Implementasi yang Efektif
GA bersifat sangat umum, dan hanya menerapkannya ke masalah pengoptimalan apa pun tidak akan memberikan hasil yang baik. Pada bagian ini, kami menjelaskan beberapa poin yang akan membantu dan membantu desainer GA atau pelaksana GA dalam pekerjaan mereka.
Perkenalkan pengetahuan domain khusus masalah
Telah diamati bahwa pengetahuan domain yang lebih spesifik untuk masalah yang kami masukkan ke dalam GA; nilai obyektif yang lebih baik yang kita dapatkan. Menambahkan informasi khusus masalah dapat dilakukan dengan menggunakan persilangan atau operator mutasi khusus masalah, representasi khusus, dll.
Gambar berikut menunjukkan pandangan Michalewicz (1990) tentang EA -
Kurangi Keramaian
Kerumunan terjadi ketika kromosom yang sangat fit dapat bereproduksi banyak, dan dalam beberapa generasi, seluruh populasi dipenuhi dengan solusi serupa yang memiliki kebugaran serupa. Ini mengurangi keragaman yang merupakan elemen yang sangat penting untuk memastikan keberhasilan GA. Ada banyak cara untuk membatasi kepadatan. Beberapa dari mereka adalah -
Mutation untuk memperkenalkan keragaman.
Beralih ke rank selection dan tournament selection yang memiliki tekanan seleksi lebih banyak daripada pemilihan proporsional kebugaran untuk individu dengan kebugaran serupa.
Fitness Sharing - Dalam hal ini kebugaran individu berkurang jika populasinya sudah berisi individu serupa.
Pengacakan Membantu!
Telah diamati secara eksperimental bahwa solusi terbaik didorong oleh kromosom acak karena memberikan keragaman pada populasi. Pelaksana GA harus berhati-hati untuk menjaga jumlah pengacakan dan keragaman yang cukup dalam populasi untuk hasil terbaik.
Gabungkan GA dengan Penelusuran Lokal
Pencarian lokal mengacu pada pemeriksaan solusi di sekitar solusi yang diberikan untuk mencari nilai obyektif yang lebih baik.
Terkadang berguna untuk menggabungkan GA dengan penelusuran lokal. Gambar berikut menunjukkan berbagai tempat di mana penelusuran lokal dapat diperkenalkan di GA.
Variasi parameter dan teknik
Dalam algoritma genetika, tidak ada “satu ukuran cocok untuk semua” atau formula ajaib yang bekerja untuk semua masalah. Bahkan setelah GA awal siap, dibutuhkan banyak waktu dan upaya untuk bermain-main dengan parameter seperti ukuran populasi, mutasi dan probabilitas persilangan, dll. Untuk menemukan parameter yang sesuai dengan masalah tertentu.