Algoritma Genetika dalam Kecerdasan Buatan: Gambaran Umum, Manfaat & Terminologi Utama

Diterbitkan: 2020-12-22

Daftar isi

pengantar

Algoritma genetika digunakan untuk memecahkan masalah rumit dengan lebih banyak variabel & kemungkinan hasil/solusi. Kombinasi dari solusi yang berbeda dilewatkan melalui algoritma berbasis Darwin untuk menemukan solusi terbaik. Solusi yang lebih buruk kemudian diganti dengan keturunan dari solusi yang baik.

Semuanya bekerja pada teori Darwin, di mana hanya individu yang paling cocok yang dipilih untuk reproduksi. Berbagai solusi dianggap sebagai elemen populasi, dan hanya solusi yang paling cocok yang diizinkan untuk mereproduksi (untuk menciptakan solusi yang lebih baik). Algoritma genetika membantu dalam mengoptimalkan solusi untuk masalah tertentu.

Seluruh proses algoritma genetika adalah simulasi program komputer di mana atribut dari masalah & solusi diperlakukan sebagai atribut dari teori Darwin. Proses dasar yang terlibat dalam algoritma genetika adalah sebagai berikut:

Sebuah populasi solusi dibangun untuk setiap masalah tertentu. Unsur-unsur populasi bersaing satu sama lain untuk menemukan yang paling cocok.
Unsur-unsur populasi yang fit hanya diperbolehkan menghasilkan keturunan (solusi yang lebih baik).
Gen dari orang tua yang paling cocok (solusi) menciptakan keturunan yang lebih baik. Dengan demikian, solusi ke depan akan lebih baik dan berkelanjutan.

Cara Kerja Algoritma Genetika di AI

Cara kerja algoritma genetika pada AI adalah sebagai berikut:

Komponen populasi, yaitu elemen, disebut sebagai gen dalam algoritma genetika di AI . Gen-gen ini membentuk individu dalam populasi (juga disebut sebagai kromosom).
Sebuah ruang pencarian dibuat di mana semua individu terakumulasi. Semua individu dikodekan dalam panjang yang terbatas di ruang pencarian.
Setiap individu dalam ruang pencarian (populasi) diberikan nilai fitness, yang memberitahukan kemampuannya untuk bersaing dengan individu lainnya.
Semua individu dengan skor kebugaran masing-masing dicari & dipelihara oleh algoritme genetika & individu dengan skor kebugaran tinggi diberi kesempatan untuk bereproduksi.
Keturunan baru memiliki 'solusi parsial' yang lebih baik dibandingkan dengan orang tua mereka. Algoritme genetika juga menjaga ruang ruang pencarian dinamis untuk mengumpulkan solusi baru (keturunan).
Proses ini diulangi sampai keturunannya tidak memiliki atribut/fitur baru selain induknya (konvergensi). Populasi konvergen pada akhirnya, dan hanya solusi yang paling cocok yang tetap bersama dengan keturunannya (solusi yang lebih baik). Skor kebugaran individu baru dalam populasi (keturunan) juga dihitung.

Terminologi Kunci dalam Algoritma Genetika

Operator Seleksi – Operator dalam algoritme genetika di AI ini bertanggung jawab untuk memilih individu dengan skor kebugaran yang lebih baik untuk reproduksi.
Operator Crossover – Operator crossover memilih situs crossover dari mana penggabungan akan terjadi. Situs crossover di kedua individu yang tersedia untuk kawin dipilih secara acak dan membentuk individu baru.
Operator Mutasi – Operator ini dalam algoritme genetika bertanggung jawab untuk menanamkan gen acak pada keturunannya untuk menjaga keragaman dan menghindari konvergensi dini.
Konvergensi Prematur – Jika suatu masalah dioptimalkan dengan cepat, itu berarti bahwa keturunannya tidak dihasilkan pada banyak level. Solusinya juga tidak akan berkualitas optimal. Untuk menghindari konvergensi prematur, gen baru ditambahkan oleh operator mutasi.
Alel – Nilai gen tertentu dalam kromosom disebut sebagai alel. Kumpulan alel yang ditentukan untuk setiap gen mendefinisikan kemungkinan kromosom dari gen tertentu.

Baca: Jenis-Jenis Algoritma AI Yang Harus Anda Ketahui

Manfaat dan Kegunaan Algoritma Genetika

Solusi yang dibuat melalui algoritme genetika kuat & andal dibandingkan dengan solusi lain.
Mereka meningkatkan ukuran solusi karena solusi dapat dioptimalkan pada skala pencarian yang besar. Algoritma ini juga dapat mengelola populasi yang besar.
Solusi yang dihasilkan oleh algoritme genetika tidak banyak menyimpang dengan sedikit mengubah input. Mereka dapat menangani sedikit kebisingan.
Algoritme genetika memiliki distribusi stokastik yang mengikuti aturan transisi probabilistik, membuatnya sulit diprediksi tetapi mudah dianalisis.
Algoritme genetika juga dapat bekerja di lingkungan yang bising. Hal ini juga dapat bekerja dalam kasus masalah yang kompleks & diskrit.
Karena keefektifannya, algoritma genetika memiliki banyak aplikasi seperti jaringan saraf, logika fuzzy, pemecah kode, penyaringan & pemrosesan sinyal. Anda dapat mempelajari lebih lanjut tentang algoritme genetika dalam AI melalui kursus teratas yang ditawarkan oleh upGrad.

Baca Juga: Jenis-Jenis Algoritma Klasifikasi di ML

Mengapa Belajar dari upGrad?

upGrad menyediakan berbagai kursus AI yang berafiliasi dengan universitas & institusi terkemuka. Kursus-kursus ini mengikuti pendekatan industri pertama dan diajarkan oleh fakultas ahli. Kursus yang disediakan di AI oleh upGrad adalah sebagai berikut:

Master of Science dalam Pembelajaran Mesin & AI yang berafiliasi dengan Liverpool John Moores University (LJMU).
Diploma PG dalam Pembelajaran Mesin & AI yang berafiliasi dengan IIIT Bangalore.

Manfaat memilih kursus ini di upGrad adalah sebagai berikut:

upGrad juga akan memberikan dukungan penempatan jika Anda memilih kursus ini. upGrad bermitra dengan pemain top di industri ini.
Anda akan mendapatkan bimbingan pribadi jika Anda memilih kursus yang disebutkan di atas.
Anda akan mendapatkan kesempatan untuk memilih di antara banyak proyek, studi kasus, tugas, dll.
Anda juga akan mendapatkan status alumni LJMU atau IIIT Bangalore jika Anda memilih kursus ini.
Anda akan menemukan sesi bimbingan dari pakar industri untuk mengetahui lebih banyak tentang industri AI.
Seorang mentor karir juga akan diberikan kepada Anda melalui upGrad untuk dukungan 360 derajat yang lengkap.
Kursus AI dari upGrad ini juga akan mencakup bahasa pemrograman, alat, dan database (perpustakaan) yang digunakan dalam industri AI. Anda juga akan memiliki akses ke komunitas upGrad yang luas.

Kesimpulan

Algoritme genetika adalah konsep penting dalam AI dan merupakan salah satu algoritme AI dengan kinerja terbaik dalam hal menemukan solusi optimal. Anda dapat mengetahui lebih banyak tentang topik ini dengan memilih kursus AI yang disediakan oleh upGrad yang diajarkan oleh fakultas ahli. Kursus LJMU di upGrad adalah 18 bulan, sedangkan yang lainnya 12 bulan. Mulai belajar AI sekarang!

Jika Anda tertarik untuk mempelajari lebih lanjut tentang pembelajaran mesin, lihat PG Diploma IIIT-B & upGrad dalam Pembelajaran Mesin & AI yang dirancang untuk para profesional yang bekerja dan menawarkan 450+ jam pelatihan ketat, 30+ studi kasus & tugas, IIIT- B Status alumni, 5+ proyek batu penjuru praktis & bantuan pekerjaan dengan perusahaan-perusahaan top.

Apa yang dimaksud dengan algoritma genetika, dan bagaimana kaitannya dengan biologi?

Algoritma, secara umum, adalah seperangkat aturan atau instruksi yang harus diikuti oleh komputer atau perangkat untuk menjalankan tugas tertentu atau untuk memecahkan masalah. Algoritma genetika adalah algoritma evolusioner yang didasarkan pada salah satu teori biologi Charles Darwin. Ini disebut survival of the fittest, dan menurut frasa ini, hanya organisme yang paling menyesuaikan diri dengan lingkungannya yang memiliki peluang untuk bertahan hidup dan bereproduksi. Mirip dengan teorinya, algoritma genetika adalah algoritma iteratif yang menemukan solusi yang merupakan solusi terbaik di antara solusi yang tersedia untuk perangkat. Kromosom diwakili oleh array bit atau karakter dalam algoritma genetika, yang menerapkan paradigma komputasi. Setiap string sesuai dengan solusi yang mungkin. Algoritme genetika kemudian mengubah kromosom yang paling menjanjikan untuk mengejar hasil yang lebih baik.

Apa kasus penggunaan nyata dari algoritma genetika?

Dengan mereplikasi proses evolusi survival of the fittest untuk mencapai tujuan tertentu, algoritme genetika berpotensi mendekati masalah kompleks dengan banyak variabel dan sejumlah besar solusi alternatif. Di bidang ekonomi, algoritma genetika mewakili konsep termasuk teori permainan, model sarang laba-laba, penetapan harga aset, dan optimasi jadwal. Mereka juga digunakan untuk mencari cara agar pengiriman barang lebih efisien. Mereka digunakan dalam analisis DNA untuk menentukan struktur DNA berdasarkan data spektrometri. Dalam masalah optimasi multimodal, mereka digunakan untuk memberikan banyak solusi optimal. Mereka digunakan dalam pembuatan desain pesawat parametrik. Parameter pesawat diperbarui dan ditingkatkan menggunakan algoritme genetik untuk menghasilkan desain yang unggul.

Apa batasan dari algoritma genetika?

Seperti algoritma lainnya, algoritma genetika juga memiliki batasannya sendiri. Keterbatasan pertama adalah bahwa algoritma ini secara komputasi mahal karena evaluasi setiap individu memerlukan pelatihan model. Masalah kedua yang dihadapi dengan algoritma ini adalah bahwa mereka tidak efektif dalam menangani masalah kecil. Masalah lain dengan algoritme ini adalah bahwa sifat stokastiknya dapat memakan waktu lama untuk konvergen, dan implementasi yang tidak tepat dapat menyebabkan algoritme konvergen ke hasil yang tidak memuaskan. Juga, dalam algoritme genetika, kualitas jawaban akhir tidak dijamin. Dalam algoritme ini, penghitungan berulang dari nilai yang paling cocok dapat menyebabkan masalah khusus dengan rintangan komputasi.