komponen target dalam gambar.
Algoritma genetika (GAs) cocok untuk tujuan ini karena algoritma tersebut melibatkan optimasi dan otomasi melalui trial and error. Misalnya, peneliti telah menerapkan GA untuk mendapatkan transformasi pemrosesan gambar optimal yang memetakan gambar asli ke dalam target. Dari sudut pandang segmentasi gambar tanaman, kami menyajikan perangkat lunak aplikasi berdasarkan GAs, tidak hanya untuk segmentasi gambar, tetapi juga untuk memperoleh pengetahuan tentang pengoperasiannya.
• Matriks ketergantungan spasial tingkat abu-abu (GLSD), atau matriks co-kejadian dan pendekatan yang disederhanakan dari pengguna berdasarkan histogram jumlah dan perbedaan.
• Energi tekstur dalam domain spasial yang diperoleh dari konvolusi seperti yang dijelaskan oleh Hukum
• Metode berdasarkan penggunaan fraktal
Akuisisi gambar berwarna digital dalam jumlah besar secara mudah dan segera, misalnya, dari pertumbuhan harian tanaman di ladang terpencil, telah dimungkinkan melalui Internet saat ini. Dari citra tersebut diharapkan dapat diperoleh informasi yang detail mengenai bentuk, laju pertumbuhan dan warna daun tanaman. Luas jumlah data citra, bagaimana pun, meningkatkan waktu yang dihabiskan untuk mengekstraksi informasi tersebut dari data. Ini karena prosedur ekstraksi membutuhkan pengetahuan empiris bantuan manusia tentang pemrosesan citra dan fitur objek target.
Dengan demikian, analisis gambar, segmentasi gambar objek dan mendapatkan garis besar atau area mereka, biasanya meminta prosedur tidak hanya berdasarkan rutinitas, tetapi juga trial and error yang dilakukan dengan tangan. Sistem pemrosesan gambar otomatis, seperti sistem pakar, telah dipelajari di berbagai bidang teknik. Pada bagian ini, prosedur tertentu dibahas memilih algoritma pemfilteran dan untuk menyesuaikan parameternya untuk menyegmentasikan komponen target dalam gambar.
Algoritma genetika (GAs) cocok untuk tujuan ini karena algoritma tersebut melibatkan optimasi dan otomasi melalui trial and error. Misalnya, peneliti telah menerapkan GA untuk mendapatkan transformasi pemrosesan gambar optimal yang memetakan gambar asli ke dalam target. Dari sudut pandang segmentasi gambar tanaman, kami menyajikan perangkat lunak aplikasi berdasarkan GAs, tidak hanya untuk segmentasi gambar, tetapi juga untuk memperoleh pengetahuan tentang pengoperasiannya.
7. PENGAMBILAN DATA
Di bagian ini, kami melihat untuk menemukan fitur dan faktor tertentu yang terlibat dalam database besar. Untuk mengeksploitasi data ini, diperlukan alat penambangan data dan pendekatan 2-fase menggunakan algoritme genetika tertentu digunakan. Pendekatan heuristik ini dipilih karena jumlah fitur yang dipertimbangkan. Pertimbangkan data yang menunjukkan untuk pasangan individu yang terkena dampak dari keluarga yang kesamaan mereka pada titik tertentu (lokus) kromosom mereka. Ini direpresentasikan dalam matriks di mana setiap lokus diwakili oleh kolom dan setiap pasang individu dipertimbangkan oleh sebuah baris. Tujuannya adalah pertama untuk mengisolasi asosiasi fitur yang paling relevan, dan kemudian untuk mengelompokkan individu yang dianggap memiliki kesamaan menurut asosiasi tersebut. Untuk tahap pertama, masalah seleksi fitur, kami menggunakan algoritma genetika (GA). Untuk mengatasi masalah yang sangat spesifik ini, beberapa mekanisme canggih telah diperkenalkan dalam algoritma genetika seperti berbagi, imigran acak, operator genetik khusus dan operator jarak tertentu telah ditentukan. Kemudian, tahap kedua, pengelompokan berdasarkan fitur yang dipilih pada tahap sebelumnya, akan menggunakan algoritma pengelompokan K-means, yang sangat populer dalam pengelompokan.
8. JARINGAN NIRKABEL
Jaringan mesh nirkabel (WMN) adalah teknologi jaringan yang menarik, menyediakan akses mudah ke Internet serta koneksi spontan perangkat seluler satu sama lain. Di WMNs, sejumlah studi telah difokuskan pada masalah alokasi saluran karena tidak mudah untuk memanfaatkan multi-saluran dan karakteristik multi-radio dari WMN. Karena alokasi saluran di WMN multi-saluran multi-radio adalah masalah NP-Hard, sebagian besar pendekatan merancang jaringan dengan model matematika dan menyelesaikannya dengan pemrograman linier dan beberapa algoritma perkiraan.
Di sisi lain, di mana menempatkan router mesh juga merupakan masalah penting di WMN karena terkait langsung dengan efisiensi dan biaya penerapan. Masalah ini juga dapat diselesaikan dengan pemrograman linier, namun ketika ukuran area target menjadi besar, metode pemrograman linier tidak dapat menangani masalah ini dalam waktu yang terbatas. Oleh karena itu, dalam banyak kasus, ini bukanlah pendekatan yang tepat.
Algoritma genetika (GA) diperkenalkan dalam penyebaran router mesh, untuk menemukan solusi yang layak untuk masalah ini dalam waktu yang terbatas dan masuk akal. Area target dianggap dengan grid n × n dan router mesh dapat ditempatkan di tengah setiap persegi panjang, di mana n dapat diatur sebagai angka yang lebih besar jika diperlukan presisi yang lebih tinggi. Setiap persegi panjang diberi nomor urut dimana persegi panjang kiri atas memiliki angka terkecil dan kanan bawah terbesar. Dan binary-string digunakan dalam skema encoding, di mana bit ke-i mewakili apakah persegi panjang dengan nomor urut i memiliki router mesh atau tidak. Steady-state GA digunakan dengan pemilihan turnamen dan mutasi toggling dengan probabilitas 0,0015. Dalam hal operator persilangan, persilangan berbasis lokus dua dimensi digunakan, di mana skema (serangkaian gen dominan) dari orang tua lebih mungkin untuk diturunkan ke keturunannya.
Di sisi lain, di mana menempatkan router mesh juga merupakan masalah penting di WMN karena terkait langsung dengan efisiensi dan biaya penerapan. Masalah ini juga dapat diselesaikan dengan pemrograman linier, namun ketika ukuran area target menjadi besar, metode pemrograman linier tidak dapat menangani masalah ini dalam waktu yang terbatas. Oleh karena itu, dalam banyak kasus, ini bukanlah pendekatan yang tepat.
Algoritma genetika (GA) diperkenalkan dalam penyebaran router mesh, untuk menemukan solusi yang layak untuk masalah ini dalam waktu yang terbatas dan masuk akal. Area target dianggap dengan grid n × n dan router mesh dapat ditempatkan di tengah setiap persegi panjang, di mana n dapat diatur sebagai angka yang lebih besar jika diperlukan presisi yang lebih tinggi. Setiap persegi panjang diberi nomor urut dimana persegi panjang kiri atas memiliki angka terkecil dan kanan bawah terbesar. Dan binary-string digunakan dalam skema encoding, di mana bit ke-i mewakili apakah persegi panjang dengan nomor urut i memiliki router mesh atau tidak. Steady-state GA digunakan dengan pemilihan turnamen dan mutasi toggling dengan probabilitas 0,0015. Dalam hal operator persilangan, persilangan berbasis lokus dua dimensi digunakan, di mana skema (serangkaian gen dominan) dari orang tua lebih mungkin untuk diturunkan ke keturunannya.
Dalam hal fungsi kebugaran, baik jumlah pelanggan yang tercakup dan jumlah router mesh dipertimbangkan; semakin banyak pelanggan yang tercakup dan semakin sedikit jumlah router mesh, semakin baik kesesuaiannya. Di sini, kekuatan GA adalah bahwa seseorang dapat dengan mudah mencerminkan batasan seperti rintangan atau preferensi penyedia layanan dengan menyesuaikan fungsi kebugaran; sedangkan dalam pemrograman linier, biasanya cukup sulit untuk memasukkan batasan seperti itu ke dalam model matematika.
Dengan demikian, algoritma genetika hampir selalu menemukan solusi yang mendekati topologi optimal dalam waktu satu jam, sedangkan pemrograman linier membutuhkan empat hingga tujuh hari untuk menemukan topologi optimal untuk ruang masalah yang jauh lebih kecil (1/50 kali). Ketika ukuran wilayah target bertambah, algoritme genetika akan menunjukkan kinerja yang jauh lebih baik daripada pemrograman linier. Pendekatan ini juga berlaku untuk masalah alokasi saluran di WMN.
GA bahkan bisa lebih cepat dalam menemukan maksima global daripada metode konvensional, khususnya ketika derivatif memberikan informasi yang menyesatkan. Namun, kita tidak boleh lupa bahwa, dalam banyak kasus di mana metode konvensional dapat diterapkan, GA jauh lebih lambat karena tidak memperhitungkan informasi tambahan seperti turunan. Dalam masalah pengoptimalan ini, tidak perlu menerapkan GA yang memberikan solusi yang kurang akurat setelah waktu komputasi yang lebih lama. Potensi GAs yang sangat besar terletak di tempat lain dalam pengoptimalan fungsi yang tidak dapat dibedakan atau bahkan tidak berkesinambungan, pengoptimalan diskrit, dan induksi program. Dengan demikian karena alasan tersebut
Algoritma genetika ditemukan digunakan dalam berbagai aplikasi seperti yang dibahas dalam bab ini. Terlepas dari aplikasi yang dibahas dalam bab ini, GA dapat diterapkan pada perencanaan produksi, masalah lalu lintas udara, mobil, pemrosesan sinyal, jaringan komunikasi, teknik lingkungan, dan sebagainya.
