Upload presentasi
Presentasi sedang didownload. Silahkan tunggu
Diterbitkan olehRinto Arrahman Telah diubah "10 tahun yang lalu
1
GAOT Speaker: Moch. Rif’an rif_an91@yahoo.com
2
Inisializega function[pop]=initializega(num,bounds,evalFN,evalOps,options) Parameter input: Num : jumlah individu dalam satu populasi Bounds: matriks batas bawah dan batas atas dari allele
3
Inisializega evalFN: fungsi evaluasi evalOps: opsi untuk fungsi evaluasi, dan memiliki nilai default [ ] Options: matriks opsi untuk inisialisasi, dan terdiri atas kolom pertama adalah epsilon, dan kolom kedua adalah 1 jika float dan 0 jika biner.
4
ga function[x,endpop,bpop,traceinfo]= ga(bounds,evalFN,evalOps,startPop, opts,termFN,termOps,selectFN,select ops,xoverFNs,xOverOps,mutFNs,mut Ops)
5
ga Bounds: matriks batas bawah dan batas atas dari allele evalFN: fungsi evaluasi evalOps: opsi untuk fungsi evaluasi, dan memiliki nilai default [ NULL] startPop: matriks yang merupakan hasil inisialisasi
6
ga Opts: [epsilon prob_ops display] dengan epsilon merupakan perubahan yang dibutuhkan untuk mempertimbangkan dua penyelesaian berbeda, prob_ops adalah 0 jika digunakan algoritma versi biner dan 1 jika digunakan versi flot, display mengendalikan tampilan perkembangan algoritma, 1 menampilkan generasi terbaru dan penyelesaian terbaik, 0 tidak ada tampilan selama program berjalan. [1e -6 1 0]
7
ga termFN: nama fungsi terminasi termOps: string option yang akan digunakan dalam fungsi terminasi. Bounds: matriks batas bawah dan batas atas dari allele SelectFN: nama fungsi seleksi.m file SelectOps: string yang digunakan dalam fungsi seleksi
8
ga xOverFNs: string fungsi crossover xOverOps: matriks parameter crossover mutFNs: string fungsi mutasi mutOps: matriks parameter mutasi
9
Fungsi evaluasi function [sol, val] = GA_Eval(sol,options) Parameter input: sol: individu dalam populasi Options: matriks opsi untuk inisialisasi, dan terdiri atas kolom pertama adalah epsilon, dan kolom kedua adalah 1 jika float dan 0 jika biner.[1 e-6 1]
10
Fungsi evaluasi Parameter output: sol: individu baru dalam populasi setelah ditambahkan nilai fitness val: nilai fitness
11
Fungsi Operator Simple crossover Uniform crossover arithXover cyclicXover dsb
12
Simple crossover function [c1,c2] = SimpleXover(p1,p2,bounds,Ops) Mengambil dua parent p1, p2 dan melakukan crossover sederhana tunggal Bounds: matriks batas bawah dan batas atas dari allele
13
Simple crossover Ops adalah [current_generation xoverops]
14
Simple crossover Membangkitkan angka random r dengan distribusi seragam dari 1 sampai m dan membuat dua individu baru dengan
15
Uniform crossover function [ch1,ch2,t] = UniformXover(par1,par2,bounds,Ops) Mengambil dua parent p1, p2 dan melakukan crossover pada beberapa gen dari dua buah chromosome Bounds: matriks batas bawah dan batas atas dari allele
16
Uniform crossover Ops adalah [current_generation xoverops]
17
Uniform crossover Membangkitkan angka random biner r, dan membuat dua individu baru dengan
18
Mutasi Mengubah satu individu menjadi satu individu baru Jenis: Inversionmutation multiNonUnivMutation nonUnivMutation binaryMutation boundaryMutation unifMutation dsb
19
unifMutation Mengubah satu parameter parent berdasarkan distribusi probabilitas uniform function [parent] = UnifMutation(parent,bounds,Ops)
20
unifMutation Memilih variabel r secara acak, dan mengubahnya menjadi angka acak uniform: Dengan: –r = angka random uniform (0,1) –a i = selisih batas atas dan bawah sebuah variabel I –b i = batas bawah sebuah variabel
21
Fungsi seleksi tournSelect roulette normGeomSelect
22
tournSelect function[newPop] = tournSelect(oldPop,options) newPop: Populasi baru yang diseleksi dari oldPop. oldPop: Populasi saat ini
23
roulette function[newPop] = roulette(oldPop,options) newPop: Populasi baru yang diseleksi dari oldPop. oldPop: Populasi saat ini
24
normGeomSelect function[newPop] = normGeomSelect(oldPop,options) newPop: Populasi baru yang diseleksi dari oldPop. oldPop: Populasi saat ini
25
Genetic Algorithms (VIIIa) Results from a small example: Minimize Initial PopulationGeneration 10
26
Genetic Algorithms (VIIIb) Generation 20 Generation 30 Generation 40 Generation 50
27
Transit Routing: Description
28
Transit Routing: Formulation (II) Representation……….
29
Transit Routing: Results 0 1 14 6 7 13 8 12 4 10 3 5 9 2 11 Mandl’s Swiss network --- a benchmark problem
30
Encoding a set of weights in a chromosome
31
Encoding of the network topology
32
Ada Pertanyaan ?
33
Tugas untuk minggu depan Buatlah fungsi Single point crossover (int,bin) Multipoint crossover (int,bin) Uniform crossover (int,bin) Single point mutation (int,bin) Double point mutation (int,bin) Uniform mutation (int,bin) Selection (int,bin)
34
Parent1
Presentasi serupa
© 2024 SlidePlayer.info Inc.
All rights reserved.