Mengenal Pengertian, Sejarah, Teknik dan Algoritma Pada Komputasi Evolusioner Part 2

Dipublikasikan oleh Dias Perdana Putra

19 Februari 2024, 11.17

(WIKIPEDIA)

Komputasi Evolusioner 

Dalam ilmu komputer, komputasi evolusioner adalah sistem komputer untuk menemukan solusi masalah optimasi yang menggunakan model komputasi proses evolusi seperti seleksi alam, survival of the fittest, dan reproduksi. Komputasi evolusioner, bidang kecerdasan komputer, mencakup algoritma genetika, pemrograman genetik, dan pemrograman evolusioner. Penerapan komputasi evolusioner untuk masalah optimasi sangat luas dan mencakup teknik industri, transportasi, jaringan komunikasi, robotika, penambangan data, bioinformatika, sistem energi, permainan, teknik kontrol, dan pemrosesan sinyal/gambar. Penggunaan prinsip evolusi untuk pemecahan masalah otomatis sudah ada sejak tahun 1950an. Baru pada tahun 1960an tiga penafsiran berbeda terhadap gagasan ini mulai berkembang di tiga tempat berbeda.

Pemrograman evolusioner diperkenalkan oleh Lawrence J. Fogel di Amerika, sedangkan John Henry Holland menyebut metodenya sebagai algoritma genetika. Di Jerman, Ingorechnerberg dan Hans-Paul Pelz memperkenalkan strategi evolusi. Kawasan-kawasan ini dikembangkan secara terpisah selama kurang lebih 15 tahun. Sejak awal tahun 1990-an, mereka telah disatukan sebagai perwakilan (“dialek”) yang berbeda dari satu teknologi, yang disebut komputasi evolusioner.Juga pada awal tahun 1990-an, muncul tren keempat yang mengikuti ide dasar: pemrograman genetik. Sejak tahun 1990an, algoritma yang terinspirasi dari alam telah menjadi bagian yang semakin penting dalam komputasi evolusioner. Terminologi ini mengacu pada bidang komputasi evolusioner dan menganggap pemrograman evolusioner, strategi evolusi, algoritma genetika, dan pemrograman genetika sebagai subbidang.

Simulasi evolusi menggunakan algoritma evolusi dan kehidupan buatan dimulai dengan karya Nils Aall Barricelli pada tahun 1960an dan diperluas oleh Alex Fraser, yang menerbitkan sejumlah makalah tentang simulasi seleksi buatan. Evolusi buatan menjadi metode optimasi yang diterima secara luas melalui karya Ingorechnerberg pada tahun 1960an dan awal 1970an, yang menggunakan strategi evolusi untuk memecahkan masalah teknik yang kompleks. Algoritma genetika khususnya memperoleh popularitas luas pada tahunmelalui tulisan John Holland. Seiring dengan meningkatnya minat akademis, peningkatan dramatis dalam kekuatan komputer memungkinkan penerapan praktis, termasuk pengembangan program komputer secara otomatis. Algoritme evolusioner sekarang digunakan untuk memecahkan masalah multidimensi dengan lebih efisien daripada perangkat lunak yang dibuat oleh perancang manusia dan juga untuk mengoptimalkan desain sistem.

Algoritma Evolusioner

Algoritme evolusioner adalah bagian dari komputasi evolusioner yang umumnya hanya melibatkan penerapan mekanisme yang terinspirasi oleh evolusi biologis, seperti: B. Reproduksi, mutasi, rekombinasi, seleksi alam dan survival of the fittest. Kandidat solusi untuk masalah optimasi memainkan peran individu dalam suatu populasi, dan fungsi biaya menentukan lingkungan di mana solusi tersebut “hidup” (lihat juga fungsi kebugaran). Evolusi populasi kemudian terjadi setelah penerapan berulang kali dari operator sebelumnya.Dalam proses ini, ada dua kekuatan utama yang menjadi dasar sistem evolusi: rekombinasi (misalnya pindah silang) dan mutasi menciptakan keragaman yang diperlukan dan dengan demikian memfasilitasi hal-hal baru, sedangkan seleksi bertindak sebagai kekuatan yang meningkatkan kualitas.

Banyak aspek proses evolusi bersifat stokastik.Informasi yang berubah melalui rekombinasi dan mutasi dipilih secara acak. Di sisi lain, operator seleksi bisa bersifat deterministik atau stokastik. Dalam kasus terakhir, individu dengan kebugaran lebih tinggi memiliki peluang lebih besar untuk terpilih dibandingkan individu dengan kebugaran lebih rendah, namun umumnya individu yang lebih lemah juga memiliki peluang untuk menjadi orang tua atau bertahan hidup.

Algoritma evolusi dan biologi

Algoritma genetika menyediakan metode untuk memodelkan sistem biologis dan hubungannya dengan teori sistem dinamik karena keduanya digunakan untuk memprediksi keadaan suatu sistem di masa depan. Meskipun analogi ini mungkin berguna untuk memahami ciri-ciri perkembangan biologis yang teratur dan terstruktur, penggunaan algoritma dan ilmu komputer, khususnya teori komputasi, memiliki relevansi yang lebih luas untuk memahami evolusi itu sendiri.

Pandangan ini mempunyai keuntungan karena mengakui bahwa pembangunan tidak dikontrol secara terpusat; Organisme berkembang melalui interaksi lokal di dalam dan antar sel. Ide yang menjanjikan untuk paralelisme dalam pengembangan program adalah analogi yang erat antara proses dalam sel dan pengoperasian komputer tingkat rendah modern. Oleh karena itu, sistem biologis dapat dipandang sebagai mesin komputasi yang memproses informasi masukan untuk menghitung keadaan selanjutnya, menjadikan sistem biologis lebih dekat dengan komputasi daripada sistem dinamik klasik.

Dalam kerangka teori komputasi, mikroproses dalam organisme biologis dianggap tidak lengkap dan tidak dapat diputuskan, menunjukkan bahwa analogi antara sel dan komputer melibatkan lebih dari sekedar metafora. Analogi komputasi juga memperdalam pemahaman tentang hubungan antara sistem hereditas dan struktur biologis, yang sering kali dianggap sebagai salah satu tantangan terbesar dalam menjelaskan asal usul kehidupan.Automata evolusioner, sebuah generalisasi dari mesin Turing evolusioner, diperkenalkan untuk mempelajari sifat-sifat komputasi biologis dan evolusioner secara lebih rinci. Mereka memungkinkan untuk memperoleh hasil baru pada ekspresi komputasi evolusioner dan untuk mengkonfirmasi hasil awal mengenai ketidakpastian evolusi alam serta algoritma dan proses evolusi.

Automata evolusioner terbatas, sebagai subkelas sederhana dari automata evolusioner, dapat menerima bahasa apa pun dari alfabet tertentu, termasuk bahasa yang tidak dapat dihitung secara rekursif dan bahasa yang dapat dihitung secara rekursif tetapi tidak dapat dihitung secara rekursif.

Sumber Artikel: https://en.wikipedia.org/wiki/Evolutionary_computation