A review on genetic algorithm: past, present, and future
Sourabh Katoch1 & Sumit Singh Chauhan1 & Vijay Kumar1
Received:
27 July 2020 /Revised: 12 October 2020 /Accepted: 23 October 2020
# Springer
Science+Business Media, LLC, part of Springer Nature 2020
Published
online: 31 October 2020
Abstrak
Dalam
makalah ini, disampaikan analisis kemajuan terkini dalam algoritma genetik.
Algoritma genetic yang sangat diminati dalam komunitas penelitian telah dipilih
untuk dianalisis. Tulisan ini akan membantu peneliti baru dan yang sedang
mencari cara untuk mendapatkan visi yang lebih luas tentang algoritma genetik.
Algoritma yang terkenal ini disajikan implementasinya termasuk kelebihan dan
kekurangannya. Operator genetik dan penggunaannya dibahas dengan tujuan untuk memfasilitasi
peneliti baru. Disampaikan berbagai domain penelitian yang terlibat dalam
algoritma genetic, juga disampaikan arah
penelitian masa depan dalam bidang operator genetik, fungsi fitness, dan
algoritma hibrida. Tinjauan terstruktur ini akan membantu penelitian dan
pengajaran di kelas pascasarjana.
Kata kunci :
Optimasi, Metaheuristic, Algoritma genetic, Crossover, Mutasi,
Seleksi, Evolusi.
Daftar Isi
4.2.1
Multiobjective GA berbasis Pareto
4.2.2 GA multiobjektif berbasis
dekomposisi
4.3.1 Master-slave parallel GA
4.3.2 Fine grained parallel GA
4.3.3 GA paralel berbutir kasar
4.4
GA yang kacau (Chaotic GAs)
4.5.1 Meningkatkan kemampuan
pencarian
4.5.2 Menghasilkan solusi yang
layak
4.5.3 Penggantian operator genetik
4.5.4 Mengoptimalkan parameter
kontrol
5.1.4 Peramalan dan desain jaringan
5.3.3 Alokasi pita lebar dan kanal
6
Tantangan dan kemungkinan di masa mendatang
6.1.3 Pemilihan fungsi fitness
yang efisien
6.1.4 Derajat mutasi dan
persilangan
6.1.5 Pemilihan skema penyandian
6.2
Arah penelitian di masa mendatang
1
Pendahuluan
Dalam
beberapa tahun terakhir, algoritma metaheuristic telah banyak digunakan
untuk memecahkan masalah yang rumit dalam kehidupan nyata, yang muncul dari
berbagai bidang seperti ekonomi, teknik, politik, manajemen, dan rekayasa
[113]. Intensifikasi dan diversifikasi merupakan elemen kunci dari algoritma metaheuristic.
Keseimbangan yang tepat antara elemen-elemen ini diperlukan untuk memecahkan
masalah dalam kehidupan nyata secara efektif. Sebagian besar algoritma metaheuristic
terinspirasi dari proses evolusi biologis, perilaku kawanan, dan hukum fisika
[17].
Algoritma
ini secara umum diklasifikasikan menjadi dua kategori yaitu algoritma metaheuristic
berbasis solusi tunggal dan algoritma metaheuristic berbasis populasi
(Gbr. 1). Algoritma metaheuristic berbasis solusi tunggal memanfaatkan
solusi kandidat tunggal dan meningkatkan solusi ini dengan menggunakan pencarian
lokal. Namun, solusi yang diperoleh dari metaheuristic berbasis solusi
tunggal mungkin terjebak dalam optimasi lokal [112].
Metaheuristic
berbasis solusi tunggal yang terkenal adalah simulasi annealing,
pencarian tabu (Tabu Search TS), mikrokanonik annealing (MA), dan
pencarian lokal terpandu (GLS). Metaheuristic berbasis populasi memanfaatkan
beberapa solusi kandidat selama proses pencarian. Metaheuristic ini mempertahankan
keragaman dalam populasi dan menghindari solusi terjebak dalam optimasi lokal. Beberapa
algoritma metaheuristic berbasis populasi yang terkenal adalah algoritma
genetika (GA) [135], pengoptimalan kawanan partikel (particle swarm optimization
PSO) [101], pengoptimalan koloni semut (ant colony optimization ACO)
[47], pengoptimalan hyena tutul (spotted hyena Optimizer SHO) [41],
pengoptimalan penguin kaisar (emperor penguin optimizer EPO) [42], dan
pengoptimalan burung camar (seagull optimization SOA) [43].
Di antara
algoritma metaheuristic, Algoritma Genetika (GA) merupakan algoritma
yang terkenal, yang terinspirasi dari proses evolusi biologis [136]. GA meniru
teori Darwin tentang survival of fittest di alam. GA diusulkan oleh J.H.
Holland pada tahun 1992. Elemen dasar GA adalah representasi kromosom, seleksi fitness,
dan operator yang terinspirasi dari biologi. Holland juga memperkenalkan elemen
baru yaitu, inversi yang umumnya digunakan dalam implementasi GA [77].
Biasanya, kromosom mengambil format string biner. Dalam kromosom, setiap lokus
(posisi spesifik pada kromosom) memiliki dua kemungkinan alel (bentuk varian
gen) - 0 dan 1. Kromosom dianggap sebagai titik dalam ruang solusi. Ini
diproses menggunakan operator genetik dengan mengganti populasinya secara
berulang. Fungsi fitness digunakan untuk menetapkan nilai untuk semua
kromosom dalam populasi [136]. Operator algoritma genetika yang
terinspirasi dari biologi adalah seleksi (selection), mutase (mutation),
dan persilangan (crossover). Dalam seleksi, kromosom dipilih
berdasarkan nilai fitnessnya untuk diproses lebih lanjut. Dalam operator
persilangan, lokus acak dipilih dan mengubah subsekuen antara kromosom untuk
menciptakan keturunan. Dalam mutasi, beberapa bit kromosom akan dibalik secara
acak berdasarkan probabilitas [77, 135, 136]. Pengembangan GA lebih lanjut
berdasarkan operator, representasi, dan fitness telah berkurang.
Kontribusi
utama dari makalah ini adalah sebagai berikut:
1. Kerangka
kerja umum GA dan GA hibrida dengan formulasi matematika.
2. Berbagai
jenis operator genetik beserta kelebihan dan kekurangannya.
3. Varian
GA beserta kelebihan dan kekurangannya.
4.
Penerapan GA dalam bidang multimedia.
Tujuan
utama dari makalah ini ada dua. Pertama, makalah ini menyajikan varian GA dan penerapannya
di berbagai bidang. Kedua, makalah ini memperluas area penggunaan yang
memungkinkan di berbagai bidang. Disampaikan berbagai jenis teknik persilangan,
mutasi, seleksi, dan pengkodean. Disampaikan GA dengan tujuan tunggal,
multi-tujuan, paralel, dan hibrida dengan kelebihan dan kekurangannya. Aplikasi
multimedia GA juga diuraikan.
Makalah ini
disusun sebagai berikut: Bagian 2 menyajikan metodologi yang digunakan untuk
melakukan penelitian. Bagian 3 menyajikan Algoritma genetika klasik dan
operator genetika. Bagian 4 menyajikan varian algoritma genetika dengan pro dan
kontra. Bagian 5 menjelaskan aplikasi algoritma genetika. Bagian 6 menyajikan
tantangan dan arah penelitian di masa mendatang, dan kesimpulan disampaikan di
Bagian 7.
2 Metodologi penelitian
Pedoman
PRISMA digunakan untuk melakukan peninjauan GA [138]. PRISMA : Preferred
Reporting Items for Systematic reviews and Meta-Analyses (Item Pelaporan
Pilihan untuk Tinjauan Sistematis dan Meta-Analisis). Pencarian terperinci
telah dilakukan di Google Scholar dan PubMed untuk mengidentifikasi makalah
penelitian yang terkait dengan GA.
Karya
penelitian penting yang ditemukan selama pencarian manual juga ditambahkan
dalam makalah ini. Selama pencarian, beberapa kata kunci seperti “Algoritma
Genetika” atau “Penerapan GA” atau “operator GA” atau “representasi GA” atau
“varian GA” digunakan. Pemilihan dan penolakan makalah penelitian yang
dieksplorasi didasarkan pada prinsip-prinsip, yang disebutkan dalam Tabel 1.
Total
27.64.792 makalah penelitian dieksplorasi di Google Scholar, PubMed, dan
pencarian manual. Pekerjaan penelitian yang terkait dengan algoritma genetika
untuk aplikasi multimedia juga disertakan. Selama penyaringan makalah
penelitian, semua makalah duplikat dan makalah yang diterbitkan sebelum 2007
dibuang. 4340 makalah penelitian dipilih berdasarkan entri tahun 2007 dan
duplikat. Setelah itu, 4050 makalah penelitian dieliminasi berdasarkan judul.
220 makalah penelitian dieliminasi setelah membaca abstrak. 70 makalah
penelitian ditinggalkan setelah putaran penyaringan ketiga. 40 makalah
penelitian lainnya dibuang setelah membaca makalah lengkap dan fakta yang
ditemukan dalam makalah. Setelah putaran penyaringan keempat, 30 makalah
penelitian terakhir dipilih untuk ditinjau. Berdasarkan relevansi dan kualitas
penelitian, 30 makalah dipilih untuk evaluasi. Relevansi penelitian diputuskan
melalui beberapa kriteria, yang disebutkan dalam Tabel 1.
Makalah
penelitian yang dipilih meliputi algoritma genetik untuk aplikasi multimedia,
pengembangan operator genetik, dan hibridisasi algoritma genetik dengan
algoritma metaheuristic lain yang sudah mapan. Kelebihan dan kekurangan
operator genetik ditunjukkan pada bagian sebelumnya.
3
Latar Belakang
Pada bagian
ini dibahas struktur dasar GA dan operator genetiknya beserta kelebihan dan
kekurangannya.
3.1 GA Klasik
Algoritma
genetik (GA) adalah algoritma optimasi yang terinspirasi dari seleksi alam. Ini
adalah algoritma pencarian berbasis populasi, yang menggunakan konsep survival
of fittest [135]. Populasi baru dihasilkan melalui penggunaan operator
genetik secara berulang pada individu yang ada dalam populasi. Representasi
kromosom, seleksi, persilangan, mutasi, dan perhitungan fungsi fitness
adalah elemen kunci GA.
Prosedur GA
adalah sebagai berikut:
1. Populasi
(Y) dengan n kromosom diinisialisasi secara acak.
2. Fitness
setiap kromosom di Y dihitung.
3. Dua
kromosom, yaitu C1 dan C2, dipilih dari populasi Y menurut nilai fitness.
4. Operator
crossover titik tunggal dengan probabilitas crossover (Cp)
diterapkan pada C1 dan C2 untuk menghasilkan keturunan, katakanlah O.
5. Setelah
itu, operator mutasi seragam diterapkan pada keturunan yang dihasilkan (O)
dengan probabilitas mutasi (Mp) untuk menghasilkan O′.
6. Keturunan
baru O′ ditempatkan pada populasi baru.
7. Operasi
seleksi, crossover, dan mutasi akan diulang pada populasi saat ini
hingga populasi baru selesai.
Analisis
matematis GA adalah sebagai berikut [126]:
GA secara
dinamis mengubah proses pencarian melalui probabilitas crossover dan
mutasi dan mencapai solusi optimal. GA dapat memodifikasi gen yang dikodekan.
GA dapat mengevaluasi banyak individu dan menghasilkan banyak solusi optimal.
Oleh karena itu, GA memiliki kemampuan pencarian global yang lebih baik.
Keturunan yang dihasilkan dari crossover kromosom induk kemungkinan
besar akan menghapus skema genetik kromosom induk yang mengagumkan dan rumus crossover
didefinisikan sebagai [126]:
di mana g
adalah jumlah generasi, dan G adalah jumlah total generasi evolusi yang
ditetapkan oleh populasi. Dapat diamati dari Persamaan (1) bahwa R berubah
secara dinamis dan meningkat seiring dengan peningkatan jumlah generasi
evolusi. Pada tahap awal GA, kesamaan antara individu sangat rendah. Nilai R
harus rendah untuk memastikan bahwa populasi baru tidak akan merusak skema
genetik individu yang unggul. Pada akhir evolusi, kesamaan antara individu
sangat tinggi dan nilai R harus tinggi. Menurut teorema Skema, skema asli harus
diganti dengan skema yang dimodifikasi. Untuk mempertahankan keragaman dalam
populasi, skema baru mempertahankan populasi awal selama tahap awal evolusi.
Pada akhir evolusi, skema yang sesuai akan diproduksi untuk mencegah distorsi
skema genetik yang unggul [65, 75]. Algoritma 1 menunjukkan pseudocode dari
algoritma genetik klasik.
Algorithm
1: Classical Genetic Algorithm (GA)
3.2 Operator genetik
GA
menggunakan berbagai operator selama proses pencarian. Operator-operator ini
adalah skema pengkodean, persilangan, mutasi, dan seleksi. Fig 2 menggambarkan
operator-operator yang digunakan dalam GA.
3.2.1 Skema pengkodean
Untuk
sebagian besar masalah komputasi, skema pengkodean (yaitu, untuk mengubah dalam
bentuk tertentu) memainkan peran penting. Informasi yang diberikan harus
dikodekan dalam string bit tertentu [121, 183]. Skema pengkodean dibedakan
menurut domain masalah.
Skema
pengkodean yang terkenal adalah biner, oktal, heksadesimal, permutasi, berbasis
nilai, dan pohon. Pengkodean biner adalah skema pengkodean yang umum digunakan.
Setiap gen atau kromosom direpresentasikan sebagai string 1 atau 0 [187]. Dalam
pengkodean biner, setiap bit mewakili karakteristik solusi. Ini menyediakan
implementasi operator persilangan dan mutasi yang lebih cepat. Namun,
diperlukan upaya ekstra untuk mengonversi ke bentuk biner dan akurasi algoritma
bergantung pada konversi biner. Aliran bit diubah sesuai masalah. Skema
pengkodean biner tidak sesuai untuk beberapa masalah desain teknik karena
epistasis dan representasi alami. Dalam skema pengkodean oktal, gen atau
kromosom direpresentasikan dalam bentuk angka oktal (0–7). Dalam skema
pengkodean heksadesimal, gen atau kromosom direpresentasikan dalam bentuk angka
heksadesimal (0–9, A-F) [111, 125, 187].
Skema
pengkodean permutasi umumnya digunakan dalam masalah pengurutan. Dalam skema
pengkodean ini, gen atau kromosom direpresentasikan oleh serangkaian angka yang
mewakili posisi dalam suatu urutan. Dalam skema pengkodean nilai, gen atau
kromosom direpresentasikan menggunakan serangkaian beberapa nilai. Nilai-nilai
ini dapat berupa angka riil, bilangan bulat, atau karakter [57]. Skema
pengkodean ini dapat membantu dalam memecahkan masalah di mana nilai-nilai yang
lebih rumit digunakan. Karena pengkodean biner dapat gagal dalam masalah
seperti itu. Ini terutama digunakan dalam jaringan saraf untuk menemukan bobot
optimal.
Dalam
pengkodean pohon, gen atau kromosom direpresentasikan oleh pohon fungsi atau
perintah. Fungsi dan perintah ini dapat dikaitkan dengan bahasa pemrograman apa
pun. Hal ini sangat mirip dengan representasi represi dalam format pohon [88].
Jenis pengkodean ini umumnya digunakan dalam program atau ekspresi yang
berkembang. Tabel 2 menunjukkan perbandingan berbagai skema pengkodean GA.
3.2.2 Teknik seleksi
Seleksi
merupakan langkah penting dalam algoritma genetika yang menentukan apakah
string tertentu akan berpartisipasi dalam proses reproduksi atau tidak. Langkah
seleksi terkadang juga dikenal sebagai operator reproduksi [57, 88]. Laju
konvergensi GA bergantung pada tekanan seleksi. Teknik seleksi yang terkenal
adalah roda roulette, peringkat, turnamen, Boltzmann, dan pengambilan sampel
universal stokastik. Seleksi roda roulette memetakan semua string yang mungkin
ke dalam roda dengan sebagian roda dialokasikan untuk mereka sesuai dengan
nilai fitnessnya. Roda ini kemudian diputar secara acak untuk memilih
solusi spesifik yang akan berpartisipasi dalam pembentukan generasi berikutnya
[88]. Namun, metode ini memiliki banyak masalah seperti kesalahan yang
disebabkan oleh sifat stokastiknya. De Jong dan Brindle memodifikasi metode
pemilihan roda roulette untuk menghilangkan kesalahan dengan memperkenalkan
konsep determinisme dalam prosedur pemilihan. Pemilihan peringkat adalah bentuk
modifikasi dari pemilihan roda roulette. Metode ini menggunakan peringkat
sebagai pengganti nilai fitness. Peringkat diberikan kepada mereka
sesuai dengan nilai fitness mereka sehingga setiap individu mendapat
kesempatan untuk dipilih sesuai dengan peringkat mereka. Metode pemilihan
peringkat mengurangi kemungkinan konvergensi solusi secara prematur ke minimum
lokal [88].
Teknik
seleksi turnamen pertama kali diusulkan oleh Brindle pada tahun 1983. Individu
dipilih berdasarkan nilai fitness mereka dari roda roulette stokastik
secara berpasangan. Setelah seleksi, individu dengan nilai fitness yang
lebih tinggi ditambahkan ke kumpulan generasi berikutnya [88]. Dalam metode
seleksi ini, setiap individu dibandingkan dengan semua n-1 individu lainnya
jika mencapai populasi solusi akhir [88]. Pengambilan sampel universal
stokastik (SUS) merupakan perluasan dari metode seleksi roda roulette yang
sudah ada. Metode ini menggunakan titik awal acak dalam daftar individu dari
suatu generasi dan memilih individu baru pada interval yang berjarak sama [3].
Metode ini memberikan kesempatan yang sama kepada semua individu untuk dipilih
untuk berpartisipasi dalam crossover untuk generasi berikutnya. Meskipun
dalam kasus Travelling Salesman Problem, SUS berkinerja baik tetapi seiring
dengan meningkatnya ukuran masalah, seleksi roda Roulette tradisional
berkinerja relatif baik [180].
Seleksi
Boltzmann didasarkan pada metode entropi dan pengambilan sampel, yang digunakan
dalam Simulasi Monte Carlo. Ini membantu dalam memecahkan masalah konvergensi
prematur [118]. Probabilitasnya sangat tinggi untuk memilih string terbaik,
sementara itu dieksekusi dalam waktu yang sangat singkat. Namun, ada
kemungkinan hilangnya informasi. Ini dapat dikelola melalui elitisme [175].
Seleksi
elitisme diusulkan oleh K. D. Jong (1975) untuk meningkatkan kinerja seleksi
roda Roulette. Ini memastikan individu elitis dalam satu generasi selalu
disebarkan ke generasi berikutnya. Jika individu yang memiliki nilai fitness
tertinggi tidak ada pada generasi berikutnya setelah prosedur seleksi normal,
maka individu elitis juga disertakan dalam generasi berikutnya secara otomatis
[88]. Perbandingan teknik seleksi yang disebutkan di atas digambarkan dalam
Tabel 3.
3.2.3
Operator persilangan
Operator
persilangan digunakan untuk menghasilkan keturunan dengan menggabungkan
informasi genetik dari dua atau lebih orang tua. Operator persilangan yang
terkenal adalah titik tunggal, titik dua, titik k, seragam, sebagian cocok,
urutan, persilangan yang mempertahankan preseden, acak, pengganti yang
dikurangi, dan siklus. Dalam persilangan titik tunggal, titik persilangan acak
dipilih. Informasi genetik dari dua orang tua yang berada di luar titik
tersebut akan ditukar satu sama lain [190].
Fig 3
menunjukkan informasi genetik setelah pertukaran. Ini menggantikan bit array
ekor dari kedua orang tua untuk mendapatkan keturunan baru. Dalam persilangan
dua titik dan titik k, dua atau lebih titik persilangan acak dipilih dan
informasi genetik orang tua akan ditukar sesuai dengan segmen yang telah dibuat
[190].
Fig 4
menunjukkan pertukaran informasi genetik antara titik persilangan. Segmen
tengah orang tua diganti untuk menghasilkan keturunan baru. Dalam persilangan
seragam, orang tua tidak dapat didekomposisi menjadi segmen. Orang tua dapat
diperlakukan sebagai setiap gen secara terpisah. Kami secara acak memutuskan
apakah kami perlu menukar gen dengan lokasi yang sama dari kromosom lain [190].
Fig 5
menggambarkan pertukaran individu dalam operasi persilangan seragam. Partially
matched crossover (PMX) merupakan operator crossover yang paling
sering digunakan. Operator ini memiliki kinerja yang lebih baik daripada
sebagian besar operator crossover lainnya. Partially matched crossover
(mapped) diusulkan oleh D. Goldberg dan R. Lingle [66]. Dua orang tua dipilih
untuk dikawinkan. Satu orang tua menyumbangkan sebagian materi genetik dan
bagian yang sesuai dari orang tua lainnya berpartisipasi dalam anak. Setelah
proses ini selesai, alel yang tertinggal disalin dari orang tua kedua [83]. Fig
6 menggambarkan contoh PMX.
Order crossover
(OX) diusulkan oleh Davis pada tahun 1985. OX menyalin satu (atau lebih) bagian
induk ke keturunan dari titik potong yang dipilih dan mengisi ruang yang
tersisa dengan nilai selain yang disertakan dalam bagian yang disalin. Varian
OX diusulkan oleh berbagai peneliti untuk berbagai jenis masalah. OX berguna
untuk masalah pemesanan [166].
Namun,
ditemukan bahwa OX kurang efisien dalam kasus Travelling Salesman Problem [140]
Precedence preservation crossover (PPX) mempertahankan pemesanan solusi
individual seperti yang ada pada induk keturunan sebelum penerapan crossover.
Keturunan diinisialisasi ke string ‘1’ dan ‘0’ acak yang memutuskan apakah
individu dari kedua induk akan dipilih atau tidak. Dalam [169], penulis
mengusulkan versi PPX yang dimodifikasi untuk masalah penjadwalan
multi-objektif. Shuffle crossover diusulkan oleh Eshelman et al. [20]
untuk mengurangi bias yang diperkenalkan oleh teknik crossover lainnya.
Ia mengacak nilai solusi individual sebelum persilangan dan membatalkan
pengacakan setelah operasi persilangan dilakukan sehingga titik persilangan
tidak menimbulkan bias apa pun dalam persilangan. Akan tetapi, pemanfaatan
persilangan ini sangat terbatas dalam beberapa tahun terakhir. Reduced
surrogate crossover (RCX) mengurangi persilangan yang tidak perlu jika
induk memiliki urutan gen yang sama untuk representasi solusi [20, 139]. RCX
didasarkan pada asumsi bahwa GA menghasilkan individu yang lebih baik jika
induk cukup beragam dalam komposisi genetiknya. Akan tetapi, RCX tidak dapat
menghasilkan individu yang lebih baik untuk induk yang memiliki komposisi yang
sama. Persilangan siklus diusulkan oleh Oliver [140]. Ia mencoba menghasilkan
keturunan menggunakan induk di mana setiap elemen menempati posisi dengan merujuk
pada posisi induknya [140]. Pada siklus pertama, ia mengambil beberapa elemen
dari induk pertama. Pada siklus kedua, ia mengambil elemen yang tersisa dari
induk kedua seperti yang ditunjukkan pada Fig 7.
Tabel 4
menunjukkan perbandingan teknik persilangan. Dari Tabel 4 dapat diamati bahwa
teknik persilangan tunggal dan k-titik mudah diterapkan. Persilangan seragam
cocok untuk subset besar. Persilangan orde dan siklus memberikan eksplorasi
yang lebih baik daripada teknik persilangan lainnya. Persilangan yang sebagian
cocok memberikan eksplorasi yang lebih baik. Kinerja persilangan yang sebagian
cocok lebih baik daripada teknik persilangan lainnya. Persilangan pengganti dan
siklus yang dikurangi mengalami konvergensi prematur.
3.2.4
Operator mutasi
Mutasi
adalah operator yang mempertahankan keragaman genetik dari satu populasi ke
populasi berikutnya. Operator mutasi yang terkenal adalah perpindahan, inversi
sederhana, dan mutasi acak. Operator mutasi perpindahan (Displacement Mutatuin,
DM) memindahkan substring dari solusi individu yang diberikan di dalam dirinya
sendiri. Tempat tersebut dipilih secara acak dari substring yang diberikan
untuk perpindahan sehingga solusi yang dihasilkan valid serta mutasi
perpindahan acak. Ada varian DM yaitu mutasi pertukaran dan mutasi penyisipan.
Dalam operator mutasi pertukaran dan mutasi penyisipan, bagian dari solusi
individu dipertukarkan dengan bagian lain atau disisipkan di lokasi lain,
masing-masing [88].
Operator
mutasi inversi sederhana (SIM) membalikkan substring antara dua lokasi yang
ditentukan dalam solusi individu. SIM adalah operator inversi yang membalikkan
string yang dipilih secara acak dan menempatkannya di lokasi acak [88].
Operator mutasi acak (SM) menempatkan elemen-elemen dalam rentang tertentu dari
solusi individual dalam urutan acak dan memeriksa apakah nilai fitness
dari solusi yang baru-baru ini dihasilkan ditingkatkan atau tidak [88]. Tabel 5
menunjukkan perbandingan teknik mutasi yang berbeda.
Tabel 6
menunjukkan kombinasi terbaik dari skema pengkodean, mutasi, dan teknik
persilangan. Dari tersebut dapat diamati bahwa persilangan seragam dan titik
tunggal dapat digunakan dengan sebagian besar operator pengkodean dan mutasi.
Persilangan yang sebagian cocok digunakan dengan skema pengkodean inversi
mutasi dan permutasi memberikan solusi optimal.
4
Varian GA
Berbagai
varian GA telah diusulkan oleh para peneliti. Varian GA secara umum
diklasifikasikan ke dalam lima kategori utama yaitu, GA berkode riil dan biner,
GA multiobjektif, GA paralel, GA chaos, dan GA hibrida. Kelebihan dan
kekurangan algoritma ini beserta penerapannya telah dibahas di subbagian
sebelumnya.
4.1 GA berkode riil dan biner
Berdasarkan
representasi kromosom, GA dikategorikan ke dalam dua kelas, yaitu GA biner dan
GA berkode riil.
4.1.1
GA berkode biner
Representasi
biner digunakan untuk mengode GA dan dikenal sebagai GA biner. Operator genetik
juga dimodifikasi untuk menjalankan proses pencarian. Payne dan Glen [153]
mengembangkan GA biner untuk mengidentifikasi kesamaan di antara molekul.
Mereka menggunakan representasi biner untuk posisi molekul dan konformasinya.
Namun, metode ini memiliki rumititas komputasi yang tinggi. Longyan dkk. [203]
menyelidiki tiga metode berbeda untuk desain ladang angin menggunakan GA biner
(BGA). Metode mereka menghasilkan nilai fitness dan efisiensi ladang
yang lebih baik. Shukla dkk. [185] memanfaatkan BGA untuk pemilihan subset
fitur. Mereka menggunakan konsep maksimalisasi informasi bersama untuk memilih
fitur-fitur yang signifikan. BGA mengalami tebing Hamming, skema yang tidak merata,
dan kesulitan dalam mencapai presisi [116, 199]
4.1.2
Real-coded GA
Real-coded
GA (RGA) telah banyak digunakan dalam berbagai aplikasi kehidupan nyata.
Representasi kromosom terkait erat dengan masalah kehidupan nyata. Keunggulan
utama RGA adalah tangguh, efisien, dan akurat. Namun, RGA mengalami konvergensi
prematur. Para peneliti tengah berupaya mengembangkan RGA untuk meningkatkan
kinerjanya. Sebagian besar RGA dikembangkan dengan memodifikasi operator
persilangan, mutasi, dan seleksi.
Operator
persilangan
Kemampuan
pencarian operator persilangan tidak memuaskan untuk ruang pencarian
berkelanjutan. Pengembangan operator persilangan telah dilakukan untuk
meningkatkan kinerjanya dalam lingkungan nyata. Wright [210] menyajikan
persilangan heuristik yang diterapkan pada induk untuk menghasilkan keturunan.
Michalewicz [135] mengusulkan operator persilangan aritmatika untuk RGA. Deb
dan Agrawal [34] mengembangkan operator persilangan berkode nyata, yang
didasarkan pada karakteristik persilangan titik tunggal dalam BGA. Operator
persilangan yang dikembangkan dinamai sebagai persilangan biner tersimulasi
(SBX). SBX mampu mengatasi masalah Hamming cliff, presisi, dan pemetaan tetap.
Kinerja SBX tidak memuaskan dalam fungsi blok dua variabel. Eshelman dkk. [53]
memanfaatkan konsep skema untuk merancang blend crossover untuk RGA.
Operator crossover distribusi normal unimodal (UNDX) dikembangkan oleh
Ono dkk. [144]. Mereka menggunakan distribusi probabilitas elipsoidal untuk
menghasilkan keturunan. Kita dkk. [106] menyajikan UNDX multi-parent (MP-UNDX),
yang merupakan perluasan dari [144]. Namun, kinerja RGA dengan MP-UNDX sangat
mirip dengan UNDX. Deep dan Thakur [39] menyajikan crossover Laplace
untuk RGA, yang didasarkan pada distribusi Laplacian. Chuang dkk. [27]
mengembangkan crossover berbasis arah untuk lebih mengeksplorasi semua
kemungkinan arah pencarian. Namun, arah pencarian terbatas. Operator crossover
distribusi normal heuristik dikembangkan oleh Wangetal. [207]. Ini menghasilkan
keturunan yang dihasilkan secara silang untuk operasi pencarian yang lebih
baik. Namun, individu yang lebih baik tidak dipertimbangkan dalam pendekatan
ini. Subbaraj dkk. [192] mengusulkan RCGA adaptif mandiri Taguchi. Mereka
menggunakan metode Taguchi dan simulasi persilangan biner untuk memanfaatkan
keturunan yang mampu.
Operator mutasi.
Operator
mutasi menghasilkan keragaman dalam populasi. Dua tantangan utama yang harus
diatasi selama penerapan mutasi. Pertama, probabilitas operator mutasi yang
diterapkan pada populasi. Kedua, outlier yang dihasilkan dalam kromosom setelah
proses mutasi. Michalewicz [135] menyajikan operator mutasi seragam dan tidak
seragam untuk RGA. Michalewicz dan Schoenauer [136]
Michalewicz
dan Schoenauer [136] mengembangkan kasus khusus mutasi seragam. Mereka
mengembangkan mutasi batas. Deep dan Thakur [38] menyajikan operator mutasi
baru berdasarkan hukum daya dan dinamakan mutasi daya. Das dan Pratihar [30]
menyajikan operator mutasi eksponensial berbasis arah. Mereka menggunakan
informasi arah variabel. Tang dan Tseng [196] menyajikan operator mutasi baru
untuk meningkatkan kinerja RCGA. Pendekatan mereka cepat dan andal. Namun,
pendekatan tersebut terjebak dalam optima lokal untuk beberapa aplikasi. Debet
al. [35] mengembangkan mutasi polinomial yang digunakan dalam RCGA. Pendekatan
tersebut memberikan eksplorasi yang lebih baik. Namun, kecepatan konvergensi
lambat dan terjebak dalam optima lokal. Lucasius et al. [129] mengusulkan
algoritma genetika berkode-nyata (RCGA). Pendekatan tersebut sederhana dan
mudah diimplementasikan. Namun, pendekatan tersebut mengalami masalah optima
lokal. Wang et al. [205] mengembangkan GA multi-keturunan dan menyelidiki
kinerjanya melalui persilangan titik tunggal. Wang et al. [206] menyatakan
dasar teoritis GA multi keturunan. Kinerja metode ini lebih baik daripada GA
non-multi-keturunan. Pattanaik et al. [152] menyajikan peningkatan dalam RCGA.
Metode mereka memiliki kecepatan konvergensi dan kualitas solusi yang lebih
baik. Wang et al. [208] mengusulkan RCGA multi keturunan dengan persilangan
berbasis arah untuk memecahkan masalah terbatas. Tabel 7 menunjukkan formulasi
matematika operator genetik dalam RGA.
4.2 Multiobjective GA
Multiobjective
GA (MOGA) adalah versi modifikasi dari GA sederhana. MOGA berbeda dari GA dalam
hal penugasan fungsi fitness. Langkah-langkah yang tersisa mirip dengan
GA. Motif utama multiobjective GA adalah untuk menghasilkan Pareto Front yang
optimal dalam ruang objektif sedemikian rupa sehingga tidak ada peningkatan
lebih lanjut dalam fungsi fitness apa pun tanpa mengganggu fungsi fitness
lainnya [123].
Konvergensi,
keragaman, dan cakupan adalah tujuan utama multiobjective GA. Multiobjective GA
secara luas dikategorikan menjadi dua kategori yaitu, berbasis Pareto, dan
multiobjective GA berbasis dekomposisi [52]. Teknik-teknik ini dibahas dalam
subbagian sebelumnya.
4.2.1 Multiobjective GA berbasis Pareto
Konsep
dominasi Pareto diperkenalkan dalam multiobjective GA. Fonseca dan Fleming [56]
mengembangkan
multiobjective GA (MOGA) pertama. Konsep ceruk dan pembuat keputusan diusulkan
untuk mengatasi masalah multimoda. Namun, MOGA mengalami masalah penyetelan
parameter dan tingkat tekanan seleksi. Horn dkk. [80] mengusulkan algoritma
genetik Pareto ceruk (NPGA) yang memanfaatkan konsep seleksi turnamen dan
dominasi Pareto. Srinivas dan Deb [191] mengembangkan algoritma genetik
penyortiran non-dominasi (NSGA). Namun, algoritma ini mengalami kekurangan
elitisme, kebutuhan untuk berbagi parameter, dan rumititas komputasi yang
tinggi. Untuk mengatasi masalah ini, Deb dkk. [36] mengembangkan algoritma
genetik penyortiran non-dominasi elitis cepat (NSGA-II). Kinerja NSGA-II dapat
memburuk untuk banyak masalah objektif. NSGA-II tidak dapat mempertahankan
keragaman di Pareto-front. Untuk mengatasi masalah ini, Luo dkk. [130]
memperkenalkan jarak kepadatan dinamis di NSGA-II. Coello dan Pulido [28]
mengembangkan mikro GA multiobjektif. Mereka menggunakan arsip untuk menyimpan
solusi yang tidak didominasi. Kinerja pendekatan berbasis Pareto dapat memburuk
dalam banyak masalah objektif [52].
4.2.2
GA multiobjektif berbasis dekomposisi
MOGA
berbasis dekomposisi menguraikan masalah yang diberikan menjadi beberapa
submasalah.
Submasalah
ini dipecahkan secara bersamaan dan bertukar solusi di antara submasalah yang
berdekatan [52]. Ishibuchi dan Murata [84] mengembangkan pencarian lokal
genetik multiobjektif (MOGLS). Dalam MOGLS, bobot acak digunakan untuk memilih
induk dan pencarian lokal untuk keturunannya.
Mereka
menggunakan metode penggantian generasi dan pemilihan roda roulette.
Jaszkiewicz [86] memodifikasi MOGLS dengan memanfaatkan mekanisme pemilihan
yang berbeda untuk induk. Murata dan Gen [141] mengusulkan algoritma genetik
seluler untuk optimasi multiobjektif (C-MOGA) yang merupakan perluasan dari
MOGA. Mereka menambahkan struktur seluler dalam MOGA. Dalam C-MOGA, operator
pemilihan dilakukan pada tetangga setiap sel. C-MOGA selanjutnya diperluas
dengan memperkenalkan prosedur imigrasi dan dikenal sebagai CI-MOGA. Alves dan
Almeida [11] mengembangkan algoritma genetika multiobjektif berbasis
Tchebycheffs (MOTGA) yang memastikan konvergensi dan keberagaman. Fungsi skalar
Tchebycheff digunakan untuk menghasilkan himpunan solusi yang tidak didominasi.
Patel dkk. [151] mengusulkan MOGA berbasis dekomposisi (D-MOGA). Mereka
mengintegrasikan pembelajaran berbasis oposisi dalam D-MOGA untuk pembangkitan
vektor bobot. D-MOGA mampu menjaga keseimbangan antara keberagaman solusi dan
eksplorasi ruang pencarian.
4.3 Parallel GA
Motivasi di
balik parallel GA adalah untuk meningkatkan waktu komputasi dan kualitas solusi
melalui individu yang terdistribusi. ParallelGA dikategorikan ke dalam tiga
kategori besar seperti master-slave parallel GA, fine grained parallel GA, dan
multi-population coarsegrained parallelGa [70]. Dalam master-slave parallel GA,
komputasi fungsi fitness didistribusikan ke beberapa prosesor. Dalam
fine grained GA, komputer paralel digunakan untuk memecahkan masalah kehidupan
nyata. Operator genetik dibatasi pada lingkungan sekitar. Namun, interaksi
diperbolehkan di antara individu. Dalam rough grained GA, pertukaran individu
di antara subpopulasi dilakukan. Parameter kontrol juga ditransfer selama
migrasi. Tantangan utama dalam parallel GA adalah memaksimalkan bandwidth
memori dan mengatur thread untuk memanfaatkan kekuatan GPU [23]. Tabel 8
menunjukkan analisis komparatif parallel GA dalam hal perangkat keras dan
perangkat lunak. Parallel GA yang terkenal dipelajari di subbagian sebelumnya.
4.3.1
Master-slave parallel GA
Jumlah
prosesor yang banyak digunakan dalam master-slave parallel GA (MS-PGA)
dibandingkan dengan pendekatan lain. Perhitungan fungsi fitness dapat
ditingkatkan dengan meningkatkan jumlah prosesor. Hongetal.[79] menggunakan
MS-PGA untuk memecahkan masalah penambangan data. Aturan fuzzy digunakan dengan
parallel GA. Evaluasi fungsi fitness dilakukan pada mesin slave. Namun,
hal itu membutuhkan waktu komputasi yang tinggi. Sahingzo [174] menerapkan
MS-PGA untuk masalah pencarian jalur UAV. Operator genetik dieksekusi pada
prosesor. Mereka menggunakan CPU multicore dengan empat inti. Evaluasi seleksi
dan fitness dilakukan pada mesin slave. MS-PGA diterapkan pada masalah
penugasan lalu lintas di [127]. Mereka menggunakan tiga puluh prosesor untuk
menyelesaikan masalah ini di Universitas Nasional Singapura. Yanget al. [213]
mengembangkan GA paralel berbasis web. Mereka menerapkan versi master slave
NSGA-II di lingkungan terdistribusi. Namun, sistemnya rumit
4.3.2
Fine grained parallel GA
Dalam
beberapa dekade terakhir, para peneliti tengah berupaya mengembangkan kebijakan
migrasi fine grained parallel GA (FG PGA). Porta dkk. [161] memanfaatkan
clock-time untuk frekuensi migrasi, yang tidak bergantung pada generasi. Mereka
menggunakan struktur yang tidak seragam dan konfigurasi statis. Solusi terbaik
dipilih untuk migrasi dan solusi terburuk diganti dengan solusi migran. Kurdi
[115] menggunakan frekuensi migrasi adaptif. Prosedur migrasi dimulai hingga
tidak ada perubahan dalam solusi yang diperoleh setelah sepuluh generasi
berturut-turut. Struktur yang tidak seragam dan dinamis digunakan. Dalam [209],
solusi terbaik lokal disinkronkan dan membentuk solusi terbaik global. Solusi
terbaik global ditransfer ke semua prosesor untuk eksekusi awal. Frekuensi
migrasi bergantung pada jumlah generasi. Mereka menggunakan struktur seragam
dengan konfigurasi tetap. Zhang dkk. [220] menggunakan parallel GA untuk
memecahkan masalah set cover jaringan nirkabel. Mereka menggunakan strategi
bagi-dan-taklukkan untuk menguraikan populasi menjadi subpopulasi. Selanjutnya,
operator genetik diterapkan pada solusi lokal dan Kuhn-Munkres digunakan untuk
menggabungkan solusi lokal.
4.3.3
GA paralel berbutir kasar
Pineletal.[158]
mengusulkan GraphCell. Populasi diinisialisasi dengan nilai acak dan satu
solusi diinisialisasi dengan teknik heuristik Min-min. 448 prosesor digunakan
untuk mengimplementasikan pendekatan yang diusulkan. Namun, GA paralel berbutir
kasar lebih jarang digunakan karena sifatnya yang rumit. GA paralel hibrida
digunakan secara luas dalam berbagai aplikasi. Shayeghi et al. [182]
mengusulkan GA kluster Birmingham berbasis pool. Node master bertanggung jawab
untuk mengelola populasi global. Node slave memilih solusi dari populasi global
dan mengeksekusinya. 240 prosesor digunakan untuk komputasi. Roberge et al.
[170] menggunakan pendekatan hibrida untuk mengoptimalkan sudut switching
inverter. Mereka menggunakan empat strategi berbeda untuk komputasi fungsi fitness.
Saat ini, GPU, cloud, dan grid adalah perangkat keras paling populer untuk GA
paralel [198].
4.4 GA yang kacau (Chaotic GAs)
Kelemahan
utama GA adalah konvergensi prematur. Sistem yang kacau dimasukkan ke dalam GA
untuk mengatasi masalah ini. Keragaman algoritma genetika yang kacau
menghilangkan konvergensi prematur. Operator crossover dan mutasi dapat
diganti dengan peta yang kacau. Tiong et al. [197] mengintegrasikan peta yang
kacau ke dalam GA untuk peningkatan akurasi lebih lanjut. Mereka menggunakan
enam peta yang kacau yang berbeda. Kinerja GA yang kacau Logistik, Henon, dan
Ikeda berkinerja lebih baik daripada GA klasik. Namun, teknik-teknik ini
memiliki rumititas komputasi yang tinggi. Ebrahimzadeh dan Jampour [48]
menggunakan Lorenz yang kacau untuk operator genetik GA guna menghilangkan
masalah optima lokal. Namun, pendekatan yang diusulkan tidak dapat menemukan
hubungan antara entropi dan peta yang kacau. Javidi dan Hosseinpourfard [87]
menggunakan dua peta yang kacau yaitu peta logistik dan peta tenda untuk
menghasilkan nilai yang kacau alih-alih pemilihan acak populasi awal. GA yang
kacau yang diusulkan berkinerja lebih baik daripada GA. Akan tetapi, metode ini
memiliki rumititas komputasi yang tinggi. Fuertes et al. [60] mengintegrasikan
entropi ke dalam GA chaos. Parameter kontrol dimodifikasi melalui peta chaos.
Mereka menyelidiki hubungan antara entropi dan pengoptimalan kinerja. Sistem
chaos juga telah digunakan dalam GA multiobjektif dan hibrida. Abo-Elnaga dan
Nasr [5] mengintegrasikan sistem chaos ke dalam GA yang dimodifikasi untuk
memecahkan masalah pemrograman dua tingkat. Sistem chaos membantu algoritma
yang diusulkan untuk mengurangi optima lokal dan meningkatkan konvergensi.
Tahir et al. [193] menyajikan GA chaos biner untuk pemilihan fitur dalam
perawatan kesehatan. Peta chaos digunakan untuk menginisialisasi populasi dan
operator reproduksi yang dimodifikasi diterapkan pada populasi. Xu et al. [115]
mengusulkan GA imun hibrida chaos untuk alokasi spektrum. Pendekatan yang
diusulkan memanfaatkan keunggulan operator chaos dan imun. Akan tetapi, metode
ini memiliki masalah inisialisasi parameter.
4.5 GA Hibrida
Algoritma
Genetika dapat dengan mudah dihibridisasi dengan metode optimasi lain untuk meningkatkan
kinerjanya seperti metode penghilangan derau gambar, optimasi reaksi kimia, dan
masih banyak lagi.
Keuntungan
utama GA hibrida dengan metode lain adalah kualitas solusi yang lebih baik,
efisiensi yang lebih baik, jaminan solusi yang layak, dan parameter kontrol
yang dioptimalkan [51]. Dapat diamati dari literatur bahwa kemampuan
pengambilan sampel GA sangat dipengaruhi oleh ukuran populasi. Untuk mengatasi
masalah ini, algoritma pencarian lokal seperti algoritma memetik, Baldwinian,
Lamarckian, dan pencarian lokal telah diintegrasikan dengan GA. Integrasi ini
memberikan keseimbangan yang tepat antara intensifikasi dan diversifikasi.
Masalah lain dalam GA adalah pengaturan parameter. Menemukan parameter kontrol
yang tepat adalah tugas yang membosankan. Teknik metaheuristic lainnya
dapat digunakan dengan GA untuk mengatasi masalah ini. GA hibrida telah
digunakan untuk menyelesaikan masalah yang disebutkan dalam subbagian
sebelumnya [29, 137, 186].
4.5.1
Meningkatkan kemampuan pencarian
GA telah
diintegrasikan dengan algoritma pencarian lokal untuk mengurangi pergeseran
genetik. Operator penyempurnaan eksplisit diperkenalkan dalam pencarian lokal
untuk menghasilkan solusi yang lebih baik. El-Mihoub dkk. [54] menetapkan efek
probabilitas pencarian lokal pada ukuran populasi GA. Espinoza dkk. [50]
menyelidiki efek pencarian lokal untuk mengurangi ukuran populasi GA. Berbagai
algoritma pencarian telah diintegrasikan dengan GA untuk menyelesaikan aplikasi
kehidupan nyata.
4.5.2
Menghasilkan solusi yang layak
Dalam
masalah yang rumit dan berdimensi tinggi, operator genetik GA menghasilkan
solusi yang tidak layak. Persilangan PMX menghasilkan solusi yang tidak layak
untuk masalah berbasis pesanan. Operator persilangan yang menjaga jarak
dikembangkan untuk menghasilkan solusi yang layak untuk masalah salesman
keliling [58]. Operator pengumpulan gen sebagai pengganti persilangan digunakan
untuk menghasilkan solusi yang layak untuk pengelompokan data [19]. Konak dan
Smith [108] mengintegrasikan algoritma pemotongan-saturasi dengan GA untuk
merancang jaringan komunikasi. Mereka menggunakan persilangan seragam untuk menghasilkan
solusi yang layak.
4.5.3
Penggantian operator genetik
Ada
kemungkinan untuk mengganti operator genetik yang disebutkan dalam Bagian 3.2
dengan teknik pencarian lainnya. Leng [122] mengembangkan GA terpandu yang
memanfaatkan penalti dari pencarian lokal terpandu. Penalti ini digunakan dalam
fungsi fitness untuk meningkatkan kinerja GA. Headar dan Fukushima [74]
menggunakan persilangan simpleks d sebagai ganti persilangan standar. Operator
mutasi standar diganti dengan simulasi anil dalam [195]. Konsep dasar komputasi
kuantum digunakan untuk meningkatkan kinerja GA. Persilangan heuristik dan
operator hill-climbing dapat diintegrasikan ke dalam GA untuk memecahkan
masalah three-matching problem.
4.5.4
Mengoptimalkan parameter kontrol
Parameter
kontrol GA memainkan peran penting dalam menjaga keseimbangan antara
intensifikasi dan diversifikasi. Logika fuzzy memiliki kemampuan untuk
memperkirakan parameter kontrol GA yang tepat [167]. Selain itu, GA dapat
digunakan untuk mengoptimalkan parameter kontrol teknik lainnya. GA telah
digunakan untuk mengoptimalkan laju pembelajaran, bobot, dan topologi jaringan
netral [21]. GA dapat digunakan untuk memperkirakan nilai optimal keanggotaan
fuzzy dalam pengontrol. GA juga digunakan untuk mengoptimalkan parameter
kontrol ACO, PSO, dan teknik metaheuristic lainnya [156]. Analisis
komparatif GA yang terkenal disebutkan dalam Tabel 9.
5
Aplikasi
Algoritma
Genetika telah diterapkan dalam berbagai masalah NP-hard dengan tingkat akurasi
yang tinggi. Ada beberapa area aplikasi di mana GA telah berhasil diterapkan.
5.1 Manajemen operasi
GA
merupakan metaheuristic yang efisien untuk memecahkan masalah manajemen
operasi (OM) seperti masalah tata letak fasilitas (FLP), desain jaringan
pasokan, penjadwalan, peramalan, dan pengendalian inventaris.
5.1.1
Tata letak fasilitas
Datta dkk.
[32] memanfaatkan GA untuk memecahkan masalah tata letak fasilitas baris
tunggal (SRFLP). Untuk SRFLP, operator crossover dan mutasi GA yang
dimodifikasi menghasilkan solusi yang valid. Mereka menerapkan GA pada masalah
berukuran besar yang terdiri dari 60–80 contoh. Namun, GA mengalami masalah
ketergantungan parameter. Sadrzadeh [173] mengusulkan GA untuk FLP multi-baris yang
memiliki banyak produk. Fasilitas dikelompokkan menggunakan operator mutasi dan
heuristik. Total biaya yang diperoleh dari GA yang diusulkan berkurang sebesar
7,2% dibandingkan dengan algoritma lainnya. Wu dkk. [211] menerapkan GA
hierarkis untuk mengetahui tata letak sistem manufaktur seluler. Namun, kinerja
GA sangat dipengaruhi oleh operator genetik. Aiello dkk. [7] mengusulkan MOGA
untuk FLP. Mereka menggunakan MOGA pada tata letak dua puluh departemen yang
berbeda. Palomo-Romero dkk. [148] mengusulkan GA model pulau untuk memecahkan
FLP. Teknik yang diusulkan mempertahankan keragaman populasi dan menghasilkan
solusi yang lebih baik daripada teknik yang ada. Namun, teknik ini memiliki
strategi migrasi yang tidak tepat yang dapat digunakan untuk meningkatkan
populasi. GA dan variannya telah berhasil diterapkan pada FLP [103, 119, 133,
201].
5.1.2
Penjadwalan
GA
menunjukkan kinerja yang unggul untuk memecahkan masalah penjadwalan seperti
penjadwalan job-shop (JSS), perencanaan dan penjadwalan proses terintegrasi
(IPPS), dll. [119]. Untuk meningkatkan kinerja di area penjadwalan yang
disebutkan di atas, para peneliti mengembangkan berbagai representasi genetik
[12, 159, 215], operator genetik, dan GA hibrida dengan metode lain [2, 67,
147, 219].
5.1.3
Kontrol inventaris
Selain
penjadwalan, kontrol inventaris memegang peranan penting dalam OM. Pemesanan
ulang dan penjualan yang hilang merupakan dua pendekatan utama untuk kontrol
inventaris [119]. Hiassat dkk. [76] menggunakan model lokasi-inventaris untuk
mengetahui jumlah dan lokasi gudang. Berbagai kendala desain telah ditambahkan
dalam fungsi objektif GA dan variannya untuk memecahkan masalah kontrol
inventaris [].
5.1.4
Peramalan dan desain jaringan
Peramalan
merupakan komponen penting untuk OM. Para peneliti tengah berupaya melakukan
peramalan perdagangan finansial, permintaan logistik, dan kedatangan wisatawan.
GA telah dihibridisasi dengan regresi vektor pendukung, himpunan fuzzy, dan
jaringan saraf (NN) untuk meningkatkan kemampuan peramalannya [22, 78, 89, 178,
214]. Desain jaringan pasokan sangat memengaruhi perencanaan dan penjadwalan
operasi. Sebagian besar artikel penelitian difokuskan pada kendala kapasitas
fasilitas [45, 184]. Masalah multiproduk multiperiode meningkatkan rumititas
jaringan pasokan. Untuk mengatasi masalah yang disebutkan di atas, GA telah
dihibridisasi dengan teknik lain [6, 45, 55, 188, 189]. GA multi-objektif juga
digunakan untuk mengoptimalkan biaya, laba, emisi karbon, dll. [184, 189].
5.2 Multimedia
GA telah
diterapkan di berbagai bidang multimedia. Beberapa bidang multimedia yang
terkenal adalah enkripsi, pemrosesan gambar, pemrosesan video, pencitraan
medis, dan permainan.
5.2.1
Keamanan informasi
Karena
perkembangan aplikasi multimedia, gambar, video, dan audio ditransfer dari satu
tempat ke tempat lain melalui Internet. Telah ditemukan dalam literatur bahwa
gambar lebih rentan terhadap kesalahan selama transmisi. Oleh karena itu,
teknik perlindungan gambar seperti enkripsi, watermarking, dan kriptografi
diperlukan. Teknik enkripsi gambar klasik memerlukan parameter input untuk
enkripsi. Pemilihan parameter input yang salah akan menghasilkan hasil enkripsi
yang tidak memadai. GA dan variannya telah digunakan untuk memilih parameter
kontrol yang tepat. Kaur dan Kumar [96] mengembangkan algoritma genetik
multi-objektif untuk mengoptimalkan parameter kontrol peta kaotik. Kunci
rahasia dibuat menggunakan peta kaotik beta. Kunci yang dihasilkan digunakan
untuk mengenkripsi gambar. GA paralel juga digunakan untuk mengenkripsi gambar
[97].
5.2.2
Pemrosesan gambar
Tugas
pemrosesan gambar utama adalah prapemrosesan, segmentasi, deteksi objek,
penghilangan derau, dan pengenalan. Segmentasi gambar merupakan langkah penting
untuk memecahkan masalah pemrosesan gambar. Mengurai/mempartisi gambar
memerlukan waktu komputasi yang tinggi. Untuk mengatasi masalah ini, GA
digunakan karena kemampuan pencariannya yang lebih baik [26, 102]. Peningkatan
adalah teknik untuk meningkatkan kualitas dan kontras gambar. Kualitas gambar
yang lebih baik diperlukan untuk menganalisis gambar yang diberikan. GA telah
digunakan untuk meningkatkan kontras alami dan memperbesar gambar [40, 64, 99].
Beberapa peneliti sedang mengerjakan hibridisasi rough set dengan algoritma
genetik adaptif untuk menggabungkan atribut noise dan warna. GA telah digunakan
untuk menghilangkan noise dari gambar yang diberikan. GA dapat dihibridisasi
dengan logika fuzzy untuk menghilangkan noise pada gambar. Teknik restorasi
berbasis GA dapat digunakan untuk menghilangkan kabut, kabut tipis, dan asap
dari gambar yang diberikan [8, 110, 146, 200]. Deteksi dan pengenalan objek
merupakan masalah yang menantang dalam masalah dunia nyata. Model campuran
Gaussian memberikan kinerja yang lebih baik selama proses deteksi dan
pengenalan. Parameter kontrol dioptimalkan melalui GA [93].
5.2.3
Pemrosesan video
Segmentasi
video telah banyak digunakan dalam pengenalan pola dan visi komputer. Ada
beberapa masalah kritis yang terkait dengan segmentasi video. Masalah ini
adalah membedakan objek dari latar belakang dan menentukan batas yang akurat.
GA dapat digunakan untuk mengatasi masalah ini [9, 105]. GA telah berhasil
diimplementasikan untuk pengenalan gerakan oleh Chao et al. [81] menggunakan GA
untuk pengenalan gerakan. Mereka menerapkan GA dan menemukan akurasi 95% dalam
penglihatan robot. Kaluri dan Reddy [91] mengusulkan metode berbasis algoritma
genetik adaptif bersama dengan pengklasifikasi fuzzy untuk pengenalan gerakan
isyarat. Mereka melaporkan peningkatan tingkat pengenalan sebesar 85%
dibandingkan dengan metode yang ada yang memberikan akurasi 79%.
Selain
pengenalan gerakan, pengenalan wajah memainkan peran penting dalam identifikasi
kriminal, kendaraan tak berawak, pengawasan, dan robot. GA mampu menangani
oklusi, orientasi, ekspresi, pose, dan kondisi pencahayaan [69, 95, 109].
5.2.4
Pencitraan medis
Algoritma
genetika telah diterapkan dalam pencitraan medis seperti deteksi tepi dalam MRI
dan deteksi nodul paru dalam gambar pemindaian CT [100, 179]. Dalam [120],
penulis menggunakan teknik pencocokan templat dengan GA untuk mendeteksi nodul
dalam gambar CT. Kavitha dan Chellamuthu [179] menggunakan metode pertumbuhan
wilayah berbasis GA untuk mendeteksi tumor otak. GA telah diterapkan pada
masalah prediksi medis yang diambil dari subjek patologis. Sari dan Tuna [176]
menggunakan GA untuk memecahkan masalah yang muncul dalam biomekanik. GA
digunakan untuk memprediksi patologi selama pemeriksaan. Ghosh dan Bhattachrya
[62] menerapkan GA sekuensial dengan automata seluler untuk memodelkan data
penyakit virus corona 19 (COVID-19). GA dapat diterapkan dalam mode paralel
untuk menemukan aturan dalam kumpulan data biologis [31]. Penulis mengusulkan
GA paralel yang berjalan dengan membagi proses menjadi sub-generasi kecil dan
mengevaluasi fitness setiap solusi individual secara paralel. Algoritma
genetik digunakan dalam bidang kedokteran dan bidang terkait lainnya. Koh et
al. [61] mengusulkan metode berbasis algoritma genetik untuk mengevaluasi efek
samping obat tertentu.
5.2.5
Pertanian presisi
GA telah
diterapkan pada berbagai masalah yang terkait dengan pertanian presisi. Masalah
utamanya adalah hasil panen, deteksi gulma, dan peningkatan peralatan
pertanian. Pachepsky dan Acock [145] menerapkan GA untuk menganalisis kapasitas
air dalam tanah menggunakan citra penginderaan jauh. Hasil panen dapat
diprediksi melalui kapasitas air yang ada dalam tanah. Identifikasi gulma
dilakukan melalui GA dalam [142]. Mereka menggunakan citra udara untuk
klasifikasi tanaman. Dalam [124], segmentasi citra warna digunakan untuk
membedakan gulma dan tanaman. Peerlink et al. [154] menentukan tingkat pupuk
yang tepat untuk berbagai bagian lahan pertanian. Mereka menggunakan GA untuk
menentukan nitrogen di lahan gandum. Kebutuhan energi dalam sistem irigasi air
dapat dioptimalkan dengan melihatnya sebagai masalah optimasi multi-objektif.
Jumlah irigasi yang dibutuhkan dan kebutuhan daya berubah secara terus-menerus
di pertanian SMART. Oleh karena itu, GA dapat diterapkan dalam sistem irigasi
untuk mengurangi kebutuhan daya [33]
5.2.6
Game
GA telah
berhasil digunakan dalam permainan seperti gomoku. Dalam [202], penulis
menunjukkan bahwa pendekatan berbasis GA menemukan solusi yang memiliki fitness
tertinggi daripada metode berbasis pohon normal. Namun, dalam permainan
berbasis strategi waktu nyata, solusi berbasis GA menjadi kurang praktis untuk
diterapkan [82]. GA telah diterapkan untuk masalah perencanaan jalur dengan
mempertimbangkan kendala lingkungan serta menghindari rintangan untuk mencapai
tujuan yang diberikan. Burchardt dan Salomon [18] menjelaskan implementasi
untuk perencanaan jalur untuk permainan sepak bola. GA dapat mengodekan masalah
perencanaan jalur melalui titik koordinat lapangan bermain dua dimensi,
sehingga menghasilkan solusi dengan panjang variabel. Fungsi fitness
dalam perencanaan jalur mempertimbangkan panjang jalur serta istilah
penghindaran tabrakan untuk pemain sepak bola.
5.3 Jaringan nirkabel
Karena
implementasi GA yang adaptif, terukur, dan mudah, GA telah digunakan untuk
memecahkan berbagai masalah jaringan nirkabel. Masalah utama jaringan nirkabel
adalah perutean, kualitas layanan, penyeimbangan beban, lokalisasi, alokasi
lebar pita, dan penugasan saluran [128, 134]. GA telah dihibridisasi dengan metaheuristic
lain untuk memecahkan masalah perutean. GA hibrida tidak hanya menghasilkan
rute yang efisien di antara pasangan node, tetapi juga digunakan untuk
penyeimbangan beban [24, 212].
5.3.1
Penyeimbangan beban
Saat ini,
aplikasi multimedia memerlukan permintaan Kualitas Layanan (QoS) untuk
penundaan dan lebar pita. Berbagai peneliti sedang mengerjakan GA untuk solusi
berbasis QoS. GA menghasilkan solusi optimal untuk jaringan yang rumit [49].
Roy dkk. [172] mengusulkan GA multi-objektif untuk masalah perutean QoS
multicast. GA digunakan dengan ACO dan algoritma pencarian lainnya untuk
menemukan rute optimal dengan metrik QoS yang diinginkan. Penyeimbangan beban
adalah masalah lain dalam jaringan nirkabel. Scully dan Brown [177] menggunakan
MicroGA dan MacroGA untuk mendistribusikan beban di antara berbagai komponen
jaringan. He dkk. [73] menerapkan GA untuk menentukan beban keseimbangan dalam
jaringan sensor nirkabel. Cheng et al. [25] memanfaatkan GA terdistribusi
dengan skema multipopulasi untuk penyeimbangan beban. Mereka menggunakan metrik
penyeimbangan beban sebagai fungsi fitness dalam GA.
5.3.2
Lokalisasi
Proses
penentuan lokasi node nirkabel disebut sebagai lokalisasi. Proses ini memainkan
peran penting dalam manajemen bencana dan layanan militer. Yun et al. [216]
menggunakan GA dengan logika fuzzy untuk mengetahui bobot, yang ditetapkan
menurut kekuatan sinyal. Zhang et al. [218] menggabungkan GA dengan simulasi
anil (SA) untuk menentukan posisi node nirkabel. SA digunakan sebagai pencarian
lokal untuk menghilangkan konvergensi prematur.
5.3.3
Alokasi pita lebar dan kanal
Alokasi
pita lebar yang tepat merupakan tugas yang rumit. GA dan variannya telah dikembangkan
untuk memecahkan masalah alokasi pita lebar [92, 94, 107]. GA digunakan untuk
menyelidiki alokasi pita lebar dengan kendala QoS. Fungsi fitness GA
dapat terdiri dari pemanfaatan sumber daya, distribusi pita lebar, dan waktu
komputasi [168]. Alokasi kanal merupakan isu penting dalam jaringan nirkabel.
Tujuan utama alokasi kanal adalah untuk mengoptimalkan jumlah kanal dan
penggunaan kembali frekuensi yang dialokasikan secara bersamaan. Friend et al.
[59] menggunakan distributed island GA untuk menyelesaikan masalah alokasi
kanal dalam jaringan radio kognitif. Zhenhua dkk. [221] menerapkan GA imun yang
dimodifikasi untuk penugasan kanal. Mereka menggunakan skema pengodean dan
operator imun yang berbeda. Pinagapany dan Kulkarni [157] mengembangkan GA
paralel untuk menyelesaikan masalah alokasi kanal statis dan dinamis. Mereka
menggunakan skema pengodean desimal. Tabel 10 merangkum aplikasi GA dan
variannya.
6 Tantangan dan kemungkinan di masa mendatang
Di bagian
ini, tantangan utama yang dihadapi selama implementasi GA dibahas diikuti oleh
kemungkinan arah penelitian.
6.1 Tantangan
6.1.1
Pemilihan populasi awal
Populasi
awal selalu dianggap sebagai faktor penting untuk kinerja algoritma genetik.
Ukuran populasi juga memengaruhi kualitas solusi [160]. Para peneliti
berpendapat bahwa jika populasi yang dipertimbangkan besar, maka algoritma
membutuhkan waktu komputasi yang lebih lama. Namun, populasi yang kecil dapat
menyebabkan solusi yang buruk [155]. Oleh karena itu, menemukan ukuran populasi
yang tepat selalu menjadi masalah yang menantang. Harik dan Lobo [71]
menyelidiki populasi menggunakan metode adaptasi diri. Mereka menggunakan dua
pendekatan seperti (1) penggunaan adaptasi diri sebelum eksekusi algoritma, di
mana ukuran populasi tetap sama dan (2) di mana adaptasi diri digunakan selama
eksekusi algoritma di mana ukuran populasi dipengaruhi oleh fungsi fitness.
6.1.2
Konvergensi prematur
Konvergensi
prematur merupakan masalah umum untuk GA. Hal ini dapat menyebabkan hilangnya
alel yang membuat sulit untuk mengidentifikasi gen [15]. Konvergensi prematur
menyatakan bahwa hasilnya akan menjadi suboptimal jika masalah optimasi
bertepatan terlalu dini. Untuk menghindari masalah ini, beberapa peneliti
menyarankan agar keanekaragaman harus digunakan. Tekanan seleksi harus
digunakan untuk meningkatkan keanekaragaman. Tekanan seleksi adalah tingkat
yang menguntungkan individu yang lebih baik dalam populasi awal GA. Jika
tekanan seleksi (SP1) lebih besar daripada beberapa tekanan seleksi (SP2), maka
populasi yang menggunakan SP1 harus lebih besar daripada populasi yang
menggunakan SP2. Tekanan seleksi yang lebih tinggi dapat menurunkan
keanekaragaman populasi yang dapat menyebabkan konvergensi prematur [71].
Properti konvergensi harus ditangani dengan benar sehingga algoritma menemukan
solusi optimal global alih-alih solusi optimal lokal (lihat Fig 8). Jika solusi
optimal terletak di sekitar solusi yang tidak layak, maka sifat global GA dapat
dikombinasikan dengan sifat lokal algoritma lain seperti pencarian Tabu dan
pencarian lokal. Sifat global algoritma genetika dan sifat lokal pencarian Tabu
memberikan keseimbangan yang tepat antara intensifikasi dan diversifikasi.
6.1.3
Pemilihan fungsi fitness yang efisien
Fungsi fitness
adalah kekuatan pendorong, yang memainkan peran penting dalam memilih individu
yang paling bugar dalam setiap iterasi suatu algoritma. Jika jumlah iterasi
kecil, maka fungsi fitness yang mahal dapat disesuaikan. Peningkatan
jumlah iterasi dapat meningkatkan biaya komputasi. Pemilihan fungsi fitness
bergantung pada biaya komputasi serta kesesuaiannya. Dalam [46], penulis
menggunakan indeks Davies-Bouldin untuk klasifikasi dokumen.
6.1.4
Derajat mutasi dan persilangan
Operator
persilangan dan mutasi merupakan bagian integral dari GA. Jika mutasi tidak
dipertimbangkan selama evolusi, maka tidak akan ada informasi baru yang
tersedia untuk evolusi. Jika persilangan tidak dipertimbangkan selama evolusi,
maka algoritma dapat menghasilkan optima lokal. Derajat operator ini sangat
memengaruhi kinerja GA [72]. Keseimbangan yang tepat antara operator ini
diperlukan untuk memastikan optima global. Sifat probabilistik tidak dapat
menentukan derajat yang tepat untuk solusi yang efektif dan optimal.
6.1.5
Pemilihan skema penyandian
GA
memerlukan skema penyandian tertentu untuk masalah tertentu. Tidak ada
metodologi umum untuk memutuskan apakah skema penyandian tertentu cocok untuk
semua jenis masalah di dunia nyata. Jika ada dua masalah yang berbeda, maka
diperlukan dua skema penyandian yang berbeda. Ronald [171] menyarankan bahwa
skema penyandian harus dirancang untuk mengatasi bentuk-bentuk yang redundan.
Operator genetik harus diimplementasikan dengan cara yang tidak bias terhadap
bentuk-bentuk yang redundan.
6.2 Arah penelitian di masa
mendatang
GA telah
diterapkan di berbagai bidang dengan memodifikasi struktur dasar GA.
Optimalitas solusi yang diperoleh dari GA dapat ditingkatkan dengan mengatasi
tantangan saat ini. Beberapa kemungkinan GA di masa mendatang adalah sebagai
berikut:
1) Harus
ada cara untuk memilih tingkat operator persilangan dan mutasi yang tepat.
Misalnya, GA yang Terorganisir Sendiri mengadaptasi operator persilangan dan
mutasi sesuai dengan masalah yang diberikan. Ini dapat menghemat waktu
komputasi sehingga lebih cepat.
2)
Pekerjaan di masa mendatang juga dapat dipertimbangkan untuk mengurangi masalah
konvergensi prematur. Beberapa peneliti tengah berupaya dalam arah ini. Akan
tetapi, disarankan bahwa diperlukan metode baru teknik persilangan dan mutasi
untuk mengatasi masalah konvergensi prematur.
3)
Algoritma genetika meniru proses evolusi alami. Ada kemungkinan ruang lingkup
untuk mensimulasikan proses evolusi alamiah seperti respons sistem imun manusia
dan mutasi pada virus.
4) Dalam
masalah kehidupan nyata, pemetaan dari genotipe ke fenotipe bersifat rumit.
Dalam situasi ini, masalah tidak memiliki blok penyusun yang jelas atau blok
penyusun bukanlah kelompok gen yang berdekatan. Oleh karena itu, ada
kemungkinan untuk mengembangkan skema penyandian baru untuk masalah yang
berbeda yang tidak menunjukkan tingkat kesulitan yang sama.
7
Kesimpulan
Makalah ini
menyajikan pandangan terstruktur dan terjelas tentang algoritma genetika. GA
dan variannya telah dibahas dengan aplikasi. Operator genetika khusus aplikasi
dibahas. Beberapa operator genetika dirancang untuk representasi. Akan tetapi,
operator tersebut tidak berlaku untuk domain penelitian. Peran operator
genetika seperti persilangan, mutasi, dan seleksi dalam mengurangi konvergensi
prematur dipelajari secara ekstensif. Penerapan GA dan variannya dalam berbagai
domain penelitian telah dibahas. Aplikasi multimedia dan jaringan nirkabel
menjadi perhatian utama dalam makalah ini. Tantangan dan isu yang disebutkan
dalam makalah ini akan membantu para praktisi untuk melaksanakan penelitian
mereka. Ada banyak keuntungan menggunakan GA dalam domain penelitian lain dan
algoritma metaheuristic.
Tujuan dari
makalah ini tidak hanya menyediakan sumber penelitian terkini dalam GA, tetapi
juga menyediakan informasi tentang setiap komponen GA. Ini akan mendorong para
peneliti untuk memahami dasar-dasar GA dan menggunakan pengetahuan tersebut
dalam masalah penelitian mereka.
References
1.
Abbasi
M, Rafiee M, Khosravi MR, Jolfaei A, Menon VG, Koushyar JM (2020) An efficient
parallel genetic algorithm solution for vehicle routing problem in cloud
implementation of the intelligent trans portation systems. Journal of cloud
Computing 9(6)
2.
Abdelghany
A, Abdelghany K, Azadian F (2017) Airline flight schedule planning under
competition. Comput Oper Res 87:20–39
3.
Abdulal
W, Ramachandram S (2011) Reliability-aware genetic scheduling algorithm in grid
environment. International Conference on Communication Systems and Network
Technologies, Katra, Jammu, pp 673 677
4.
Abdullah
J (2010) Multiobjectives ga-based QoS routing protocol for mobile ad hoc
network. Int J Grid Distrib Comput 3(4):57–68
5.
Abo-Elnaga
Y, Nasr S (2020) Modified evolutionary algorithm and chaotic search for Bilevel
program ming problems. Symmetry 12:767
6.
Afrouzy
ZA, Nasseri SH, Mahdavi I (2016) A genetic algorithm for supply chain
configuration with new product development. Comput Ind Eng 101:440–454
7.
Aiello
G, Scalia G (2012) La, Enea M. A multi objective genetic algorithm for the
facility layout problem based upon slicing structure encoding Expert Syst Appl
39(12):10352–10358
8.
Alaoui
A, Adamou-Mitiche ABH, Mitiche L (2020) Effective hybrid genetic algorithm for
removing salt and pepper noise. IET Image Process 14(2):289–296
9.
Alkhafaji
BJ, Salih MA, Nabat ZM, Shnain SA (2020) Segmenting video frame images using
genetic algorithms. Periodicals of Engineering and Natural Sciences
8(2):1106–1114
10.
Al-Oqaily
AT, Shakah G (2018) Solving non-linear optimization problems using parallel
genetic algo rithm. International Conference on Computer Science and
Information Technology (CSIT), Amman, pp. 103–106
11.
Alvesa
MJ, Almeidab M (2007) MOTGA: A multiobjective Tchebycheff based genetic
algorithm for the multidimensional knapsack problem. Comput Oper Res
34:3458–3470
12.
Arakaki
RK, Usberti FL (2018) Hybrid genetic algorithm for the open capacitated arc
routing problem. Comput Oper Res 90:221–231
13.
Arkhipov
DI, Wu D, Wu T, Regan AC (2020) A parallel genetic algorithm framework for
transportation planning and logistics management. IEEE Access 8:106506–106515
14.
Azadeh
A, Elahi S, Farahani MH, Nasirian B (2017) A genetic algorithm-Taguchi based
approach to inventory routing problem of a single perishable product with
transshipment. Comput Ind Eng 104:124 133
15.
Baker
JE, Grefenstette J (2014) Proceedings of the first international conference on
genetic algorithms and their applications. Taylor and Francis, Hoboken, pp
101–105
16.
Bolboca
SD, JAntschi L, Balan MC, Diudea MV, Sestras RE (2010) State of art in genetic
algorithms for agricultural systems. Not Bot Hort Agrobot Cluj 38(3):51–63
17.
Bonabeau
E, Dorigo M, Theraulaz G (1999) Swarm intelligence: from natural to artificial
systems. Oxford University Press, Inc
18.
Burchardt
H, Salomon R (2006) Implementation of path planning using genetic algorithms on
Mobile robots. IEEE International Conference on Evolutionary Computation,
Vancouver, BC, pp 1831–1836
19.
Burdsall
B, Giraud-Carrier C (1997) Evolving fuzzy prototypes for efficient data
clustering," in second international ICSC symposium on fuzzy logic and
applications. Zurich, Switzerland, pp. 217-223.
20.
Burkowski
FJ (1999) Shuffle crossover and mutual information. Proceedings of the
1999 Congress on Evolutionary Computation-CEC99 (Cat. No. 99TH8406),
Washington, DC, USA, 1999, pp. 1574–1580
21.
Chaiyaratana
N, Zalzala AM (2000) "Hybridisation of neural networks and a genetic
algorithm for friction compensation," in the 2000 congress on evolutionary
computation, vol 1. San Diego, USA, pp 22–29
22.
Chen
R, Liang C-Y, Hong W-C, Gu D-X (2015) Forecasting holiday daily tourist flow
based on seasonal support vector regression with adaptive genetic algorithm.
Appl Soft Comput 26:434–443
23.
J.R.
Cheng and M. Gen (2020) Parallel genetic algorithms with GPU computing. Impact
on Intelligent Logistics and Manufacturing.
24.
Cheng
H, Yang S (2010) Multi-population genetic algorithms with immigrants scheme for
dynamic shortest path routing problems in mobile ad hoc networks. Applications
of evolutionary computation. Springer, In, pp 562–571
25.
Cheng
H, Yang S, Cao J (2013) Dynamic genetic algorithms for the dynamic load
balanced clustering problem in mobile ad hoc net-works. Expert Syst Appl
40(4):1381–1392
26.
Chouhan
SS, Kaul A, Singh UP (2018) Soft computing approaches for image segmentation: a
survey. Multimed Tools Appl 77(21):28483–28537
27.
Chuang
YC, Chen CT, Hwang C (2016) A simple and efficient real-coded genetic algorithm
for constrained optimization. Appl Soft Comput 38:87–105
28.
Coello
CAC, Pulido GT (2001) A micro-genetic algorithm for multiobjective
optimization. In: EMO, volume 1993 of lecture notes in computer science, pp
126–140. Springer
29.
Das,K.N.(2014).
Hybrid genetic algorithm: an optimization tool. In global trends in intelligent
computing Research and Development (pp. 268-305). IGI global.
30.
Das
AK, Pratihar DK (2018) A direction-based exponential mutation operator for
real-coded genetic algorithm. IEEE International Conference on Emerging
Applications of Information Technology.
31.
Dash
SR, Dehuri S, Rayaguru S (2013) Discovering interesting rules from biological
data using parallel genetic algorithm, 3rd IEEE International Advance Computing
Conference (IACC), Ghaziabad,, pp. 631 636.
32.
Datta
D, Amaral ARS, Figueira JR (2011) Single row facility layout problem using a
permutation-based genetic algorithm. European J Oper Res 213(2):388–394
33.
de
Ocampo ALP, Dadios EP(2017) "Energy cost optimization in irrigation system
of smart farm by using genetic algorithm," 2017IEEE 9th international
conference on humanoid. Nanotechnology, Information Technology, Communication
and Control, Environment and Management (HNICEM), Manila, pp 1–7
34.
Deb
K, Agrawal RB(1995) Simulated binary crossover for continuous search space.
Complex Systems 9: 115–148
35.
Deb
K, Deb D (2014) Analysing mutation schemes for real-parameter genetic
algorithms. International Journal of Artificial Intelligence and Soft Computing
4(1):1–28
36.
Deb
K, Pratap A, Agarwal S, Meyarivan T (2002) A fast and elitist multiobjective
genetic algorithm: NSGA-II. IEEE Trans Evol Comput 6(2):182–197
37.
Deep
K, Das KN (2008) Quadratic approximation based hybrid genetic algorithm for
function optimiza tion. Appl Math Comput 203(1):86–98
38.
DeepK,Thakur
M(2007) A newmutation operator for real coded genetic algorithms. Appl Math
Comput 193:211–230
39.
DeepK,ThakurM(2007)Anewcrossoveroperator
forrealcoded genetic algorithms. Appl Math Comput 188:895–911
40.
Dhal
KP, Ray S, Das A, Das S (2018) A survey on nature-inspired optimization
algorithms and their application in image enhancement domain. Archives of
Computational Methods in Engineering 5:1607 1638
41.
Dhiman
G, KumarV(2017)Spotted hyena optimizer: A novel bio-inspired based
metaheuristic technique for engineering applications. Adv Eng Softw 114:48–70
42.
Dhiman
G, Kumar V (2018) Emperor penguin optimizer: A bio-inspired algorithm for
engineering problems. Knowl-Based Syst 159:20–50
43.
Dhiman
G, Kumar V (2019) Seagull optimization algorithm: theory and its applications
for large-scale industrial engineering problems. Knowl-Based Syst 165:169–196
44.
Di
Fatta G, Hoffmann F, Lo Re G, Urso A (2003) A genetic algorithm for the design
of a fuzzy controller for active queue management. IEEE Trans Syst Man Cybern
Part C Appl Rev 33(3):313–324
45.
Diabat
A, Deskoores R (2016) A hybrid genetic algorithm based heuristic for an
integrated supply chain problem. J Manuf Syst 38:172–180
46.
Diaz-Manríquez
A, Ríos-Alvarado AB, Barrón-Zambrano JH, Guerrero-Melendez TY, Elizondo-Leal JC
(2018) An automatic document classifier system based on genetic algorithm and
taxonomy. IEEE Access 6:21552–21559. https://doi.org/10.1109/ACCESS.2018.2815992
47.
Dorigo
M, Birattari M, Stutzle T (2006) Ant colony optimization- artificial ants as a
computational intelligence technique. IEEE Comput Intell Mag 1(2006):28–39
48.
Ebrahimzadeh
R, Jampour M (2013) Chaotic genetic algorithm based on Lorenz chaotic system
for optimization problems. I.J. Intelligent Systems and Applications
Intelligent Systems and Applications 05(05):19–24
49.
EkbataniFard
GH, Monsefi R, Akbarzadeh-T M-R, Yaghmaee M et al. (2010) A multi-objective
genetic algorithm based approach for energy efficient qos-routing in two-tiered
wireless sensor net-works. In: wireless pervasive computing (ISWPC), 2010 5th
IEEE international symposium on. IEEE, pp 80–85
50.
El-Mihoub
T, Hopgood A, Nolle L, Battersby A (2004) Performance of hybrid genetic
algorithms incorporating local search. In: Horton G (ed) 18th European
simulation multi-conference (ESM2004). Germany, Magdeburg, pp 154–160
51.
El-Mihoub
TA, Hopgood AA, Lars N, Battersby A (2006) Hybrid genetic algorithms: A review.
Eng Lett 13:2
52.
Emmerich
MTM, Deutz AH (2018) A tutorial on multiobjective optimization: fundamentals
and evolu tionary methods. Nat Comput 17(3):585–609
53.
Eshelman
LJ, Caruana RA, Schaffer JD (1997) Biases in the crossover landscape.
54.
Espinoza
FB, Minsker B, Goldberg D (2003) Performance evaluation and population size
reduction for self adaptive hybrid genetic algorithm (SAHGA), in the Genetic
and Evolutionary Computation Conference, vol. 2723, Lecture Notes in Computer
Science San Francisco, USA: Springer, pp. 922–933.
55.
Farahani
RZ, Elahipanah M (2008) A genetic algorithm to optimize the total cost and
service level for just in-time distribution in a supply chain. Int J Prod Econ
111(2):229–243
56.
Fonseca CM, Fleming PJ (1993) Genetic algorithms for
multiobjective optimization: formulation, discus-sion and generalization. In:
ICGA, pp 416–423. Morgan Kaufmann
57.
Fox B, McMahon M (1991) Genetic operators for
sequencing problems, in Foundations of Genetic Algorithms, G. Rawlins, Ed.
Morgan Kaufmann Publishers, San Mateo,CA, Ed. 1991, pp. 284–300.
58.
Freisleben B, Merz P (1996) New genetic local search
operators for the traveling salesman problem," in the Fourth Conference on
Parallel Problem Solving from Nature vol. 1141, Lectures Notes in Computer Science,
H.-M. Voigt, W. Ebeling, I. Rechenberg, and H.-P. Schwefel, Eds. Berlin,
Germany: Springer-Verlag, pp. 890–899.
59.
Friend DH, EI Nainay, M, Shi Y, MacKenzie AB (2008)
Architecture and performance of an island genetic algorithm-based cognitive
network. In: Consumer communications and networking conference, 2008. CCNC
2008. 5th IEEE. IEEE, pp 993–997
60.
Fuertes G, Vargas M, Alfaro M, Soto-Garrido R,
Sabattin J, Peralta M-A (2019) Chaotic genetic algorithm and the effects of
entropy in performance optimization.
61.
Ghaheri A, Shoar S, Naderan M, Hoseini SS (2015) The
applications of genetic algorithms in medicine. CJ 30:406–416
62.
Ghosh S, Bhattachrya S (2020) A data-driven
understanding of COVID-19 dynamics using sequential genetic algorithm based
probabilistic cellular automata. Applied Soft Computing. 96
63.
Ghoshal AK, Das N, Bhattacharjee S, Chakraborty G
(2019) A fast parallel genetic algorithm based approach for community detection
in large networks. International Conference on Communication Systems &
Networks (COMSNETS), Bengaluru, India, pp. 95–101.
64.
Gogna A, Tayal A (2012) Comparative analysis of
evolutionary algorithms for image enhancement. Int J Met 2(1)
65.
Goldberg D (1989) Genetic algorithm in search.
Optimization and Machine Learning, Addison -Wesley, Reading, MA 1989
66.
Goldberg D, Lingle R (1985) Alleles, loci and the
traveling salesman problem. In: Proceedings of the 1st international
conference on genetic algorithms and their applications, vol. 1985. Los
Angeles, USA, pp 154–159
67.
Guido R, Conforti D (2017) A hybrid genetic approach
for solving an integrated multi-objective operating room planning and
scheduling problem. Comput Oper Res 87:270–282
68.
Ha QM, Deville Y, Pham QD, Ha MH (2020) A hybrid
genetic algorithm for the traveling salesman problem with drone. J Heuristics
26:219–247
69.
Haji Rassouliha A, Gamage TPB, Parker MD, Nash MP,
Taberner AJ, Nielsen, PM (2013) FPGA implementation of 2D cross-correlation for
real-time 3D tracking of deformable surfaces. In Proceedings of the2013 28th
International Conference on Image and Vision Computing New Zealand (IVCNZ
2013), Wellington, New Zealand, 27–29 November 2013; IEEE: Piscataway, NJ, USA;
pp. 352–357
70.
Harada T, Alba E (2020) Parallel genetic algorithms: a
useful survey. ACM Computing Survey 53(4):1–39
71.
Harik GR, Lobo FG (1999) A parameter-less genetic
algorithm, in Proceedings of the Genetic and Evolutionary Computation
Conference, pp. 258–265.
72.
Hassanat A, Almohammadi K, Alkafaween E, Abunawas E,
Hammouri A, Prasath VBS (December 2019) Choosing mutation and crossover ratios
for genetic algorithms—A review with a new dynamic approach. Information
10:390. https://doi.org/10.3390/info10120390
73.
He J, Ji S, Yan M, Pan Y, Li Y (2012) Load-balanced
CDS construction in wireless sensor networks via genetic algorithm. Int J Sens
Netw 11(3):166–178
74.
Hedar A, Fukushima M (2003) Simplex coding genetic
algorithm for the global optimization of nonlinear functions, in
Multi-Objective Programming and Goal Programming, Advances in Soft Computing,
T. Tanino, T. Tanaka, and M. Inuiguchi, Eds.: Springer-Verlag, pp. 135–140.
75.
Helal MHS, Fan C, Liu D, Yuan S (2017) Peer-to-peer
based parallel genetic algorithm. International Conference on Information,
Communication and Engineering (ICICE), Xiamen, pp 535–538
76.
Hiassat A, Diabat A, Rahwan I (2017) A genetic
algorithm approach for location-inventory-routing problem with perishable
products. J Manuf Syst 42:93–103
77.
Holland JH (1975) Adaptation in natural and artificial
systems. The U. of Michigan Press
78.
Hong W-C, Dong Y, Chen L-Y, Wei S-Y (2011) SVR with
hybrid chaotic genetic algorithms for tourism demand forecasting. Appl Soft
Comput 11(2):1881–1890
79.
Hong T-P, Lee Y-C, Min-Thai W (2014) An effective
parallel approach for genetic-fuzzy data mining. Exp Syst Applic 41(2):655–662
80.
Horn J, Nafpliotis N, Goldberg DE. (1994) A niched
Pareto genetic algorithm for multiobjective optimization. Proceedings of the
First IEEE Conference on Evolutionary Computation, IEEE World Congress on
Computational Intelligence, vol. 1, Piscataway, NJ: IEEE Service Center, p.
67–72.
81.
Hu C, Wang X, Mandal MK, Meng M, Li D (2003) Efficient
face and gesture recognition techniques for robot control. Department of
Electrical and Computer Engineering University of Alberta, Edmonton, AB, T6G
2V4, Canada. CCECE2003 - CCGEI 2003, Montreal, May/mai 2003 IEEE, pp 1757-1762.
82.
Peng Huo, Simon C. K. Shiu, Haibo Wang, Ben Niu (2009)
Application and Comparison of Particle Swarm Optimization and Genetic Algorithm
in Strategy Defense Game. Fifth International Conference on Natural
Computation, pp 387–392.
83.
Hussain A, Muhammad YS, Nauman Sajid M, Hussain I,
Mohamd Shoukry A, Gani S (2017) Genetic algorithm for traveling salesman
problem with modified cycle crossover operator. Computational intelli-gence and
neuroscience 2017:1–7
84.
Ishibuchi H, Murata T (1998) A multi-objective genetic
local search algorithm and its application to flowshop scheduling. IEEE Trans
Syst Man Cybern Part C Appl Rev 28(3):392–403
85.
Jafari A, Khalili T, Babaei E, Bidram A (2020) Hybrid
optimization technique using exchange market and GA. IEEE Access 8:2417–2427
86.
Jaszkiewicz A (February 2002) Genetic local search for
multi-objective combinatorial optimization. Eur J Oper Res 137(1):50–71
87.
Javidi M, Hosseinpourfard R (2015) Chaos genetic
algorithm instead genetic algorithm. Int J Inf Tech 12(2):163–168
88.
Jebari K (2013) Selection methods for genetic
algorithms. Abdelmalek Essaâdi University. International Journal of Emerging
Sciences 3(4):333–344
89.
Jiang S, Chin K-S, Wang L, Qu G, Tsui KL (2017)
Modified genetic algorithm-based feature selection combined with pre-trained
deep neural network for demand forecasting in outpatient department. Expert Syst
Appl 82:216–230
90.
Jiang M, Fan X, Pei Z, Zhang Z (2018) Research on text
feature clustering based on improved parallel genetic algorithm. Tenth
International Conference on Advanced Computational Intelligence (ICACI), Xiamen,
pp. 235–238
91.
Kaluri R, Reddy P (2016) Sign gesture recognition
using modified region growing algorithm and adaptive genetic fuzzy classifier.
International Journal of Intelligent Engineering and Systems 9(4):225–233
92.
Kandavanam G, Botvich D, Balasubramaniam S, Jennings B
(2010) A hybrid genetic algorithm/variable neighborhood search approach to
maximizing residual bandwidth of links for route planning. Artificial evolution.
Springer, In, pp 49–60
93.
Kannan S (2020) Intelligent object recognition in
underwater images using evolutionary-based Gaussian mixture model and shape
matching. SIViP 14:877–885
94.
Karabudak D, Hung C-C, Bing B (2004) A call admission
control scheme using genetic algorithms. In: Proceedings of the 2004ACM
symposium on applied computing. ACM, pp 1151–1158
95.
Katz P, Aron M, Alfalou A (2001) A face-tracking
system to detect falls in the elderly; SPIE newsroom. SPIE, Bellingham, WA,
USA, p 201
96.
Kaur M, Kumar V (2018) Beta chaotic map based image
encryption using genetic algorithm. Int J Bifurcation Chaos 28(11):1850132
97.
Kaur M, Kumar V (2018) Parallel non-dominated sorting
genetic algorithm-II-based image encryption technique. The Imaging Science
Journal. 66(8):453–462
98.
Kaur M, Kumar V (2018) Fourier–Mellin moment-based
intertwining map for image encryption. Modern Physics Letters B 32(9):1850115
99.
Kaur G, Bhardwaj N, Singh PK (2018) An analytic review
on image enhancement techniques based on soft computing approach. Sensors and
Image Processing, Advances in Intelligent Systems and Computing 651:255–266
100.
Kavitha AR, Chellamuthu C (2016) Brain tumour
segmentation from MRI image using genetic algorithm with fuzzy initialisation
and seeded modified region growing (GFSMRG) method. The Imaging Science Journal
64(5):285–297
101.
Kennedy J, Eberhart RC (1995) Particle swarm
optimization. In: Proceedings of IEEE international conference on neural
networks (1995), pp 1942–1948
102.
Khan, A., ur Rehman, Z., Jaffar, M.A., Ullah, J., Din,
A., Ali, A., Ullah, N. (2019) Color image segmentation using genetic algorithm
with aggregation-based clustering validity index (CVI). SIViP 13(5), 833–841
103.
Kia R, Khaksar-Haghani F, Javadian N,
Tavakkoli-Moghaddam R (2014) Solving a multi-floor layout design model of a
dynamic cellular manufacturing system by an efficient genetic algorithm. J
Manuf Syst 33(1):218–232
104.
Kim EY, Jung K (2006) Genetic algorithms for video
segmentation. Pattern Recogn 38(1):59–73
105.
Kim EY, Park SH (2006) Automatic video segmentation
using genetic algorithms. Pattern Recogn Lett 27(11):1252–1265
106.
Kita H, Ono I, Kobayashi S (1999). The multi-parent
unimodal normal distribution crossover for real-coded genetic algorithms.
Proceedings of the 1999 Congress on Evolutionary Computation, vol. 2, IEEE (1999),
pp. 1588–1595
107.
Kobayashi H, Munetomo M, Akama K, Sato Y (2004)
Designing a distributed algorithm for bandwidth allocation with a genetic
algorithm. Syst Comput Jpn 35(3):37–45
108.
Konak A, Smith AE (1999) A hybrid genetic algorithm
approach for backbone design of communication networks, in the 1999 Congress on
Evolutionary Computation. Washington D.C, USA: IEEE, pp. 1817-1823.
109.
Kortil Y, Jridi M, Falou AA, Atri M (2020) Face
recognition systems: A survey. Sensors. 20:1–34
110.
Krishnan N, Muthukumar S, Ravi S, Shashikala D,
Pasupathi P (2013) Image restoration by using evolutionary technique to Denoise
Gaussian and impulse noise. In: Prasath R., Kathirvalavakumar T. (eds) mining
intelligence and knowledge exploration. Lecture notes in computer science, vol
8284. Springer, Cham.
111.
Kumar A (2013) Encoding schemes in genetic algorithm.
Int J Adv Res IT Eng 2(3):1–7
112.
Kumar V, Kumar D (2017) An astrophysics-inspired grey
wolf algorithm for numerical optimization and its application to engineering
design problems. Adv Eng Softw 112:231–254
113.
Kumar V, Chhabra JK, Kumar D (2014) Parameter adaptive
harmony search algorithm for unimodal and multimodal optimization problems. J
Comput Sci 5(2):144–155
114.
Kumar C, Singh AK, Kumar P (2017) A recent survey on
image watermarking techniques and its application in e-governance. MultiMed
Tools Appl.
115.
Kurdi M (2016) An effective new island model genetic
algorithm for job shop scheduling problem. Comput Oper Res 67(2016):132–142
116.
Larranaga P, Kuijpers CMH, Murga RH, Yurramendi Y
(July 1996) Learning Bayesian network structures by searching for the best
ordering with genetic algorithms. in IEEE Transactions on Systems, Man, and Cybernetics
- Part A: Systems and Humans 26(4):487–493
117.
Larranaga P, Kuijpers C, Murga R, Inza I, Dizdarevic S
(1999) Genetic algorithms for the travelling salesman problem: a review of
representations and operators. Artificial Intelligence Review 13:129–170
118.
Chang-Yong Lee (2003) Entropy-Boltzmann selection in
the genetic algorithms. IEEE Transactions on Systems, Man, and Cybernetics,
Part B (Cybernetics), vol. 33, no. 1, pp. 138–149, Feb. 2003.
119.
Lee CKH (2018) A review of applications of genetic
algorithms in operations management. Eng Appl Artif Intell 76:1–12
120.
Lee Y, Hara T, Fujita H, Itoh S, Ishigaki T (July
2001) Automated detection of pulmonary nodules in helical CT images based on an
improved template-matching technique. in IEEE Transactions on Medical Imaging
20(7):595–604
121.
Joon-Yong Lee, Min-Soeng Kim, Cheol-Taek Kim and
Ju-Jang Lee (2007) Study on encoding schemes in compact genetic algorithm for
the continuous numerical problems,SICE Annual Conference 2007, Takamatsu, pp.
2694–2699.
122.
Leng LT (1999) Guided genetic algorithm. University of
Essex, Doctoral Dissertation
123.
Li B, Li J, Tang K, Yao X (2015) Many-objective
evolutionary algorithms: A survey. ACM Computing surveys
124.
Lie Tang L (2000) Tian and Brian L steward,
"color image segmentation with genetic algorithm for in-field weed
sensing". Transactions of the ASAE 43(4):1019–1027
125.
Lima S.J.A., de Araújo S.A. (2018) A new binary
encoding scheme in genetic algorithm for solving the capacitated vehicle
routing problem. In: Korošec P., Melab N., Talbi EG. (eds) Bioinspired
Optimization Methods and Their Applications. BIOMA 2018. Lecture notes in
computer science, vol 10835. Springer, Cham
126.
Liu D (2019) Mathematical modeling analysis of genetic
algorithms under schema theorem. Journal of Computational Methods in Sciences
and Engineering 19:S131–S137
127.
Liu Z, Meng Q, Wang S (2013) Speed-based toll design
for cordon-based congestion pricing scheme. Transport Res Part C: Emerg Technol
31(2013):83–98
128.
Lorenzo B, Glisic S (2013) Optimal routing and traffic
scheduling for multihop cellular networks using genetic algorithm. IEEE Trans
Mob Comput 12(11):2274–2288
129.
Lucasius CB, Kateman G (1989) Applications of genetic
algorithms in chemometrics. In: Proceedings of the 3rd international conference
on genetic algorithms. Morgan Kaufmann, Los Altos, CA, USA, pp 170–176
130.
Luo B, Jinhua Zheng, Jiongliang Xie, Jun Wu. Dynamic
crowding distance – a new diversity maintenance strategy for MOEAs. ICNC ‘08,
Fourth Int. Conf. on Natural Comp., vol. 1 (2008), pp. 580–585
131.
Maghawry A, Kholief M, Omar Y, Hodhod R (2020) An
approach for evolving transformation sequences using hybrid genetic algorithms.
Int J Intell Syst 13(1):223–233
132.
Manzoni L, Mariot L, Tuba E (2020) Balanced crossover
operators in genetic algorithms. Swarm and Evolutionary Computation 54:100646
133.
Mazinani M, Abedzadeh M, Mohebali N (2013) Dynamic
facility layout problem based on flexible bay structure and solving by genetic
algorithm. Int J Adv Manuf Technol 65(5–8):929–943
134.
Mehboob U, Qadir J, Ali S, Vasilakos A (2016) Genetic
algorithms in wireless networking: techniques, applications, and issues. Soft
Comput 20:2467–2501
135.
Michalewicz Z (1992) Genetic algorithms + data
structures = evolution programs. Springer-Verlag, New York
136.
Michalewicz Z, Schoenauer M (1996) Evolutionary
algorithms for constrained parameter optimization problems. Evol Comput
4(1):1–32
137.
Mishra R, Das KN (2017). A novel hybrid genetic
algorithm for unconstrained and constrained function optimization. In
bio-inspired computing for information retrieval applications (pp. 230-268).
IGI global
138.
Moher D, Liberati A, Tetzlaff J, Altman DG, The PRISMA
Group (2009) Preferred reporting items for systematic reviews and
meta-analyses: the PRISMA statement. PLoS Med 6(7):e1000097
139.
Mooi S, Lim S, Sultan M, Bakar A, Sulaiman M, Mustapha
A, Leong KY (2017) Crossover and mutation operators of genetic algorithms.
International Journal of Machine Learning and Computing 7:9–12
140.
Mudaliar DN, Modi NK (2013) Unraveling travelling
salesman problem by genetic algorithm using m-crossover operator. International
Conference on Signal Processing, Image Processing & Pattern Recognition,
Coimbatore, pp 127–130
141.
T. Murata and M. Gen (2000) Cellular genetic algorithm
for multi-objective optimization, in Proceedings of the Fourth Asian Fuzzy
System Symposium, pp. 538–542
142.
Neto JC, Meyer GE, Jones DD (2006) Individual leaf
extractions from young canopy images using gustafsonkessel clustering and a
genetic algorithm. Comput Electron Agric 51(1):66–85
143.
NKFC, Viswanatha SDK (2009) Routing algorithm using
mobile agents and genetic algorithm. Int J Comput Electr Eng, vol 1, no 3
144.
Ono I, Kobayashi S (1997) A real-coded genetic
algorithm for functional optimization using unimodal normal distribution
crossover. In: Back T (ed) Proceedings of the 7th international conference on
genetic algorithms, ICGA-7. Morgan Kaufmann, East Lansing, MI, USA, pp 246–253
145.
Pachepsky Y, Acock B (1998) Stochastic imaging of soil
parameters to assess variability and uncertainty of crop yield estimates.
Geoderma 85(2):213–229
146.
Paiva JPD, Toledo CFM, Pedrini H (2016) An approach
based on hybrid genetic algorithm applied to image denoising problem. Appl Soft
Comput 46:778–791
147.
Palencia AER, Delgadillo GEM (2012) A computer
application for a bus body assembly line using genetic algorithms. Int J Prod
Econ 140(1):431–438
148.
Palomo-Romero JM, Salas-Morera L, García-Hernández L
(2017) An island model genetic algorithm for unequal area facility layout
problems. Expert Syst Appl 68:151–162
149.
Pandian S, Modrák V (December 2009)
"possibilities, obstacles and challenges of genetic algorithm in manufacturing
cell formation," advanced logistic systems, University of Miskolc.
Department of Material Handling and Logistics 3(1):63–70
150.
Park Y-B, Yoo J-S, Park H-S (2016) A genetic algorithm
for the vendor-managed inventory routing problem with lost sales. Expert Syst
Appl 53:149–159
151.
Patel R, Raghuwanshi MM, Malik LG (2012) Decomposition
based multi-objective genetic algorithm (DMOGA) with opposition based learning
152.
Pattanaik JK, Basu M, Dash DP (2018) Improved real
coded genetic algorithm for dynamic economic dispatch. Journal of electrical
systems and information technology. Vol. 5(3):349–362
153.
Payne AW, Glen RC (1993) Molecular recognition using a
binary genetic system. J Mol Graph 11(2):74–91
154.
Peerlinck A, Sheppard J, Pastorino J, Maxwell B (2019)
Optimal Design of Experiments for precision agriculture using a genetic
algorithm. IEEE Congress on Evolutionary Computation.
155.
Pelikan M, Goldberg DE, Cantu-Paz E (2000) Bayesian
optimization algorithm, population sizing, and time to convergence, Illinois
Genetic Algorithms Laboratory, University of Illinois, Tech. Rep
156.
Pilat ML, White T (2002) Using genetic algorithms to
optimize ACS-TSP, in the Third International Workshop on Ant Algorithms, vol.
Lecture Notes In Computer Science 2463. Berlin, Germany: Springer-Verlag, pp.
282–287.
157.
Pinagapany S, Kulkarni A (2008) Solving channel
allocation problem in cellular radio networks using genetic algorithm. In:
Communication Systems software and middleware and workshops, 2008.COMSWARE
2008. 3rd International Conference on. IEEE, pp239–244
158.
Pinel F, Dorronsoro B, Bouvry P (2013) Solving very
large instances of the scheduling of independent tasks problem on the GPU. J
Parallel Distrib. Comput 73(1):101–110
159.
Pinto G, Ainbinder I, Rabinowitz G (2009) A genetic
algorithm-based approach for solving the resource-sharing and scheduling
problem. Comput Ind Eng 57(3):1131–1143
160.
Piszcz A, Soule T (2006) Genetic programming: optimal
population sizes for varying complexity problems, in Proceedings of the Genetic
and Evolutionary Computation Conference, pp. 953–954.
161.
Porta J, Parapar R, Doallo F, Rivera F, Santé I,
Crecente R (2013) High performance genetic algorithm for land use planning.
Comput Environ Urb Syst 37(2013):45–58
162.
Rafsanjani MK, Riyahi M (2020) A new hybrid genetic
algorithm for job shop scheduling problem. International Journal of Advanced
Intelligence Paradigms 16(2):157–171
163.
Rathi R, Acharjya DP (2018) A framework for prediction
using rough set and real coded genetic algorithm. Arab J Sci Eng
43(8):4215–4227
164.
Rathi R, Acharjya DP (2018) A rule based
classification for vegetable production using rough set and genetic algorithm.
International Journal of Fuzzy System Applications (IJFSA) 7(1):74–100
165.
Rathi R, Acharjya DP (2020) A comparative study of
genetic algorithm and neural network computing techniques over feature
selection, In advances in distributed computing and machine learning (pp. 491–500).
Springer, Singapore
166.
Ray SS, Bandyopadhyay S, Pal SK (2004) New operators
of genetic algorithms for traveling salesman problem," Proceedings of the
17th International Conference on Pattern Recognition, 2004. ICPR 2004., Cambridge
pp 497-500
167.
Richter JN, Peak D (2002) Fuzzy evolutionary cellular
automata, in international conference on artificial neural networks in
engineering, vol 12. USA, Saint Louis pp. 185-191
168.
Riedl A (2002) A hybrid genetic algorithm for routing
optimization in ip networks utilizing bandwidth and delay metrics. In: IP
operations and management, 2002 IEEE Workshop on. IEEE, pp 166–170
169.
Ripon KSN, Siddique N, Torresen J (2011) Improved
precedence preservation crossover for multi-objective job shop scheduling
problem. Evolving Systems 2:119–129
170.
Roberge V, Tarbouchi M, Okou F (2014) Strategies to
accelerate harmonic minimization in multilevel inverters using a parallel
genetic algorithm on graphical processing unit. IEEE Trans Power Electron 29(10):5087–5090
171.
Ronald S (1997) Robust encoding in genetic algorithms:
a survey of encoding issues. IEEE international conference on evolutionary
computation, pp. 43-48
172.
Roy A, Banerjee N, Das SK (2002) An efficient
multi-objective qos-routing algorithm for wireless multicasting. In:Vehicular
technology conference, 2002. VTC Spring 2002. IEEE 55th, vol 3., pp 1160–1164
173.
Sadrzadeh A (2012) A genetic algorithm with the
heuristic procedure to solve the multi-line layout problem. Comput Ind Eng
62(4):1055–1064
174.
Sahingoz OK (2014) Generation of Bezier curve-based
flyable trajectories for multi-UAV systems with parallel genetic algorithm. J
Intell Robot Syst 74(1):499–511
175.
Saini N (2017) Review of selection methods in genetic
algorithms. International Journal of Engineering and Computer Science
6(12):22261–22263
176.
Sari M, Can T (2018) Prediction of pathological
subjects using genetic algorithms. Computational and Mathematical Methods in
Medicine 2018:1–9
177.
Scully T, Brown KN (2009) Wireless LAN load balancing
with genetic algorithms. Knowl Based Syst 22(7):529–534
178.
Sermpinis G, Stasinakis C, Theofilatos K,
Karathanasopoulos A (2015) Modeling, forecasting and trading the EUR exchange
rates with hybrid rolling genetic algorithms–support vector regression forecast
combinations. European J. Oper. Res. 247(3):831–846
179.
Shabankareh SG, Shabankareh SG (2019) Improvement of
edge-tracking methods using genetic algorithm and neural network, 2019 5th
Iranian conference on signal processing and intelligent systems (ICSPIS). Shahrood,
Iran, pp 1–7. https://doi.org/10.1109/ICSPIS48872.2019.9066026
180.
Sharma S, Gupta K (2011) Solving the traveling
salesman problem through genetic algorithm with new variation order crossover.
International Conference on Emerging Trends in Networks and Computer Communications
(ETNCC), Udaipur, pp. 274–276
181.
Sharma N, Kaushik I, Rathi, R, Kumar S (2020)
Evaluation of accidental death records using hybrid genetic algorithm.
Available at SSRN: https://ssrn.com/abstract=3563084 or https://doi.org/10.2139/ssrn.3563084
182.
Shayeghi A, Gotz D, Davis JBA, Schafer R, Johnston RL
(2015) Pool-BCGA: A parallelised generation-free genetic algorithm for the ab
initio global optimisation of nano alloy clusters. Phys Chem Chem Phys 17(3):2104–2112
183.
Guoyong Shi, H. Iima and N. Sannomiya (1996) A new
encoding scheme for solving job shop problems by genetic algorithm, Proceedings
of 35th IEEE Conference on Decision and Control, Kobe, Japan, 1996, pp.
4395–4400 vol.4.
184.
Shi J, Liu Z, Tang L, Xiong J (2017) Multi-objective
optimization for a closed-loop network design problem using an improved genetic
algorithm. Appl Math Model 45:14–30
185.
Shukla AK, Singh P, Vardhan M (2019) A new hybrid
feature subset selection framework based on binary genetic algorithm and
information theory. International Journal of Computational Intelligence and Applications
18(3):1950020(1–10)
186.
Singh A, Deep K (2015) Real coded genetic algorithm
operators embedded in gravitational search algorithm for continuous
optimization. Int J Intell Syst Appl 7(12):1
187.
Sivanandam SN, Deepa SN (2008) Introduction to genetic
algorithm, 1st edn. Springer-Verlag, Berlin Heidelberg
188.
Soleimani H, Kannan G (2015) A hybrid particle swarm
optimization and genetic algorithm for closed-loop supply chain network design
in large-scale networks. Appl Math Model 39(14):3990–4012
189.
Soleimani H, Govindan K, Saghafi H, Jafari H (2017)
Fuzzy multi-objective sustainable and green closed-loop supply chain network
design. Comput Ind Eng 109:191–203
190.
Soon GK, Guan TT, On CK, Alfred R, Anthony P (2013)
"A comparison on the performance of crossover techniques in video
game," 2013 IEEE international conference on control system. Computing and
Engineering, Mindeb, pp 493–498
191.
Srinivas N, Deb K (1995) Multi-objective function
optimization using non-dominated sorting genetic algorithms. Evol Comput
2(3):221–248
192.
Subbaraj P, Rengaraj R, Salivahanan S (2011)
Enhancement of self-adaptive real-coded genetic algorithm using Taguchi method
for economic dispatch problem. Appl Soft Comput 11(1):83–92
193.
Tahir M, Tubaishat A, Al-Obeidat F, et al. (2020) A
novel binary chaotic genetic algorithm for feature selection and its utility in
affective computing and healthcare. Neural Comput & Appl
194.
Tam V, Cheng K-Y, Lui K-S (2006) Using micro-genetic
algorithms to improve localization in wireless sensor networks. J Commun
1(4):1–10
195.
Tan KC, Li Y, Murray-Smith DJ, Sharman KC (1995)
System identification and linearisation using genetic algorithms with simulated
annealing, in First IEE/IEEE Int. Conf. on GA in Eng. Syst.: Innovations and
Appl. Sheffield, UK, pp. 164–169.
196.
Tang PH, Tseng MH (2013) Adaptive directed mutation
for real-coded genetic algorithms. Appl Soft Comput 13(1):600–614
197.
Tiong SK, Yap DFW, Koh SP (2012) A comparative
analysis of various chaotic genetic algorithms for multimodal function
optimization. Trends in Applied Sciences Research 7:785–791
198.
Toutouh J, Alba E (2017) Parallel multi-objective
metaheuristics for smart communications in vehicular networks. Soft Comput
21(8):1949–1961
199.
Umbarkar A, Sheth P (2015) Crossover operators in
genetic algorithms: a review. Journal on Soft Computing 6(1)
200.
Verma D, Vishwakarma VP, Dalal S (2020) A hybrid
self-constrained genetic algorithm (HSGA) for digital image Denoising based on
PSNR improvement. Advances in Bioinformatics, Multimedia, and Electronics
Circuits and Signals, In, pp 135–153
201.
Vitayasak S, Pongcharoen P, Hicks C (2016) A tool for
solving stochastic dynamic facility layout problems with stochastic demand
using either a genetic algorithm or modified backtracking search algorithm. Int
J Prod Econ
202.
Junru Wang and Lan Huang (2014) Evolving gomoku Solver
by Genetic Algorithm. IEEE Workshop on Advanced Research and Technology in
Industry Applications (WARTIA) pp 1064–1067.
203.
Wang L, Kan MS, Shahriar Md R, Tan ACC (2014)
Different approaches of applying single-objective binary genetic algorithm on
the wind farm design. In World Congress on Engineering Asset Management.
204.
Wang N, Li Q, Abd El-Latif AA, Zhang T, Niu X (2014)
Toward accurate localization and high recognition performance for noisy iris
images. Multimed Tools Appl 71(3):1411–1430
205.
Wang JQ, Ersoy OK, He MY et al (2016) Multi-offspring
genetic algorithm and its application to the traveling salesman problem. Appl
Soft Comput 43:415–423
206.
Wang FL, Fu XM, Zhu HX et al (2016) Multi-child
genetic algorithm based on two-point crossover. J Northeast Agric Univ
47(3):72–79
207.
Wang JQ, Cheng ZW, Ersoy OK et al (2018) Improvement
analysis and application of real-coded genetic algorithm for solving
constrained optimization problems. Math Probl Eng 2018:1–16
208.
Wang J, Zhang M, Ersoy OK, Sun K, Bi Y (2019) An
improved real-coded genetic algorithm using the Heuristical Normal distribution
and direction-based crossover. Computational Intelligence and Neuroscience
2019:1–17
209.
Wen Z, Yang R, Garraghan P, Lin T, Xu J, Rovatsos M
(2017) Fog orchestration for internet of things services. IEEE Internet Comput
21(2) (Mar. 2017):16–24
210.
Wright AH (1991) Genetic algorithms for real parameter
optimization. In Foundations of genetic algorithms I,G. J. E. Rawlins, Ed.,
Morgan Kaufmann, San Mateo, CA,USA
211.
Wu X, Chu C-H, Wang Y, Yan W (2007) A genetic
algorithm for cellular manufacturing design and layout. European J Oper Res
181(1):156–167
212.
Yang S, Cheng H, Wang F (2010) Genetic algorithms with
immigrants and memory schemes for dynamic shortest path routing problems in
mobile ad hoc networks. IEEE Trans Syst Man Cybern Part C Appl Rev 40(1):52–63
213.
Yang C, Li H, Rezgui Y, Petri I, Yuce B, Chen B, Jayan
B (2014) High throughput computing based distributed genetic algorithm for
building energy consumption optimization. Energy Build 76(2014):92–101
214.
Yu F, Xu X (2014) A short-term load forecasting model
of natural gas based on optimized genetic algorithm and improve BR neural
network. Appl Energy 134:102–113
215.
Yuce B, Fruggiero F, Packianather MS, Pham DT,
Mastrocinque E, Lambiase A, Fera M (2017) Hybrid genetic bees algorithm applied
to single machine scheduling with earliness and tardiness penalties. Comput Ind
Eng 113:842–858
216.
Yun S, Lee J, Chung W, Kim E, Kim S (2009) A soft
computing approach to localization in wireless sensor networks. Expert Syst
Appl 36(4):7552–7561
217.
Zhai R (2020) Solving the optimization of physical
distribution routing problem with hybrid genetic algorithm. J Phys Conf Ser
1550:1–6
218.
Zhang Q, Wang J, Jin C, Zeng Q (2008) Localization
algorithm for wireless sensor network based on genetic simulated annealing
algorithm. In: 4th IEEE International Conference on Wireless communications,
networking and mobile computing. Pp 1–5
219.
Zhang R, Ong SK, Nee AYC (2015) A simulation-based
genetic algorithm approach for remanufacturing process planning and scheduling.
Appl Soft Comput 37:521–532
220.
Zhang X-Y, Zhang J, Gong Y-J, Zhan Z-H, Chen W-N, Li Y
(2016) Kuhn-Munkres parallel genetic algorithm for the set cover problem and
its application to large-scale wireless sensor networks. IEEETrans Evol Comput
20(5):695–710
221.
Zhenhua Y, Guangwen Y, Shanwei L, Qishan Z (2010) A
modified immune genetic algorithm for channel assignment problems in cellular
radio networks. In: Intelligent system design and engineering application (ISDEA),
2010 International Conference on, vol 2. , pp 823–826
Komentar
Posting Komentar