1. Berdasarkan
definisi CI diberikan dalam bab ini. Tunjukkan bahwa masing-masing paradigma (NN, EC, SI, AIS dan FS) tidak memenuhi definisi.
Jawaban
:
Memenuhi,
Karena masih bersangkutan dengan Paradigma dibawah ini :
Neural Networks (NN) : Memiliki lapisan- lapisan yang
berfungsi seperti sel saraf pada manusia diantaranya input layer, hidden layer,
dan output layer. Masing – masing lapisan dapat terhubung secara penuh atau
sebagian dengan lapisan sebelumnya.
Cara
kerjanya adalah mmenirukan sistem kerja jaringan
otak manusia.
Evolutionary
Computation (EC) : Konsep utamanya, yang
kuat bertahan, yang lemah mati. Kemampuan bertahan dapat diperoleh melalui
reproduksi. Keturunan yang kuat akan mampu bertahan dan menyingkirkan yang
lemah. Selain itu, dapat dipengaruhi oleh parasite, yang menginfeksi individu,
dan mematikannya karena itu dipelajari tentang imonologi untuk mengetahui cara
mematikan virus.
Cara
kerjanya adalah Reproduksi, dia bisa bertahan
hidup.
Swarm Intelligent (SI) :
Kecerdasan kumpulan (Hidup Berkelompok). Dimana partikel dari kolom akan
memberikan usulan untuk optimasi masalah.
Contohnya
adalah semut & burung.
Semut, akan mencari tentang jalur
terpendek. Semut akan meninggalkan air liur (feromon) yang dapat dideteksi oleh
semut lainnya, dan mengikuti jejaknya.
Burung, akan mencari tentang jalur yang
baik . coloni fungsinya untuk mencari tempat yang terbaik.
Artifical Immune System
(AIS) : konsep dasarnya adalah sistem
kekebatan tubuh. Bekerja dengan cara menyingkirkan benda asing yang masuk
kedalam tubuh. AIS menyerupai beberapa aspek Neural Immune System (NIS).
Terutama diaplikasikan untuk menyelesaikan masalah pengenalan bentuk, melakukan
klarifikasi dan mengklaster deteksi virus.
Fuzzy System (FS) : Untuk masalah yang rumit. menitik beratkan pada penalaran. Binary hanya
mengenali 0 dan 1 logika fuzzy mempunyai kemampuan untuk mengenali penalaran
pendekatan.
2. Tunjukkan
bagaimana EA digunakan untuk memecahkan sistem persamaan, dengan menggambarkan
bagaimana
a. solusi
yang diwakili, dan
b. fitness
dihitung
Apa
masalah dapat diidentifikasi dalam menggunakan EA untuk menyelesaikan sistem
pertanyaan (system of equations)?
Jawaban
:
Operasi
EA (Algoritma Evolusioner) diaplikasikan dengan iterasi dengan kondisi
terpenuhi. Kondisi per hentian yang paling sederhana adalah dengan membatasi
jumlah generasi yang dapat dieksekusi oleh EA. Batas ini sebaiknya tidak
terlalu real, jika tidak - maka EA tidak akan mempunyai waktu yang cukup untuk
mencari solusinya.
a.
Representasi Solusi Dengan Memutus Iterasi Pada Kondisi Berikut:
1.
Ketika tidak ada
pembaruan/improvisasi dalam beberapa generasi yang berurutan.
2.
Ketika tidak ada perubahan
di dalam populasi.
3.
Ketika menemukan solusi
yang dapat diterima.
4.
Ketika fungsi
kemiringan tujuan mendekati nol.
b. Beberapa jenis masalah optimasi
yang mempengaruhi rumus fungsi fitness :
1.
Tidak dibatasi, dimana
Sc = Sx, fungsi fitnessnya adalah fungsi objektif sederhana.
2.
Dibatasi, beberapa EA
merubah fungsi fitness menjadi dua tujuan, satu sebagai fungsi objek asli, dan
satu sebagai fungsi penalty kendala.
Fungsi fitness
sangat penting peranannya dalam EA. Operator evolusi seperti seleksi,persilangan,
mutasi dan elitisme memanfaatkan evaluasi fitness kromosom. Misalnya operator
seleksi yang condong pada individu terbaik sebagai parental untuk persilangan,
sedangkan mutasi pada individu paling fit.
3. Apakah
strategi berikut masuk akal? Menjelaskan jawaban Anda "Mulai evolusi dengan tingkat mutasi besar,
dan mengurangi tingkat mutasi dengan peningkatan jumlah generasi"
Jawaban
:
Tidak logis .
Tingkat Mutasi tidak boleh besar sebab
akan mengakibatkan generasi karakteristik sifat unggul akan hilang dan
berkurang sebab, individu yang
lemah karena konfigurasi gen pada individu yang unggul akan dirusak,
dan akan menghasilkan karakteristik baru yang kurang baik. Harusnya tingkat
mutasi diturunkan , karena akan muncul generasi berikutnya tersisa hanya gen
yang bersifat kurang baik .
4. Jelaskan
mengapa BGP (Blok Pemrograman Genetik) komputasi lebih murah daripada GP (
Pemrograman Genetik)
Jawaban
:
karena Proses GP (
Pemrograman Genetik) dapat menghasilkan populasi awal individu
dimana setiap individu merupakan pohon yang terdiri dari beberapa node dan
tingkat. Dan pendekatan GP ( Pemrograman Genetik) membantu mengurangi kompleksitas komputasi
proses evolusi dan membantu untuk menghasilkan individu yang lebih kecil
dibandingkan dengan BGP (Blok Pemrograman Genetik) yang hanya
terdiri dari akar dan anak-anak langsung
dari simbul tersebut.
Dan dijelaskan pada BGP
(Blok Pemrograman Genetik) dimulai dengan model dengan beberapa derajat
kebebasan kemungkinan besar terlalu sedikit untuk memecahkan masalah untuk
tingkat akurasi yang di inginkan.
Dengan
kata lain proses GP ( Pemrograman Genetik) lebih
mudah dari pada menggunakan BGP (Blok Pemrograman Genetik).
5. Tunjukkan
jika EP dapat digunakan untuk berevolusi ekspresi reguler dari urutan karakter
Jawaban
:
EP adalah,
bagaimanapun,tidak terbatas pada
memerintahkan urutan representasi. Evolusi Pemrograman bernilai
real representasi vektor, dengan aplikasi untuk optimalisasikan
fungsi kontinu.
μ
= digunakan untuk menunjukkan jumlah
individu induk (ukuran yaitu populasi, ns),
λ = digunakan untuk menunjukkan jumlah o ff musim semi
Fi
Langkah pertama dalam
proses seleksi adalah untuk
menghitung skor, atau relatif fi
fitness, untuk setiap orang tua, xi (t),
dan o ff musim semi, x? i
(t). Mendefinisikan P (t) = C (t) ∪C?
(T) menjadi kolam
kompetisi, dan biarkan ui (t) ∈P
(t), i = 1, ...,
μ + λ menunjukkan seorang individu dalam kolam renang kompetisi.
Kemudian, untuk setiap ui (t) ∈P
(t) sekelompok nP
pesaing yang dipilih
secara acak dari sisa individu
(yaitu dari P (t)
\ {ui (t)}).
Rata-A dihitung untuk setiap ui (t) sebagai berikut
si (t) = nP? l = 1 sil (t) (11.24)
No comments:
Post a Comment