Anchoring Effect

Efek penahan, juga dikenal sebagai "achoring effect," adalah fenomena psikologis di mana penilaian atau keputusan individu dipengaruhi oleh suatu titik acuan atau "jangkar" yang mungkin sama sekali tidak relevan. Fenomena ini melibatkan penanganan numerik dan non-numerik. Dalam konteks penanganan numerik, setelah nilai jangkar ditetapkan, argumen berikutnya, perkiraan, atau keputusan seseorang dapat mengalami perubahan dari apa yang seharusnya terjadi tanpa jangkar tersebut. Sebagai contoh, seseorang mungkin lebih cenderung membeli mobil jika ditempatkan bersama model yang lebih mahal sebagai jangkar. Meskipun harga yang dibahas dalam negosiasi lebih rendah dari harga yang ditetapkan, itu mungkin tampak masuk akal atau bahkan murah bagi pembeli, meskipun sebenarnya masih lebih tinggi dari nilai pasar sebenarnya. Fenomena ini pertama kali dideskripsikan dalam konteks psikofisika, dan contohnya mencakup penilaian orbit Mars dengan menggunakan orbit Bumi sebagai jangkar. Efek penahan dapat memainkan peran dalam penilaian dan keputusan manusia, meskipun jangkauan pengaruhnya dapat bervariasi.

Temuan Experimental

Heuristik penahan, yang pertama kali diteorikan oleh Amos Tversky dan Daniel Kahneman, mencakup fenomena di mana penilaian atau keputusan seseorang dipengaruhi oleh titik acuan atau "jangkar" yang mungkin tidak relevan. Pada studi pertamanya, peserta diminta menghitung perkalian angka satu banding delapan dalam lima detik, dan hasilnya dipengaruhi oleh urutan perkalian awal. Penelitian lain menunjukkan bahwa referensi numerik, seperti B. Nomor jaminan sosial, tawaran atau perkiraan nilai suatu barang dapat terpengaruh. Contoh lainnya adalah efek penahan dalam memprediksi harga properti berdasarkan harga tertinggi pada suatu periode tertentu. Dalam perilaku pembelian saham, efek penahan ditemukan mempengaruhi harga pembelian saham pertama, yang menjadi acuan pembelian di masa depan.Efek penahan mencerminkan cara orang membuat perkiraan atau keputusan berdasarkan titik acuan yang mungkin tidak masuk akal namun tetap mempengaruhi persepsi terhadap nilai atau harga sesuatu.

Karakteristik

Kesulitan untuk menghidari

Berbagai penelitian menunjukkan bahwa efek penahan sulit dihindari. Misalnya, dalam sebuah penelitian, siswa diberi nomor palsu tentang Mahatma Gandhi dan diminta menebak kapan dia meninggal. Meskipun semua pernyataan yang dibuat salah, kedua kelompok membuat tebakan yang berbeda, sehingga menunjukkan adanya efek penahan.

Ada juga upaya untuk menghilangkan penyumbatan secara langsung. Dalam sebuah penelitian, peserta dihadapkan pada sebuah jangkar dan secara eksplisit diberitahu bahwa jangkar tersebut akan mempengaruhi respons mereka.Meskipun mereka menyadari adanya efek penahan, peserta masih melaporkan perkiraan yang lebih tinggi. Penelitian lebih lanjut menunjukkan bahwa meskipun ada insentif moneter, kebanyakan orang tidak dapat secara efektif mengurangi efek penahan tersebut.

Meskipun upaya telah dilakukan untuk mengurangi bias penahan, Strategi Pertimbangan Terbalik (COS) terbukti paling dapat diandalkan. COS mendorong individu untuk mempertimbangkan pilihan-pilihan yang bertentangan dengan persepsi dan keyakinan mereka, sehingga menghilangkan sikap-sikap sebelumnya dan membatasi dampak bias keputusan.

Daya Tahan Penahan

Daya tahan dari penahan, atau kegigihan dari efek penahan, telah terbukti cukup lama, menunjukkan bahwa pengaruhnya terhadap pengambilan keputusan terhadap suatu tujuan tidak berkurang seiring berjalannya waktu. Untuk menguji umur panjang efek penahan, serangkaian tiga percobaan dilakukan. Meskipun terdapat penundaan selama satu minggu pada sebagian populasi sampel, hasil serupa diperoleh untuk penilaian target yang bersifat segera dan tertunda. Hal ini menunjukkan bahwa informasi eksternal yang diperoleh selamauji coba yang tertunda memiliki pengaruh yang kecil dibandingkan dengan efek penahan yang dihasilkan sendiri, menunjukkan bahwa efek penahan mungkin mendahului durasi persiapan, terutama jika efek penahan terjadi selama penyelesaian tugas. Namun, penelitian selanjutnya yang meneliti ketahanan efek penahan yang efektif dalam jangka waktu yang lama menghasilkan hasil yang bertentangan.

Menahan Bias dalam Kelompok

Meskipun pepatah “dua kepala lebih baik daripada satu” sering kali mengarah pada asumsi bahwa kelompok pengambil keputusan lebih tidak memihak dibandingkan individu, hasil dalam hal ini tidak selalu konsisten. Beberapa kelompok mungkin memiliki kinerja yang lebih baik dibandingkan individu, namun kelompok juga mungkin memiliki bias yang sama atau lebih besar dibandingkan anggota individunya. Faktor-faktor seperti metode komunikasi, pemrosesan dan pengumpulan informasi yang diskriminatif dapat mengurangi kualitas proses pengambilan keputusan kelompok dan memperkuat bias yang sudah ada.

Alasan penangguhan kelompok tersebut belum sepenuhnya jelas. Penanda kelompok dapat muncul di tingkat kelompok atau sekadar mencerminkan penjangkar pribadi beberapa individu. Penelitian sebelumnya menunjukkan bahwa ketika diberikan jangkar sebelum percobaan, setiap anggota kelompok mengkonsolidasikan jangkarnya sendiri untuk mengambil keputusan tentang arah penempatan jangkar. Perbedaan antara bias penahan individu dan kelompok terletak pada kecenderungan kelompok untuk mengabaikan atau menolak informasi eksternal karena keyakinan terhadap proses pengambilan keputusan bersama.

Percobaan dilakukan untuk menguji bias penahan dalam kelompok dan mencari solusi untuk menghindari atau mengurangi efek penahan. Eksperimen menunjukkan bahwa kelompok memang dipengaruhi oleh jangkar, dan berbagai metode seperti: Pendekatan lain, seperti menggunakan kepemilikan proses dan motivasi melalui kompetisi daripada kerja sama, disarankan sebagai cara untuk mengurangi pengaruh jangkar dalam kelompok.

Intelijen bisnis

Tujuan dari penelitian ini adalah untuk menguji pengaruh sistem intelijen bisnis (BI) terhadap efek penahan dalam studi peer-review. BI mengacu pada seperangkat perangkat lunak dan layanan yang membantu perusahaan mengumpulkan informasi tentang kinerja bisnis. Pertanyaan utama penelitian ini adalah sejauh mana sistem BI dapat mengurangi bias kognitif, khususnya efek penahan, dalam proses pengambilan keputusan.

Variabel independen dalam penelitian ini adalah penggunaan sistem BI, sedangkan variabel dependennya adalah hasil proses pengambilan keputusan. Subyek diberikan jangkar yang dapat dipandang sebagai jangkar yang “masuk akal” dan “salah” ketika membuat keputusan prognostik.Hasil penelitian menunjukkan bahwa meskipun sistem BI mampu mengurangi dampak negatif dari false jangkar, namun tidak memberikan dampak yang signifikan terhadap dampak dari plausible jangkar. Hasil ini menunjukkan bahwa masyarakat masih rentan terhadap bias kognitif dalam konteks bisnis, bahkan ketika menggunakan teknologi canggih seperti sistem BI. Oleh karena itu, para peneliti merekomendasikan untuk mengintegrasikan peringatan dini mengenai efek penahan ke dalam sistem BI untuk mengurangi dampaknya terhadap pengambilan keputusan.

Disadur dari : en.wikipedia.org

Algoritma optimasi koloni semut

Dalam dunia ilmu komputer dan riset operasi, algoritma Ant Colony Optimization (ACO) menonjol sebagai teknik probabilistik untuk memecahkan masalah komputasi yang dapat direduksi menjadi menemukan jalur optimal dalam grafik. Inspirasi utama ACO berasal dari perilaku semut biologis, dimana komunikasi berbasis feromon sering dijadikan paradigma utama. Kombinasi semut buatan dan algoritma pencarian lokal telah menjadi pilihan pertama untuk berbagai tugas optimasi termasuk perutean kendaraandan perutean Internet.

Misalnya, optimasi koloni semut adalah suatu kelas algoritma yang terinspirasi oleh tindakan koloni semut. Semut buatan bertindak sebagai agen simulasi untuk menjelajahi ruang parameter guna menemukan solusi optimal, mirip dengan semut biologis yang mengeluarkan feromon untuk memandu semut lain menuju sumber daya.Dalam simulasi, semut buatan mencatat posisi dan kualitas solusi sehingga semut dapat menemukan solusi yang lebih baik pada iterasi berikutnya. Varian dari pendekatan ini adalah algoritma lebah, yang mencerminkan pola mencari makan lebah madu dan serangga sosial lainnya.

ACO pertama kali diusulkan oleh Marco Dorigo pada tahun 1992 dan pada awalnya dirancang untuk menemukan jalur optimal dalam grafik berdasarkan perilaku semut biologis. Seiring waktu, ide dasar ini berkembang untuk memecahkan berbagai masalah numerik dengan memanfaatkan berbagai aspek perilaku semut. Sebagai anggota keluarga algoritma koloni semut, metode kecerdasan gerombolan, dan optimasi metaheuristik, ACO melakukan pencarian berbasis model dan memiliki kesamaan dengan algoritma distribusi.

Gambaran Umum

Di alam, semut dari beberapa spesies awalnya berkeliaran tanpa pandang bulu dan, setelah menemukan makanan, kembali ke koloninya, meninggalkan jejak feromon. Jejak kaki ini menjadi petunjuk saat mencari semut lain; Jika mereka menemukan jejak, kemungkinan besar mereka akan mengikuti jejak feromon tersebut, kembali dan memperkuatnya ketika mereka akhirnya menemukan makanan (lihat komunikasi semut). Namun, seiring berjalannya waktu, jejak feromon tersebut menghilang sehingga mengurangi daya tariknya.Semakin lama semut menempuh jalur tersebut, semakin banyak waktu yang dimiliki feromon untuk menguap.

Rute yang lebih pendek lebih menarik karena lebih sering dilalui, sehingga kepadatan feromon lebih tinggi pada rute yang lebih pendek dibandingkan dengan rute yang lebih panjang.Penguapan feromon juga bermanfaat untuk menghindari konvergensi menuju solusi optimal lokal. Tanpa penguapan, jalur yang dipilih semut pertama kemungkinan besar akan terlalu menarik bagi semut berikutnya, sehingga sulit menjelajahi ruang solusi. Meskipun pengaruh penguapan feromon dalam sistem semut alami masih belum jelas, namun hal ini penting dalam sistem buatan.

Ketika semut menemukan jalur yang baik dari koloni menuju sumber makanan, semut lain umumnya cenderung mengikuti jalur tersebut, dan umpan balik positif pada akhirnya menyebabkan banyak semut mengambil jalur yang sama. Ide di balik algoritma koloni semut adalah untuk meniru perilaku ini melalui “simulasi semut” yang dijalankan di sekitar grafik yang mewakili masalah yang sedang dipecahkan.

Jaringan ambien objek cerdas

Pada saat “kecerdasan” tidak lagi terpusat tetapi dapat ditemukan pada objek-objek yang sangat kecil, diperlukan suatu konsep baru. Kini perlu ditinjau kembali konsep antroposentris yang sebelumnya memusatkan pengolahan data dan perhitungan kekuatan di unit kendali. Model otak manusia telah menjadi visi utama dalam pengembangan komputer. Namun, konsep ini berubah secara signifikan dengan munculnya jaringan objek cerdas dan sistem informasi generasi baru berbasis nanoteknologi. Meskipun perangkat kecil tidak menghasilkan kecerdasan tinggi secara individual, namun jika dihubungkan bersama, perangkat tersebut dapat menghasilkan kecerdasan kolektif, mirip dengan koloni semut atau lebah.

Contoh dari alam menunjukkan bahwa organisme yang sangat kecil, jika mengikuti aturan dasar yang sama, dapat menciptakan kecerdasan kolektif pada tingkat makroskopis. Koloni serangga sosial, bekerja sama dengan unit independen yang berperilaku sederhana, mewakili model masyarakat yang berbeda dengan manusia. Mereka bergerak untuk melakukan tugas dengan sedikit informasi. Analoginya dapat ditemukan pada jaringan benda-benda disekitarnya, dimana fleksibilitas dan kemampuan beradaptasi terhadap perubahan lingkungan sangatlah penting. Sama seperti koloni semut yang memiliki kemampuan beradaptasi dan kekuatan kolektif, jaringan seluler yang berkembang juga dapat memperoleh manfaat dari fleksibilitas serupa.Paket informasi yang bergerak melalui jaringan objek dapat dibandingkan dengan pergerakan semut yang bergerak melalui node dengan tujuan mencapai tujuan akhirnya secepat mungkin. Oleh karena itu, penggunaan konsep-konsep ini dalam situasi tertentu dapat membuka pintu menuju kecerdasan yang lebih tinggi dibandingkan dengan sistem terpusat tradisional.

Sistem Feromom Buatan

Sistem feromon buatan telah menjadi fokus penelitian karena komunikasi berbasis feromon telah terbukti menjadi salah satu alat komunikasi paling efektif yang banyak digunakan di alam. Serangga sosial seperti lebah, semut, dan rayap menggunakan feromon untuk berkomunikasi antar agen dan dalam kawanan agen. Efektivitas komunikasi ini mendorong penggunaan feromon buatan dalam pengembangan sistem robot gerombolan dan multi-robot.

Penerapan komunikasi berbasis feromon dapat dilakukan dengan berbagai metode, baik kimia maupun fisika. Contohnya adalah penggunaan cahaya yang diproyeksikan, seperti yang dijelaskan dalam artikel IEEE oleh Garnier, Simon et al. dari tahun 2007.Studi ini menjelaskan pengaturan eksperimental dengan mikrorobot otonom untuk menyelidiki komunikasi berbasis feromon. Pendekatan lain adalah dengan menyebarkan feromon melalui layar LCD horizontal, dan robot dilengkapi dengan sensor cahaya yang menghadap ke bawah untuk merekam pola pada permukaan di bawahnya. Meskipun mereka berhasil menciptakan kembali beberapa aspek komunikasi feromon alami, aplikasi ini gagal mereplikasi sepenuhnya kompleksitas seluruh sistem feromonseperti yang terlihat di alam.

Disadur dari : en.wikipedia.org

Heuristik ketersediaan

Heuristik ketersediaan atau bias ketersediaan adalah jalan pintas mental yang mengandalkan contoh langsung yang terlintas dalam pikiran saat mengevaluasi topik, konsep, metode, atau keputusan tertentu. Heuristik ini didasarkan pada gagasan bahwa informasi yang mudah diingat dipandang lebih penting atau bermakna dibandingkan solusi alternatif yang sulit diingat. Ada bias yang melekat terhadap informasi yang baru diakses ketika mengambil keputusan. Ketersediaan mental atas konsekuensi suatu tindakan berhubungan positif dengan persepsi konsekuensi tersebut; Semakin mudah diingat, semakin besar pula dampak yang dirasakan. Orang cenderung mempercayai isi ingatan mereka, terutama ketika implikasinya tidak dipertanyakan, karena kesulitan mengingat informasi dapat mempengaruhi penilaian mereka.

Sejarah dan Ikhtisar

Pada akhir tahun 1960an dan awal tahun 1970an, Amos Tversky dan Daniel Kahneman mengembangkan konsep “heuristik dan bias” untuk penilaian dalam kondisi ketidakpastian. Bertentangan dengan pandangan sebelumnya tentang manusia sebagai aktor rasional, mereka menunjukkan bahwa penilaian dalam kondisi ketidakpastian sering kali mengandalkan penyederhanaan heuristik daripada pemrosesan algoritmik yang komprehensif.

Salah satu heuristik yang dipelajari Tversky dan Kahneman adalah “heuristik ketersediaan”, yang melibatkan pembuatan penilaian berdasarkan contoh yang mudah diingat. Heuristik ini digunakan ketika orang menilai frekuensi suatu peristiwa berdasarkan kemampuan mereka mengingat peristiwa serupa. Meskipun banyak penelitian telah dilakukan mengenai heuristik ketersediaan, masih terdapat perdebatan tentang proses yang mendasarinya.Penelitian menunjukkan bahwa memanipulasi pengalaman subjektif dapat mempengaruhi tingkat ingatan, dan sulit untuk membedakan apakah penilaian didasarkan pada pengalaman fenomenal partisipan atau hanya pada sampel informasi yang diingat yang bias. Beberapa tafsir menekankan bahwa penilaian seseorang selalu didasarkan pada apa yang terlintas dalam pikirannya, seperti ketika ditanya tentang kata bahasa Inggris yang mengandung huruf “at” atau “ak”.

Penelitian

Chapman (1967) mengidentifikasi bias dalam menilai frekuensi terjadinya dua peristiwa yang dikenal sebagai korelasi ilusi. Tversky dan Kahneman menjelaskan bahwa ketersediaan memberikan penjelasan alami atas efek korelasi ilusi. Mereka menunjukkan bahwa kekuatan hubungan antara dua peristiwa dapat menjadi dasar untuk mengevaluasi frekuensi terjadinya dua peristiwa secara bersamaan.

Dalam studi pertama heuristik ketersediaan Tversky dan Kahneman,peserta melebih-lebihkan jumlah kata yang dimulai dengan huruf "K" dan meremehkan jumlah kata yang memiliki huruf ketiga "K". Studi mereka juga mencakup temuan bahwa peserta cenderung memilih struktur visual dengan jalur yang tersedia lebih jelas, meremehkan hasil akhir dalam tugas estimasi, dan memperkirakan hasil perkalian berdasarkan urutan angka yang disajikan.Akibatnya, orang menjawab pertanyaan dengan membandingkan ketersediaan kedua kategori tersebut dan menilai seberapa mudah mereka mengingat peristiwa tersebut, yang terkadang menyebabkan kesalahan penilaian.

Penjelasan

Banyak penelitian telah berusaha untuk mengidentifikasi proses psikologis yang menghasilkan heuristik ketersediaan. Tversky dan Kahneman berpendapat bahwa jumlah contoh yang diambil dari ingatan digunakan untuk menyimpulkan frekuensi terjadinya suatu peristiwa. Dalam percobaan untuk menguji penjelasan tersebut, peserta mendengarkan daftar nama-nama terkenal dan diminta mengingat atau memprediksi jenis kelamin yang paling sering muncul.

Hasilnya menunjukkan bahwa nama orang terkenal lebih mudah diingat dan sebagian besar peserta salah menilai seberapa sering gender muncul. Schwarz dan rekannya mengusulkan akun kemudahan mengingat yang menggunakan kemudahan mengingat contoh, bukan jumlah contoh, untuk menyimpulkan frekuensi kelas tertentu.

Studi mereka menunjukkan bahwa kemudahan mengingat konten mempengaruhi penilaian; Lebih mudah mengingat 6 contoh dibandingkan 12. Penelitian yang dilakukan Vaughn (1999) melibatkan siswa yang diminta membuat daftar metode pembelajaran. Hasil penelitian menunjukkan bahwa siswa menggunakan heuristik ketersediaan berdasarkan jumlah metode pembelajaran yang mereka ikuti untuk memprediksi kinerja mereka tergantung pada tingkat ketidakpastian selama semester tersebut.

Disadur dari : en.wikipedia.org

Pengambilan Keputusan

Dalam psikologi, pengambilan keputusan adalah proses kognitif yang mengarah pada pemilihan suatu keyakinan atau tindakan di antara beberapa alternatif pilihan. Proses ini bisa rasional atau irasional dan didasarkan pada asumsi nilai, preferensi dan keyakinan pengambil keputusan. Setiap proses pengambilan keputusan mengarah pada keputusan akhir, yang mungkin mengarah pada tindakan atau tidak. Penelitian di bidang ini juga berkaitan dengan pemecahan masalah, khususnya dalam penelitian psikologi diEropa.

Gambaran Umum

Pengambilan keputusan merupakan suatu kegiatan pemecahan masalah yang menghasilkan suatu solusi yang dianggap optimal atau memuaskan. Proses ini bisa rasional atau irasional dan melibatkan pengetahuan eksplisit atau diam-diam. Kinerja manusia dalam pengambilan keputusan diperiksa dari sudut pandang psikologis, kognitif dan normatif. Ada dua jenis pengetahuan, pengetahuan eksplisit dan tacit, yang digunakan bersama dalam proses pengambilan keputusan. Prosesnya melibatkan analisis alternatif yang terbatas berdasarkan kriteria evaluasi. Analisis keputusan multi-kriteria (MCDA) menjadi sorotan namun kontroversial karena metodenya dapat memberikan hasil yang berbeda. Lingkungan pengambilan keputusan, termasuk kompleksitasnya, berperan penting dalam proses pengambilan keputusan dan dapat mempengaruhi fungsi kognitif. Keputusan logis adalah elemen kunci dalam banyak profesi ilmiah, namun situasi tertentu dapat mendorong pengambilan keputusan yang intuitif atau kurang terstruktur.

Karakteristik Pengambilan Keputusan

Pengambilan keputusan melibatkan serangkaian fitur dan langkah yang umumnya diikuti untuk membuat model keputusan yang dapat membantu menentukan rencana produksi yang optimal. Pertama, tujuan harus didefinisikan dengan jelas dan kemudian diurutkan dan diurutkan berdasarkan kepentingannya. Tindakan alternatif kemudian dikembangkan sebagai respons terhadap tujuan yang telah ditetapkan. Alternatif-alternatif ini kemudian dievaluasi terhadap seluruh target yang diklasifikasikan sebagai. Keputusan awal dibuat dan alternatif yang dapat mencapai semua tujuan yang ditetapkan dipilih.

Keputusan antara kemudian dievaluasi berdasarkan kemungkinan konsekuensinya. Setelah penilaian ini, tindakan tegas diambil dan tindakan tambahan diambil untuk menghindari konsekuensi negatif yang mungkin timbul. Proses ini mencakup langkah-langkah pengambilan keputusan yang kompleks. Dalam situasi konflik, permainan peran dapat membantu dalam memprediksi keputusan pihak-pihak yang terlibat. Seluruh sistem, termasuk analisis masalah dan pengambilan keputusan, dapat dimulai ulang daridan seterusnya jika diperlukan.

Teknik Pengambilan Keputusan

Teknik pengambilan keputusan dapat dibagi menjadi dua kategori besar: teknik pengambilan keputusan kelompok dan teknik pengambilan keputusan individu.

Saat mengambil keputusan kelompok, metode konsensus berupaya mencapai kesepakatan tanpa menentukan pihak mana yang menang atau kalah. Pemungutan suara mayoritas, pluralitas, pemungutan suara poin, dan pemungutan suara kuadrat merupakan metode yang dapat digunakan dalam pengambilan keputusan kelompok. Selain itu, metode seperti Delphi dan demokrasi juga digunakan untuk memfasilitasi komunikasi kelompok dan pengambilan keputusan. Pengambilan keputusan partisipatif melibatkan sekelompok orang yang terlibat dalam proses pengambilan keputusan. Rekayasa keputusan menggunakan visualisasi proses pengambilan keputusan dan dapat diotomatisasi menggunakan alat pemodelan keputusan.

Di sisi lain, dalam pengambilan keputusan individu, terdapat pendekatan seperti keseimbangan keputusan, optimalisasi nilai yang diharapkan, kepuasan, kesepakatan dengan otoritas, anti-otoritarianisme, flipisme, dukungan keputusan otomatis, dan sistem kendali. Pendukung keputusan. Masing-masing metode ini mencakup peluang unik untuk analisis dan pengambilan keputusan.

Disadur dari : en.wikipedia.org

Pengenalan Dynamic Programming
Pemrograman dinamis adalah metode optimasi matematis dan paradigma algoritmik. Metode ini dikembangkan oleh Richard Bellman pada tahun 1950-an dan telah digunakan di berbagai bidang, mulai dari teknik dirgantara hingga ekonomi. Dalam kedua konteks ini mengacu pada penyederhanaan masalah yang kompleks dengan memecahnya secara rekursif menjadi sub-masalah yang lebih sederhana. Meskipun beberapa masalah pengambilan keputusan tidak dapat diurai dengan cara ini, keputusan yang mencakup beberapa titik waktu sering kali diurai secara rekursif. Hal yang sama berlaku dalam ilmu komputer: Jika suatu masalah dapat diselesaikan secara optimal dengan membaginya menjadi sub-masalah dan kemudian secara rekursif mencari solusi optimal untuk sub-masalah tersebut, maka ini disebut substruktur optimal.Jika submasalah dapat disarangkan secara rekursif dalam masalah yang lebih besar sehingga metode pemrograman dinamis dapat diterapkan, maka terdapat hubungan antara nilai masalah yang lebih besar dan nilai submasalah tersebut. Dalam literatur optimasi, hubungan ini disebut persamaan Bellman.

Persamaan Matematis

Dalam optimasi matematis, pemrograman dinamis mengacu pada penyederhanaan keputusan dengan memecahnya menjadi serangkaian langkah keputusan dari waktu ke waktu. Proses ini melibatkan pendefinisian barisan fungsi nilai V1, V2, ..., Vn, yang mewakili keadaan sistem pada waktu i dari 1 sampai n, dimana Vn(y) adalah nilai dalam keadaan y pada saat terakhir. Utara.Nilai Vi pada waktu sebelumnya dapat dicari mundur dengan menggunakan persamaan Bellman. Untuk i = 2, ..., n, Vi-1 pada setiap state dihitung dari Vi dengan memaksimumkan fungsi keuntungan dari keputusan pada waktu i-1 dan fungsi Vi pada state baru pada saat pengambilan keputusan tersebut.Proses ini menghasilkan Vi-1 untuk status yang diperlukan. Pada keadaan awal sistem, V1 merupakan nilai solusi optimal. Nilai optimal dari variabel keputusan dapat dikembalikan secara individual setelah perhitungan dilakukan.

Computer Science

Ada dua atribut utama yang harus dimiliki suatu masalah agar pemrograman dinamis dapat diterapkan: substruktur optimal dan submasalah yang tumpang tindih. Ketika suatu masalah dapat diselesaikan dengan menggabungkan solusi optimal untuk sub-masalah yang tidak tumpang tindih, strategi ini disebut “membagi dan menaklukkan.”Oleh karena itu, pengurutan gabungan dan pengurutan cepat tidak diklasifikasikan sebagai masalah pemrograman dinamis.

Substruktur optimal berarti bahwa solusi terhadap masalah optimasi tertentu dapat diperoleh dengan kombinasi solusi optimal dari submasalahnya. Substruktur optimal biasanya dijelaskan dengan rekursi.Misalnya, pada graf G = (V, E), jalur terpendek p dari simpul u ke simpul v mewakili substruktur optimal: ambil setiap simpul perantara w pada lintasan terpendek p. Jika p memang merupakan jalur terpendek, jalur tersebut dapat dibagi menjadi subjalur p1 dari u ke w dan p2 dari w ke v, sehingga jalur ini adalah yang terpendek di antara simpul-simpul yang bersesuaian (menggunakan metode potong-dan-tempel yang dijelaskan pada
argumen). Pengantar algoritma). Oleh karena itu, solusi dapat dengan mudah dirumuskan untuk mencari jalur terpendek secara rekursif, seperti halnya dengan algoritma Bellman-Ford atau algoritma Floyd-Warshall.

Tumpang tindih submasalah berarti ruang submasalah harus kecil, yaitu. H. algoritma rekursif apa pun yang menyelesaikan masalah harus menyelesaikan submasalah yang sama berulang kali, bukan membuat submasalah baru. Misalnya, perhatikan rumus rekursif untuk menghasilkan deret Fibonacci: Fi = Fi-1 + Fi-2, dengan kasus dasar F1 = F2 = 1. Maka F43 = F42 + F41 dan F42 = F41 + F40. Sekarang F41 diisi menjadi subpohon rekursif dari F43 dan juga F42. Meskipun jumlah totalsubmasalah sangat kecil (hanya 43), jika kita menggunakan solusi rekursif naif seperti ini, kita akan menyelesaikan masalah yang sama berulang kali.Pemrograman dinamis memperhitungkan fakta ini dan menyelesaikan setiap sub-masalah hanya satu kali.

Hal ini dapat dicapai dengan salah satu dari dua cara:

• Top down approach: Ini adalah akibat langsung dari perumusan masalah secara rekursif. Jika solusi suatu masalah dapat dirumuskan secara rekursif menggunakan solusi dari submasalahnya dan submasalah tersebut tumpang tindih, kita dapat dengan mudah mencatat atau menyimpan solusi dari submasalah tersebut dalam sebuah tabel. Setiap kali kita mencoba memecahkan submasalah baru, pertama-tama kita memeriksa tabel untuk melihat apakah submasalah tersebut sudah terpecahkan. Jikasolusi telah dicatat, kita dapat menggunakannya secara langsung, jika tidak, kita selesaikan submasalah dan tambahkan solusinya ke tabel.

• Bottom up approach: Setelah kita merumuskan solusi suatu masalah secara rekursif dalam bentuk submasalah, kita dapat mencoba merumuskan kembali masalah dari bawah ke atas: pertama-tama kita mencoba menyelesaikan submasalah terkecil dan membangun solusi berdasarkan solusinya. Sub-masalahnya adalah yang terbesar. Hal ini juga biasanya dilakukan dalam bentuk tabel, dengan menghasilkan solusi secara berulang untuk submasalah yang semakin besar menggunakan solusi
  untuk submasalah yang lebih kecil. Misalnya kita sudah mengetahui nilai F41 dan F40, kita bisa langsung menghitung nilai F42.

Beberapa bahasa pemrograman dapat secara otomatis menyimpan hasil pemanggilan fungsi dengan serangkaian argumen tertentu untuk mempercepat evaluasi panggilan berdasarkan nama (mekanisme ini disebut panggilan demi permintaan). Beberapa bahasa mengizinkan hal ini secara portabel (misalnya Skema, Common Lisp, Perl, atau D). Beberapa bahasa memiliki hafalan otomatis, seperti: B. Prolog dan J Tabled, yang mendukung hafalan dengan kata keterangan M. Namun, ini hanya mungkin untuk fungsi yang transparan secara referensial. Penghafalan juga ditemukan sebagai pola desain yang mudah diakses dalam bahasa berbasis penulisan ulang seperti Bahasa Wolfram.

Contoh Algoritma :

• Algoritma Dijkstra untuk masalah jalur terpendek
• Deret Fibonacci

Disadur dari : en.wikipedia.org

Perhitungan evolusioner

Dalam ilmu komputer, komputasi evolusioner adalah sebuah keluarga algoritme untuk optimasi global yang terinspirasi oleh evolusi biologis, dan subbidang kecerdasan buatan dan komputasi lunak yang mempelajari algoritme ini. Dalam istilah teknis, mereka adalah keluarga pemecah masalah trial and error berbasis populasi dengan karakter optimasi metaheuristik atau stokastik.

Dalam komputasi evolusioner, sekumpulan kandidat solusi awal dihasilkan dan diperbarui secara berulang. Setiap generasi baru dihasilkan dengan menghapus solusi yang kurang diinginkan secara stokastik, dan memperkenalkan perubahan acak kecil serta, tergantung pada metodenya, mencampurkan informasi orang tua. Dalam terminologi biologi, sebuah populasi solusi akan mengalami seleksi alam (atau seleksi buatan), mutasi, dan kemungkinan rekombinasi. Hasilnya, populasi akan berevolusi secara bertahap untuk meningkatkan kebugaran, dalam hal ini fungsi kebugaran yang dipilih dari algoritma.

Teknik komputasi evolusioner dapat menghasilkan solusi yang sangat optimal dalam berbagai pengaturan masalah, sehingga membuatnya populer dalam ilmu komputer. Banyak varian dan ekstensi yang tersedia, yang cocok untuk kelompok masalah dan struktur data yang lebih spesifik. Komputasi evolusioner juga terkadang digunakan dalam biologi evolusioner sebagai prosedur eksperimental in silico untuk mempelajari aspek-aspek umum dari proses evolusi secara umum.

Sejarah

Konsep meniru proses evolusi untuk memecahkan masalah berasal dari sebelum munculnya komputer, seperti ketika Alan Turing mengusulkan metode pencarian genetik pada tahun 1948. Mesin-u tipe-B Turing menyerupai jaringan saraf primitif, dan hubungan antara neuron dipelajari melalui semacam algoritma genetik. Mesin-u tipe P-nya menyerupai metode pembelajaran penguatan, di mana sinyal kesenangan dan rasa sakit mengarahkan mesin untuk mempelajari perilaku tertentu. Namun, makalah Turing tidak dipublikasikan hingga tahun 1968, dan ia meninggal pada tahun 1954, sehingga karya awal ini tidak banyak berpengaruh pada bidang komputasi evolusioner yang kemudian berkembang.

Komputasi evolusioner sebagai sebuah bidang dimulai dengan sungguh-sungguh pada tahun 1950-an dan 1960-an. Ada beberapa upaya independen untuk menggunakan proses evolusi dalam komputasi pada masa ini, yang berkembang secara terpisah selama kurang lebih 15 tahun. Tiga cabang muncul di tempat yang berbeda untuk mencapai tujuan ini: strategi evolusi, pemrograman evolusioner, dan algoritma genetika. Cabang keempat, pemrograman genetik, akhirnya muncul pada awal tahun 1990-an. Pendekatan-pendekatan ini berbeda dalam metode seleksi, mutasi yang diizinkan, dan representasi data genetik. Pada tahun 1990-an, perbedaan antara cabang-cabang historis tersebut mulai kabur, dan istilah 'komputasi evolusioner' diciptakan pada tahun 1991 untuk menunjukkan sebuah bidang yang mencakup keempat paradigma tersebut.

Pada tahun 1962, Lawrence J. Fogel memprakarsai penelitian Pemrograman Evolusioner di Amerika Serikat, yang dianggap sebagai upaya kecerdasan buatan. Dalam sistem ini, mesin keadaan berhingga digunakan untuk memecahkan masalah prediksi: mesin ini akan dimutasi (menambah atau menghapus keadaan, atau mengubah aturan transisi keadaan), dan yang terbaik dari mesin yang bermutasi ini akan berevolusi lebih lanjut di generasi mendatang. Mesin finite state terakhir dapat digunakan untuk menghasilkan prediksi saat dibutuhkan. Metode pemrograman evolusioner berhasil diterapkan pada masalah prediksi, identifikasi sistem, dan kontrol otomatis. Metode ini akhirnya diperluas untuk menangani data deret waktu dan memodelkan evolusi strategi permainan.

Pada tahun 1964, Ingo Rechenberg dan Hans-Paul Schwefel memperkenalkan paradigma strategi evolusi di Jerman. Karena teknik penurunan gradien tradisional menghasilkan hasil yang mungkin terjebak pada minima lokal, Rechenberg dan Schwefel mengusulkan agar mutasi acak (yang diterapkan pada semua parameter beberapa vektor solusi) dapat digunakan untuk menghindari minima ini. Solusi anak dihasilkan dari solusi induk, dan solusi yang lebih sukses dari keduanya disimpan untuk generasi selanjutnya. Teknik ini pertama kali digunakan oleh keduanya untuk menyelesaikan masalah optimasi dalam dinamika fluida. Awalnya, teknik optimasi ini dilakukan tanpa komputer, melainkan mengandalkan dadu untuk menentukan mutasi acak. Pada tahun 1965, perhitungan dilakukan sepenuhnya oleh mesin.

John Henry Holland memperkenalkan algoritma genetika pada tahun 1960-an, dan dikembangkan lebih lanjut di Universitas Michigan pada tahun 1970-an. Sementara pendekatan lain difokuskan untuk memecahkan masalah, Holland terutama bertujuan untuk menggunakan algoritma genetika untuk mempelajari adaptasi dan menentukan bagaimana adaptasi tersebut dapat disimulasikan. Populasi kromosom, yang direpresentasikan sebagai string bit, ditransformasikan oleh proses seleksi buatan, memilih bit 'alel' tertentu dalam string bit. Di antara metode mutasi lainnya, interaksi antara kromosom digunakan untuk mensimulasikan rekombinasi DNA antara organisme yang berbeda. Sementara metode sebelumnya hanya melacak satu organisme optimal pada satu waktu (membuat anak-anak bersaing dengan orang tua), algoritma genetika Holland melacak populasi besar (membuat banyak organisme bersaing setiap generasi).

Pada tahun 1990-an, sebuah pendekatan baru untuk komputasi evolusioner yang kemudian disebut pemrograman genetik muncul, yang antara lain dianjurkan oleh John Koza. Dalam kelas algoritme ini, subjek evolusi itu sendiri adalah program yang ditulis dalam bahasa pemrograman tingkat tinggi (telah ada beberapa upaya sebelumnya pada awal tahun 1958 untuk menggunakan kode mesin, namun tidak banyak berhasil). Bagi Koza, program-program tersebut adalah ekspresi Lisp S, yang dapat dianggap sebagai pohon sub-ekspresi. Representasi ini memungkinkan program untuk menukar sub-pohon, yang mewakili semacam pencampuran genetik. Program dinilai berdasarkan seberapa baik mereka menyelesaikan tugas tertentu, dan nilai tersebut digunakan untuk seleksi buatan. Induksi urutan, pengenalan pola, dan perencanaan merupakan aplikasi yang sukses dari paradigma pemrograman genetik.

Banyak tokoh lain yang berperan dalam sejarah komputasi evolusioner, meskipun karya mereka tidak selalu masuk ke dalam salah satu cabang sejarah utama bidang ini. Simulasi komputasi evolusi yang paling awal menggunakan algoritma evolusi dan teknik kehidupan buatan dilakukan oleh Nils Aall Barricelli pada tahun 1953, dengan hasil pertama yang dipublikasikan pada tahun 1954. Pelopor lain pada tahun 1950-an adalah Alex Fraser, yang mempublikasikan serangkaian makalah tentang simulasi seleksi buatan. Seiring dengan meningkatnya minat akademis, peningkatan dramatis dalam kekuatan komputer memungkinkan aplikasi praktis, termasuk evolusi otomatis program komputer. Algoritme evolusioner sekarang digunakan untuk memecahkan masalah multi-dimensi secara lebih efisien daripada perangkat lunak yang dihasilkan oleh perancang manusia, dan juga untuk mengoptimalkan desain sistem.

Teknik

Algoritme evolusioner
Algoritma evolusioner merupakan bagian dari komputasi evolusioner yang umumnya hanya melibatkan teknik-teknik yang mengimplementasikan mekanisme yang terinspirasi dari evolusi biologis seperti reproduksi, mutasi, rekombinasi, seleksi alam, dan bertahan hidup yang terkuat. Kandidat solusi untuk masalah optimasi berperan sebagai individu dalam sebuah populasi, dan fungsi biaya menentukan lingkungan tempat solusi "hidup" (lihat juga fungsi kebugaran). Evolusi populasi kemudian terjadi setelah penerapan operator di atas secara berulang-ulang.

Dalam proses ini, ada dua kekuatan utama yang menjadi dasar sistem evolusi: Rekombinasi (misalnya persilangan) dan mutasi menciptakan keragaman yang diperlukan dan dengan demikian memfasilitasi kebaruan, sementara seleksi bertindak sebagai kekuatan yang meningkatkan kualitas.

Banyak aspek dari proses evolusi yang bersifat stokastik. Informasi yang berubah karena rekombinasi dan mutasi dipilih secara acak. Di sisi lain, operator seleksi dapat bersifat deterministik atau stokastik. Dalam kasus terakhir, individu dengan kebugaran yang lebih tinggi memiliki peluang lebih tinggi untuk dipilih daripada individu dengan kebugaran yang lebih rendah, tetapi biasanya bahkan individu yang lemah pun memiliki peluang untuk menjadi orang tua atau bertahan hidup.

Algoritme evolusi dan biologi

Algoritma genetika memberikan metode untuk memodelkan sistem biologi dan biologi sistem yang terkait dengan teori sistem dinamik, karena digunakan untuk memprediksi keadaan sistem di masa depan. Ini hanyalah cara yang jelas (tetapi mungkin menyesatkan) untuk menarik perhatian pada karakter perkembangan biologi yang teratur, terkendali dengan baik, dan sangat terstruktur.

Namun, penggunaan algoritma dan informatika, khususnya teori komputasi, di luar analogi dengan sistem dinamis, juga relevan untuk memahami evolusi itu sendiri.

Pandangan ini memiliki manfaat untuk mengakui bahwa tidak ada kontrol pusat perkembangan; organisme berkembang sebagai hasil dari interaksi lokal di dalam dan di antara sel-sel. Gagasan yang paling menjanjikan tentang paralelisme program-pengembangan tampaknya adalah gagasan yang menunjuk pada analogi yang tampaknya dekat antara proses di dalam sel, dan operasi tingkat rendah komputer modern. Dengan demikian, sistem biologis seperti mesin komputasi yang memproses informasi input untuk menghitung keadaan berikutnya, sehingga sistem biologis lebih dekat dengan komputasi daripada sistem dinamik klasik.

Lebih jauh lagi, mengikuti konsep dari teori komputasi, proses mikro dalam organisme biologis pada dasarnya tidak lengkap dan tidak dapat diputuskan (kelengkapan (logika)), menyiratkan bahwa "ada lebih dari sekadar metafora kasar di balik analogi antara sel dan komputer."

Analogi komputasi juga meluas ke hubungan antara sistem pewarisan dan struktur biologis, yang sering dianggap mengungkap salah satu masalah paling mendesak dalam menjelaskan asal-usul kehidupan.

Automata evolusioner, sebuah generalisasi dari mesin Turing Evolusioner, telah diperkenalkan untuk menyelidiki sifat-sifat yang lebih tepat dari komputasi biologis dan evolusioner. Secara khusus, mereka memungkinkan untuk mendapatkan hasil baru tentang ekspresi komputasi evolusioner. Hal ini menegaskan hasil awal tentang ketidakpastian evolusi alami dan algoritma serta proses evolusi. Evolutionary finite automata, subkelas paling sederhana dari Evolutionary automata yang bekerja dalam mode terminal dapat menerima bahasa arbitrer melalui alfabet yang diberikan, termasuk bahasa yang dapat dihitung secara non-rekursif (misalnya, bahasa diagonalisasi) dan bahasa yang dapat dihitung secara rekursif tetapi tidak rekursif (misalnya, bahasa mesin Turing universal).

Disadur dari: en.wikipedia.org