algoritma genetika

genetika adalah sifat turunan yang di peroleh dari induk. dan tentu saja induk akan menurunkan sifatnya kepada turunan-turunannya. dan setiap individu akan terdiri dari gen . dimana gen tersebut adalah sebuah variabel yang nantinya akan membuat sebuah kromosom . dan dan kemudian ada perkawinan silang atau apa yang disebut dengan cross over antar individu sehingga membuat individu yang baru

Algoritma genetika

ide dasar dari algoritma genetika adalah mengelolah suatu potensi individu yang merupakan representasi dari  kandidat untuk penyelesaian masalah   dimana secara umum algoritma genetika mempunyai lima dasar komponent (Michalewicz, 1996)

1. Representasi genetik dari solusi-solusi masalah.
2. Cara membentuk populasi awal dari solusi-solusi.
3. Fungsi evaluasi yang me-rate (rating) solusi-solusi berdasarkan fitness mereka.
4. Operator-operator genetik yang merubah komposisi genetik dari offspring selama reproduksi.
5. Nilai-nilai untuk parameter algoritma genetika
   
   
   algoritma ini memaintenain individu - individu untuk setiap generasi . dimana masing-masing individu mempunyai nilai yang potensial untuk masalah yang dihadapi.  masing-masing individu di nilai terhadap nilai fitnessnya untuk masalah yang di hadapi

salah satu aplikasi yang paling sering di pakai adalah masalah optimasi . yaitu mendapatkan nilai solusi yang optimal terhadap masalah yang dihadapi . daya tarik algoritma genetika adalah pada kesederhanaan dan kehebatan untuk mencari solusi terbaik terhadap permasalahan yang di hadapi

Kelebihan Algoritma Genetika

Beberapa hal yang termasuk kelebihan dari Algoritma Genetika adalah sebagai berikut (Haupt dan Haupt, 2004):

• Mengoptimalkan dengan variabel kontinu atau diskrit,
• Tidak memerlukan informasi derivatif,
• Bersamaan pencarian dari sebuah sampling yang luas pada permukaan biaya,
• Berkaitan dengan sejumlah besar variabel,
• Baik untuk komputer paralel,
• Mengoptimalkan permukaan variabel dengan biaya yang sangat kompleks (GA bisa melompat dari minimum lokal),
• Memberikan daftar variabel yang optimal, bukan hanya solusi tunggal,
• Dapat menyandikan variabel sehingga optimasi dilakukan dengan mengkodekan variabel, dan
• Bekerja dengan data numerik yang dihasilkan, data eksperimen, atau analitis fungsi.

Algoritma genetika berangkat dari himpunan solusi yang dihasilkan secara acak yang disebut populasi. Sedangkan setiap individu dalam populasi disebut kromosom yang merupakan representasi dari solusi dan masing-masing dievaluasi tingkat ketanggguhannya (fitness) oleh fungsi yang telah ditentukan. Melalui proses seleksi alam atas operator genetik, gen-gen dari dua kromosom (disebut parent) diharapkan akan menghasilkan kromosom baru dengan tingkat fitness yang lebih tinggi sebagai generasi baru atau keturunan (offspring) berikutnya. Kromosom-kromosom tersebut akan mengalami iterasi yang disebut generasi (generation). Pada setiap generasi, kromosom dievaluasi berdasarkan nilai fungsi fitness (Gen dan Cheng, 2000). Setelah beberapa generasi maka algoritma genetika akan konvergen dapat kromosom terbaik, yang merupakan solusi optimal (Goldberg, 1989).