Isi
- Definisi - Apa yang dimaksud dengan Algoritma Evolusi?
- Pengantar Microsoft Azure dan Microsoft Cloud | Sepanjang panduan ini, Anda akan mempelajari tentang apa itu cloud computing dan bagaimana Microsoft Azure dapat membantu Anda untuk bermigrasi dan menjalankan bisnis Anda dari cloud.
- Techopedia menjelaskan Algoritma Evolusi
Definisi - Apa yang dimaksud dengan Algoritma Evolusi?
Algoritma evolusi dianggap sebagai komponen perhitungan evolusi dalam kecerdasan buatan. Algoritma evolusioner berfungsi melalui proses seleksi di mana anggota yang paling tidak cocok dari kumpulan populasi dihilangkan, sedangkan anggota yang sesuai dibiarkan bertahan dan berlanjut sampai solusi yang lebih baik ditentukan. Dengan kata lain, algoritma evolusioner adalah aplikasi komputer yang meniru proses biologis untuk menyelesaikan masalah yang kompleks. Seiring waktu, anggota yang sukses berkembang untuk menghadirkan solusi yang dioptimalkan untuk masalah tersebut.
Pengantar Microsoft Azure dan Microsoft Cloud | Sepanjang panduan ini, Anda akan mempelajari tentang apa itu cloud computing dan bagaimana Microsoft Azure dapat membantu Anda untuk bermigrasi dan menjalankan bisnis Anda dari cloud.
Techopedia menjelaskan Algoritma Evolusi
Algoritma evolusioner memanfaatkan konsep-konsep dalam biologi seperti seleksi, reproduksi, dan mutasi. Ada tiga tipe dasar dari algoritma evolusioner, yaitu:
- Algoritma genetika
- Pemrograman evolusi
- Strategi evolusi
Tidak seperti teknik optimisasi tradisional, algoritma evolusioner bergantung pada pengambilan sampel acak. Algoritma evolusioner memiliki populasi kandidat solusi, tidak seperti metode klasik, yang mencoba mempertahankan satu solusi terbaik. Ada dua prasyarat yang terkait dengan algoritma evolusioner:
- Solusi kandidat harus dikodekan dengan masalah ini.
- Fungsi kebugaran perlu mengembalikan skor antara 1 dan 100 sehingga algoritma evolusioner dapat lebih baik diterapkan pada masalah.
Ada banyak manfaat yang terkait dengan algoritma evolusioner. Salah satu keuntungan terbesar adalah peningkatan fleksibilitas, karena sebagian besar konsep algoritma evolusioner dapat diadaptasi bahkan untuk masalah yang kompleks. Sebagian besar algoritma evolusioner cocok untuk memenuhi target objektif juga. Optimalisasi yang lebih baik dimungkinkan dengan algoritma evolusioner, karena populasi solusi mencegah algoritma dari terkunci dalam solusi tertentu.
Ada beberapa kelemahan terkait dengan algoritma evolusioner. Untuk satu, solusi yang disediakan oleh algoritma evolusi hanya lebih baik dibandingkan dengan solusi lain yang diketahui. Dengan demikian, algoritma tidak dapat membuktikan bahwa solusi apa pun benar-benar optimal, hanya saja itu optimal dibandingkan dengan hasil lainnya.