Presentasi sedang didownload. Silahkan tunggu

Presentasi sedang didownload. Silahkan tunggu

Informatics Theory & Programming (ITP) Informatics Eng. Dept. – IT Telkom.

Presentasi serupa


Presentasi berjudul: "Informatics Theory & Programming (ITP) Informatics Eng. Dept. – IT Telkom."— Transcript presentasi:

1 Informatics Theory & Programming (ITP) Informatics Eng. Dept. – IT Telkom

2 Outline Representasi Ruang Keadaan Ruang Pencarian Un-informed Search Informed Search

3 Representasi Ruang Keadaan Mengkonversi situasi yang diberikan ke dalam situasi lain menggunakan sekumpulan operasi tertentu. Searching merepresentasikan masalah ke dalam ruang keadaan. Untuk melakukan hal ini, diperlukan sedikit kemampuan rekayasa.

4 Masalah Jurigen Air Bagaimana mendapatkan tepat 2 galon air dalam jurigen tanpa skala ukuran?

5 Ruang Keadaan Keadaan bisa berupa jumlah air yang berada dalam jurigen 4-galon dan jurigen 3-galon. Keadaan = (x, y); x = 0, 1, 2, 3, 4 dan y = 0, 1, 2, 3 Keadaan Awal = (0, 0) Keadaan Tujuan = (n, 2) untuk setiap nilai n berupa bilangan bulat [0, 4].

6 Himpunan Operator Operator (aturan produksi) adalah langkah untuk mengubah suatu keadaan menjadi keadaan yang lain. Kelengkapan himpunan operator? Solusi mungkin tidak ditemukan jika himpunan operatornya tidak lengkap.

7 1 (x,y) If x < 4  (4,y)Isi penuh jurigen 4 galon 2 (x,y) If y < 3  (x,3)Isi penuh jurigen 3 galon 3 (x,y) If x > 0  (x-d,y)Buang sebagian air dari jurigen 4 galon 4 (x,y) If y > 0  (x,y-d)Buang sebagian air dari jurigen 3 galon 5 (x,y) If x > 0  (0,y)Kosongkan jurigen 4 galon 6(x,y) If y > 0  (x,0)Kosongkan jurigen 3 galon

8 7 (x,y) If x+y  4 and y > 0  (4,y-(4-x)) Tuangkan air dari jurigen 3 galon ke jurigen 4 galon sampai jurigen 4 galon penuh 8 (x,y) If x+y  3 and x > 0  (x-(3-y),3) Tuangkan air dari jurigen 4 galon ke jurigen 3 galon sampai jurigen 3 galon penuh 9 (x,y) If x+y  4 and y > 0  (x+y,0) Tuangkan seluruh air dari jurigen 3 galon ke jurigen 4 galon 10 (x,y) If x+y  3 and x > 0  (0,x+y) Tuangkan seluruh air dari jurigen 4 galon ke jurigen 3 galon 11(0,2)  (2,0) Tuangkan 2 galon air dari jurigen 3 galon ke jurigen 4 galon 12(2,y)  (0,y)Buang 2 galon air dalam jurigen 4 galon sampai habis.

9 Solusi untuk Masalah Jurigen Air Jumlah air Dalam jurigen 4 galon Jumlah air dalam jurigen 3 galon Aturan produksi yang diaplikasikan

10 Solusi untuk Masalah Jurigen Air Jumlah Air dalam jurigen 4-galon Jumlah Air dalam jurigen 3-galon Operator yang diaplikasikan

11 FWDC (Farmer Wolf Duck and Corn Problem)

12 Initial State (Keadaan Awal) Goal State (Keadaan Tujuan)

13

14 Himpunan Operator FWDC Apakah sudah lengkap?

15 Masalah N-Puzzle

16 Himpunan Operator 8-Puzzle

17 Masalah Rubik’s Cube

18 Himpunan Operator Rubik’s Cube

19 N-Queen Problem

20 Memiliki tingkat komputasi sangat tinggi. Untuk N = 8, terdapat = (64×63×...×58×57)/8! = susunan yang mungkin. Tetapi, hanya terdapat 92 solusi

21 Operator untuk N-Queen Letakkan Queen satu per satu ke papan catur. “Letakkan sebuah Queen sedemikian hingga Queen tersebut tidak mengancam Queen-Queen lain yang sebelumnya telah diletakkan di atas papan catur”.

22 Masalah 4-Queen

23

24 NTotal SolusiJumlah Solusi Unik ………

25

26 Masalah Permainan Catur

27 Traveling Salesman Problem Pencarian urutan semua lokasi yang harus dikunjungi Mulai dari suatu kota tertentu dan kembali ke kota tersebut Meminimalkan total biaya. Setiap kota harus dikunjungi satu kali.

28

29 Searching-based Systems Konversi masalah ke ruang keadaan Sistem Produksi: Sebuah himpunan aturan Satu atau lebih pengetahuan atau basis data yang berisi informasi apapun untuk tujuan tertentu. Strategi kontrol (searching) Menentukan urutan dimana aturan akan dibandingkan dengan basis data; S Menentukan cara pemecahan masalah jika beberapa aturan dapat dilakukan pada waktu yang sama.

30 Masalah Jurigen Air Jumlah Air dalam jurigen 4-galon Jumlah Air dalam jurigen 3-galon Operator yang diaplikasikan Bagaimana menemukan urutan operator?

31 Metode-metode pencarian Blind (un-informed) Tanpa informasi Kompleksitas tinggi Heuristic (informed) Dengan informasi Kompleksitas relatif rendah

32 Ukuran Performansi Completeness Apakah metode tersebut menjamin penemuan solusi jika solusinya memang ada? Time complexity Berapa lama waktu yang diperlukan? Space complexity Berapa banyak memori yang diperlukan? Optimality Apakah metode tersebut menjamin menemukan solusi yang terbaik jika terdapat beberapa solusi berbeda?

33 Blind (Un-informed) Search Breadth-First Search (BFS) Depth-First Search (DFS) Depth-Limited Search (DLS) Uniform Cost Search (UCS) Iterative-Deepening Search (IDS) Bi-Directional Search (BDS)

34 Ruang Pencarian Penghitungan ruang pencarian: Faktor pencabangan atau branching factor (b) Kedalaman solusi atau depth (d) 8-Puzzle  b = 2,13 Rubik’s cube  b = 13,34 Permainan Catur  rata-rata b = 35

35 Breadth-First Search (BFS)

36 Performansi BFS Complete Optimal Time complexity = O(b d ) Space complexity = O(b d )

37 bd SimpulWaktu Memory detik100 MB detik10 GB > 3 tahun1000 TB Kompleksitas BFS Asumsi: 1 simpul = 100 bytes dan kecepatan komputer = 10 6 simpul/detik.

38 Depth-First Search (DFS)

39 Performansi DFS Tidak Complete Tidak Optimal Time complexity = O(b m ) Space complexity = O(bm) m : kedalaman maksimum pohon pencarian.

40 Depth-Limited Search (DLS)

41 Performansi DLS Complete jika l  d Tidak Optimal Time complexity = O(b l ) Space complexity = O(bl) l : batasan kedalaman.

42 Uniform Cost Search (UCS) BFS menggunakan urutan level dari yang paling rendah sampai yang paling tinggi. UCS menggunakan urutan biaya dari yang terkecil sampai yang terbesar. UCS mencari solusi dengan total biaya terendah yang dihitung berdasarkan biaya dari simpul asal ke simpul tujuan. g(n) = biaya dari simpul asal ke simpul n.

43

44 Performansi UCS Complete Optimal Time complexity = O(b d ) Space complexity = O(b d )

45 Iterative-Deepening Search (IDS) BFS  complete dan optimal DFS  space complexity rendah IDS = gabungan BFS dan DFS IDS  complete, optimal, space complexity rendah. IDS  Time complexity-nya menjadi sangat tinggi Mengapa? Karena proses pencarian dilakukan secara iteratif sehingga terjadi proses penelusuran menggunakan algoritma DFS yang berulang-ulang.

46

47 Performansi IDS Complete Optimal Time complexity = O(b d ) Space complexity = O(bd)

48 Bi-directional Search (BDS) Pencarian maju (dari start ke goal) dan pencarian mundur (dari goal ke start). Ketika dua arah pencarian telah membangkitkan simpul yang sama, maka solusi telah ditemukan. Gabungkan kedua jalur yang bertemu.

49

50 Masalah BDS Pencarian mundur berarti membangkitkan predecessor (simpul induk/parent) dari suatu simpul. Pembangkitan predecessor berarti memerlukan pembalikan operator. Apakah semua operator dapat dibalik? Jika terdapat beberapa simpul tujuan yang berbeda? Harus selalu menguji apakah simpul baru yang dibangkitkan sudah pernah dibangkitkan oleh pencarian dari arah yang berlawanan. Bagaimana menentukan metode pencarian untuk kedua arah tersebut?

51 (x,y) If x < 4  (4,y)Isi penuh jurigen 4 galon (4,y)  (x,y) x < 4 Kurangi air dalam jurigen 4 galon sehingga menjadi x galon Pembalikan Operator x bisa bernilai 0, 1, 2, atau 3. Tanpa skala ukuran, kita tidak mungkin membuang sebagian air sehingga tersisa 1, 2, atau 3 galon. Satu-satunya cara adalah membuang semua air dari jurigen 4 galon sehingga nilai x yang mungkin adalah 0.

52 Performansi BDS Complete Optimal Time complexity = O(b d/2 ) Space complexity = O(b d/2 )

53 Perbandingan metode pencarian [RUS95] KriteriaBFSUCSDFSDLSIDSBDS Timebdbd bdbd bmbm blbl bdbd b d/2 Spacebdbd bdbd bmblbdb d/2 Complete?Yes No Yes, if l  d Yes Optimal?Yes No Yes

54 Metode2 Heuristic Search Iterative Deepening A* (IDA*) Simplified Memory-Bounded A* (SMA*) Bi-directional A* (BDA*) Modified Bi-directional A* (MBDA*) Dynamic Weighting A* (DWA*) Beam A* (BA*)

55 Heuristic (Informed) Search Heuristic berasal dari bahasa Yunani, heuriskein, yang berarti ‘mencari’ atau ‘menemukan’. Dalam dunia pemrograman, heuristik adalah lawan kata dari algoritmik. Heuristik  fungsi yang memberikan suatu nilai berupa biaya perkiraan (estimasi) dari suatu solusi.

56 Metode2 Heuristic Search Generate-and-Test Hill Climbing Simulated Annealing (SA) Best-First Search Greedy Best-First Search A*

57 Generate-and-Test (GT) Metode paling sederhana dalam heuristic search. Ruang masalah luas  waktu proses lama. GT menggunakan prosedur Depth First Search (DFS) karena suatu solusi harus dibangkitkan secara lengkap sebelum dilakukan Test. Algoritma ini bisa berbentuk sistematis, pencarian sederhana yang mendalam pada ruang permasalahan. GT juga dapat dilakukan dengan pembangkitan solusi secara acak, tetapi tidak ada jaminan solusinya akan ditemukan.

58 Algoritma GT 1. Bangkitkan sebuah solusi yang mungkin. 2. Tes apakah solusi tersebut bisa diterima sesuai dengan kriteria yang diberikan. 3. Jika ya, keluar. Jika tidak, kembali ke langkah 1.

59 Hill Climbing (HC)

60 GT  pengujian menghasilkan ‘ya’ atau ‘tidak’ HC  pengujian menghasilkan biaya estimasi antara state sekarang dengan state tujuan.

61 Simple HC

62 Algoritma Simple HC

63 Steepest-Ascent HC

64

65 Simulated Annealing (SA) Analogi cara pendinginan dan pembekuan metal dengan energi yang minimal. Dengan probaibiltas tertentu, SA mungkin bisa keluar dari jebakan local minimum. SA menggunakan sebuah rumus probabilitas yang memungkinkannya bisa keluar dari local minimum. Ketika new state tidak lebih baik dari current state, dia masih mungkin dipilih dengan probabilitas:

66 Simulated Annealing (SA)

67 Algoritma SA Lihat di file.doc

68 Best-First Search

69 Greedy Best-First Search Best First Search yang paling sederhana Hanya memperhitungkan biaya perkiraan Biaya sebenarnya tidak diperhitungkan Complete, tapi Tidak Optimal

70

71

72

73

74 A* Gabungan Uniform Cost Search dan Greedy Best-First Search. Biaya yang diperhitungkan didapat dari biaya sebenarnya ditambah dengan biaya perkiraan. f(n) = g(n) + h(n) Complete dan Optimal

75

76

77

78

79

80

81

82 Algoritma A* Lihat di file.doc

83 Iterative Deepening A* (IDA*) A* yang iteratif dengan batasan berupa f-limit Complete dan optimal Iteratif  time complexity-nya tinggi Keuntungan: space complexity sangat rendah Sesuai untuk mobile systems

84

85

86

87

88

89

90

91 Simplified Memory-Bounded A* (SMA*) IDA* yang hanya mengingat satu f-limit SMA* mengingat f-Cost dari setiap iterasi sampai sejumlah simpul yang ada di dalam memori. Jika memori komputer hanya mampu menyimpan 100 simpul, maka kita bisa membatasi proses pencarian sampai level 99.

92

93

94

95 SMA* Pada kasus ini, misalkan memori komputer hanya mampu menyimpan 6 simpul. Oleh karena itu, level maksimum yang dapat dijangkau oleh SMA* adalah level 5.

96

97

98

99

100

101

102

103 Bi-directional A* (BDA*) Algoritma A* dari dua arah: simpul asal dan tujuan. Pencarian dihentikan jika BestNode dari simpul asal telah berada di dalam CLOSED dari simpul tujuan. Cek apakah harus mengganti parent dari BestNode tersebut dari arah simpul tujuan. Atau sebaliknya, pencarian dihentikan jika BestNode dari simpul tujuan telah berada di dalam CLOSED dari simpul asal. Cek apakah harus mengganti parent dari BestNode tersebut dari arah simpul asal.

104 Area pencarian yang dilakukan oleh BDA* (b) lebih sempit dibandingkan dengan area pencarian A* (a).

105

106

107

108

109

110 Modified Bi-directional A* (MBDA*) Fungsi heuristik untuk simpul n pada pencarian maju (dari S ke G): Fungsi heuristik untuk simpul n pada pencarian mundur (dari G ke S):

111 Modified Bi-directional A* (MBDA*) S: simpul asal atau initial state G: simpul tujuan atau goal state g(S,n): biaya sebenarnya dari S ke n g(G,n): biaya sebenarnya dari G ke n h s (n) : biaya perkiraan dari n ke G h g (n) : biaya perkiraan dari n ke S

112

113

114

115

116

117 Dynamic Weighting A* (DWA*) Fungsi heuristik h diberi bobot dinamis. Pada awal iterasi, lebih baik pencarian dilakukan ke arah mana saja. Tetapi, ketika goal sudah dekat, barulah pencarian difokuskan ke arah goal. Fungsi heuristik yang digunakan

118

119

120

121

122

123

124

125 Beam A* (BA*) Membatasi jumlah simpul yang bisa disimpan di dalam OPEN. Ketika jumlah simpul di OPEN sudah melebihi batas tertentu, maka simpul dengan nilai f terbesar akan dihapus. Sedangkan jumlah simpul di dalam CLOSED tetap dibiarkan tanpa batasan karena simpul yang di dalam CLOSED memang tidak mungkin dihapus. Dengan membatasi jumlah simpul di OPEN, maka pencarian menjadi lebih terfokus seperti sinar (beam).

126

127 Beam A* (BA*) Pada kasus ini, misalkan jumlah simpul maksimum yang bisa disimpan di dalam OPEN adalah 4. Bagaimana BA* menemukan solusi?

128

129

130

131

132

133

134 Fungsi heuristik Suatu fungsi dapat diterima sebagai fungsi heuristik jika biaya perkiraan yang dihasilkan tidak melebihi dari biaya sebenarnya. Jika fungsi heuristik overestimate, maka proses pencarian bisa tersesat dan tidak optimal. Suatu fungsi heuristik dikatakan baik jika bisa memberikan biaya perkiraan yang mendekati biaya sebenarnya. Semakin mendekati biaya sebenarnya, fungsi heuristik tersebut semakin baik.

135 Fungsi heuristik h berupa jarak garis lurus:

136 Masalah 8-puzzle Fungsi heuristik = ?

137 Fungsi heuristik 8-Puzzle h 1 = jumlah kotak yang posisinya salah. Pada masalah di atas, angka 1, 2, dan 3 sudah berada pada posisi yang benar. Sedangkan lima angka yang lain berada di posisi yang salah. Jadi h 1 = 5.

138 Fungsi heuristik 8-Puzzle h 2 = jumlah langkah yang diperlukan masing-masing kotak menuju posisi yang benar di goal state. Biasanya disebut City Block distance atau Manhattan distance. Untuk masalah di atas, angka 1, 2 dan 3 membutuhkan 0 langkah. Angka 4, 5, 7, dan 8 membutuhkan 2 langkah. Sedangkan angka 6 membutuhkan 3 langkah. Sehingga h 2 = = 11.

139 Perbandingan IDS dengan A* yang menggunakan h 1 dan h 2. Data yang digunakan adalah rata-rata 100 kasus 8-puzzle dengan kedalaman solusi yang bervariasi [RUS95].

140 Algoritma Genetika (AG) Salah satu teknik komputasi berbasis “Evolusi” dan “Genetika” Berbasis populasi (sekumpulan calon solusi) Pencarian dilakukan secara paralel yang dimulai dari sekumpulan individu (calon solusi) AG bisa digunakan untuk searching, optimization, dan learning.

141 Teori Evolusi Evolusi Seleksi Alam Mutasi Ilmuwan Berbeda pendapat Pro: Alam tercipta secara acak Kontra: Alam diciptakan oleh intelligent designer Spesies ber-evolusi menjadi spesies lain yang lebih baik

142 Ngengat cerah  gelap? Ilusi Ref: [ADN07]

143 Rusa ber-evolusi menjadi...? Ref: [ADN07]

144 Monyet  Manusia? Banyak ditemukan fosil palsu Jika benar, mengapa monyet masih ada hingga hari ini?

145 Mutasi: menjadi lebih baik? Ref: [ADN07] Struktur DNA amat sangat rumit. Perubahan acak (mutasi) selalu buruk

146 “Evolusi” & “Genetika” Dua teori lemah  EC yang powerful? Dunia komputer berbeda dengan dunia nyata. Banyak simplifikasi

147 Ref: [EIB03] Mari ke dunia komputer

148 Apa itu 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].

149 Apa itu EAs? Evolutionary Algorithms are generic, population-based meta-heuristic optimization algorithms that use biology- inspired mechanisms like mutation, crossover, natural selection and survival of the fittest. EAs = algoritma2 yang mengimplementasikan abstraksi EC

150 Skema umum EAs

151 Beberapa algoritma EAs 1. Genetic Algorithms (GA): binary strings 2. Evolution Strategies (ES): real-valued vectors 3. Evolutionary Programming (EP): finite state machines 4. Genetic Programming (GP): LISP trees 5. Differential Evolution (DE)  ES 6. Grammatical Evolution (GE)  GP

152 Terminologi

153 Representasi individu (biner)

154 Representasi individu (integer)

155 Representasi individu (real)

156 Representasi permutasi

157 Nilai Fitness Maksimasi Minimasi

158 Seleksi Orangtua Metode: roulette wheel

159 Rekombinasi – 1 titik

160 Rekombinasi – banyak titik

161 Rekombinasi - uniform

162 Mutasi  Maksimasi h dimana x 1 & x 2 : integer [0,15]

163 Seleksi Survivor: generational

164 Seleksi Survivor: Steady State

165 Studi kasus: Minimasi Nilai minimum h = ?

166 Individu

167 Fitness Jika nilai minimum = 0, nilai maks f = ?

168 Generasi 1

169

170 Generasi 10

171

172 Generasi 100

173

174 ES: Self Adaptation

175 EAs sesuai untuk masalah: Sangat kompleks dan Sulit dipahami Tidak bisa menggunakan metode konvensional Real time system Solusi tidak harus paling optimal Tidak ada pengetahuan Tidak tersedia analisa matematika yang memadai

176 Konvergensi Prematur

177 Island model EAs

178 Graph bisection Graph  dua sub graph sama besar? Minimasi busur terpotong

179 Graph bisection

180 Tentukan operator “evolusi” Seleksi orangtua: roulette wheel Rekombinasi: order crossover Mutasi: swaping mutation Seleksi survivor: generational

181

182 Fungsi fitness B = Jumlah busur yang terpotong a = bilangan kecil untuk menghindari pembagian dengan nol

183 Pemotongan bahan 15 cm 11 cm Awas ! Kertas ini mahal No.Ukuran (cm 2 )Jml 15 x x x 63 Order potongan Pola potongan yang meminimasi sisa bahan?

184 Pola pemotongan 1

185 Pola pemotongan 2

186

187 Fungsi fitness S = sisa bahan a = bilangan kecil untuk menghindari pembagian dengan nol

188 Tentukan operator “evolusi” Seleksi orangtua Rekombinasi Mutasi Seleksi survivor Keempat operator bisa sama untuk beragam masalah.

189 Memilih metode pencarian? Seberapa besar ruang masalahnya? Berapakah faktor percabangan (b) dan kedalaman solusinya (d)? Berapa kecepatan prosesor dan memori yang tersedia? Apakah solusinya harus optimal? Bisakah ditemukan fungsi heuristiknya? Terdapat satu goal atau lebih?

190 Kesimpulan Metode-metode yang termasuk dalam blind search membutuhkan memori yang sangat besar untuk menyelesaikan masalah yang sederhana. Dengan kecepatan dan memori komputer yang terbatas, saat ini blind search belum memungkinkan untuk diimplementasikan ke dalam dunia nyata. Satu-satunya metode yang mungkin bisa digunakan adalah Iterative Deepening Sarch (IDS) karena membutuhkan memori yang sangat sedikit meskipun waktu prosesnya sangat lama.

191 Kesimpulan Diantara metode-metode pencarian yang termasuk dalam heuristic search, A* adalah pilihan yang terbaik ketika kita dapat menemukan sebuah fungsi heuristik untuk masalah yang akan diselesaikan. Kita dapat memilih variasi A* yang paling sesuai dengan masalah yang akan diselesaikan dan sumber daya (waktu dan memori) yang kita miliki. Ketika ditemukan lebih dari satu jenis fungsi heuristik, pilihlah yang paling mendekati biaya sebenarnya.

192 Kesimpulan Ketika memori yang tersedia sangat terbatas, misalkan pada PDA (Personal Digital Assistant), maka variasi- variasi A*, seperti IDA* dan SMA*, dapat digunakan sebagai alternatif lain yang sangat menjanjikan. Tetapi, perlu diperhitungkan jumlah memori dan kecepatan prosesor yang ada.

193 Kesimpulan Untuk masalah yang memiliki satu jenis goal, maka bi- directional search bisa dianggap sebagai alternatif terbaik ketika ruang masalahnya sangat besar. Modified Bi-directional A* (MBDA*) memberikan performansi sangat baik untuk ruang masalah yang sangat besar. Modified Bi-directional ini juga bisa menggunakan variasi A* yang lain, misalnya Beam A* maupun Weighting A* sehingga kita bisa menyebutnya sebagai Modified Bi-directional Beam A* atau Modified Bi- directional Weighting A*.

194 Kesimpulan Simulated Annealing (SA) merupakan algoritma yang selalu maju (pada setiap iterasi selalu menghasilkan simpul di level yang lebih dalam). SA bekerja dengan hanya memperhitungkan sibling (simpul yang memiliki parent yang sama) sehingga tidak pernah mundur untuk mencari jalur yang lebih baik. Ketika memori dan kecepatan prosesor sangat terbatas dan solusi yang diharapkan tidak harus optimal, maka Simulated Annealing (SA) adalah pilihan yang paling tepat di antara semua algoritma heuristic search.

195 Kesimpulan EC sangat poweful, tetapi hal ini bukanlah bukti untuk membenarkan “Evolusi” & “Genetika” Begitu berhasil membangun kromosom dan fitness, kita bisa menyelesaikan suatu masalah tanpa harus memikirkan analisa matematis dan algoritmanya.

196 Daftar Pustaka [SUY07] Suyanto Artificial Intelligence: Searching, Reasoning, Planning and Learning. Informatika, Bandung Indonesia. ISBN: [RUS95] Russel, Stuart and Norvig, Peter Artificial Intelligence: A Modern Approach. Prentice Hall International, Inc. [SUY08] Suyanto, 2008, Evolutionary Computation: Komputasi Berbasis “Evolusi” dan “Genetika”, Penerbit Informatika Bandung. [ADN07] Adnan Oktar, 2007, "Mekanisme Khayalan Teori Evolusi", [EIB03] Eiben, A.E. and Smith, J.E., 2003, “Introduction to Evolutionary Computing”, Springer-Verlag Berlin Heidelberg. [JUL07] Julie Leung, Keith Kern, Jeremy Dawson, 2007, “Genetic Algorithms and Evolution Strategies“, presentation slides.


Download ppt "Informatics Theory & Programming (ITP) Informatics Eng. Dept. – IT Telkom."

Presentasi serupa


Iklan oleh Google