Local Search

darmatasia
Outline
Local Search
Hill Climbing Search
Local Maximum
Genetic Algorithm
 Local Search
 Pencarian tanpa informasi (uninformed search)
 Teoretis: seluruh search space ditelusuri
 Pencarian dengan informasi (informed search)
 Kiat-kiat melakukan pruning  heuristics
 Ada banyak masalah di mana solusinya adalah konfigurasi goal
state. Path-nya tidak penting
 Contoh n-queen, penjadwalan kereta, dll
 Bila demikian kita bisa menggunakan algoritma penyelesaian lain
yaitu local search algorithm
 Local search algorithm tidak menyimpan state dalam bentuk tree
tapi hanya menyimpan satu state dan „memperbaiki‟ state tersebut
sampai mencapai sebuah goal.
 Konsep Local Search
 Pilih initial state (random) dan mulai mencari solusi dari
state terdekat

Yang dibutuhkan:
 Menghasilkan calon solusi secara acak
 Nilai evaluasi calon tersebut (heuristics atau objective
functions)
 Memodikasi calon tersebut (pindah ke state lain)
 Contoh Local Search
 Hill-Climbing Search
 Pemilihan state berdasarkan nilai
objektifnya
 Genetic Algorithm
 Pemilihan state berdasarkan aturan seleksi
alam yang diterapkan pada state collection
(sering disebut sebagai populasi)
 Hill Climbing
 Hill-Climbing Search disebut juga Greedy Local
Search  ambil state terdekat yang terlihat baik saat
itu
 Layaknya seorang pendaki gunung yang mencari
tanah yang ketinggian lebih tinggi dari yang
ditempatinya sekarang, hill climbing algorithm
mencari state yang lebih baik dari state yang ada
sekarang dan “membuang sisanya”
 “Like climbing Everest in thick fog with amnesia”
Algoritma Hill Climbing
 Hill Climbing
1. Pilih initial state
2. Generate successors
3. Terapkan heuristic evaluation function pada
successors
4. Pilih alternatif terbaik (forgetting all the rest)
5. Ulangi langkah 2 hingga tidak ada lagi nilai
yang lebih baik
 Contoh Hill Climbing
 Problem: Seorang salesman ingin
mengunjungi n kota. Jarak antar
kota sudah diketahui. Kita ingin
mengetahui rute terpendek yang
dilalui dengan syarat tiap kota
hanya boleh dikunjungi tepat 1
kali.
 Fungsi heuristik: Rute berikutnya
harus lebih pendek dari rute saat
ini
Contoh Hill Climbing (2)
 Kekurangan Hill Climbing
 Tergantung pilihan
initial state, hill-
climbing bisa
terperangkap dalam
local maximum.
 Local maximum:
tidak ada tetangga
yang lebih baik,
tetapi bukan solusi
optimal.
 Pendekatan Alternatif
 Stochastic hill-climbing: dari semua kemungkinan tindakan
yang arahnya naik, pilih salah satu secara acak.
 Random-restart hill-climbing: kalau gagal, ulangi dengan
initial state yang baru.
“If at first you don't succeed, try and try again"
 Local beam search: Dimulai dari k buah initial state. Cari
semua successors dari k states tersebut. Pilih k buah
successor terbaik, jika goal belum ditemukan.
 Simulated annealing: kombinasi hill-climbing dan random
walk untuk mendapatkan efisiensi maupun completeness.
 Genetic Algorithm (GA)
 Algoritma yang memanfaatkan proses seleksi alamiah
yang dikenal dengan proses evolusi
 Dalam proses evolusi, individu secara terus menerus
mengalami perubahan gen untuk menyesuaikan dengan
lingkungannya
 Algoritma ini bekerja dengan sebuah populasi yang terdiri
dari individu-individu, yang masing-masing individu
merepresentasikan sebuah solusi yang mungkin bagi
persoalan yang ada.
 Istilah Penting Dalam GA
 Genotype (Gen), sebuah nilai yang menyatakan satuan dasar yang
membentuk suatu arti tertentu dalam satu kesatuan gen. Gen bisa
berupa nilai biner, float, integer maupun karakter atau kombinatorial
 Allele, nilai dari gen
 Kromosom, gabungan gen-gen yang membentuk nilai tertentu
 Individu, menyatakan satu nilai atau keadaan yang menyatakan
salah satu solusi yang mungkin dari permasalahan yang diangkat
 Populasi, sekumpulan individu yang akan diproses bersama dalam
satu siklus proses evolusi
 Generasi, satu siklus proses evolusi atau satu iterasi di dalam
algoritma genetika
Istilah Penting Dalam GA

Populasi
 GA - Algoritma
1. Initialization: Buat k buah calon solusi (individual) secar acak =
population.
2. Evaluation: Nilai setiap individual berdasarkan fitness function.
3. Selection: Pilih individual terbaik untuk “beranak” : proportional
sampling (roulette), tournament, etc.
4. Reproduction: Buat “generasi” population berikut dengan operasi
crossover dan mutation. Crossover: pilih dua (atau lebih) calon
solusi, kombinasikan secara acak untuk menghasilkan calon solusi
baru.
5. Mutation: dengan probabilitas acak (kecil), modikasi secara acak
sebuah calon solusi.
6. Ulangi langkah 2-5 sampai berhenti.
 GA - Algoritma
 Kapan GA berhenti?
 Solusi yang “mencukupi” ditemukan.
 Sudah menjalankan N buah generasi.
GA - Algoritma
 1. Membangkitkan Populasi
 Membangkitkan populasi awal adalah proses membangkitkan
sejumlah individu secara acak melalui prosedur tertentu
 Contoh: TSP, populasi menyatakan sejumlah solusi (jalur) yang
dicari secara acak. Misalkan dalam populasi tersebut terdapat 4
individu maka contoh populasi awal TSP dengan 7 kota adalah
sebagai berikut:

1243657
5746231
7264513
4657321
 2. Evaluation/Nilai Fitness
 Nilai fitness adalah nilai yang menyatakan
baik tidaknya suatu solusi (individu)
 Nilai ini dijadikan acuan dalam mencapai
nilai opptimal dalam genetika
 Dalam TSP, karena TSP bertujuan
meminimalkan jarak, maka nilai fitnessnya
adalah inversi dari jarak
 3. Selection
 Teknik Selection
 Roulette Wheel Selection
 Tournament Selection
 Rank-based fitness
 Local Selection
 Truncation Selection
 Dan lain-lain
 Roulette Wheel Selection
 Masing-masing
individu mendapatkan
satu slice.
 Individu yang paling fit
(sehat) mendapatkan
slice yang lebih besar
daripada yang kurang
fit  Peluang lebih
besar untuk dipilih.
Contoh
 Tournament Selection
 Ditetapkan suatu nilai tour untuk individu-individu
yang dipilih secara random dari suatu populasi.
 Individu-individu yan terbaik dalam kelomppok ini
akan diseleksi sebagai induk
 Parameter yang digunakan adalah ukuran tour
yang bernilai antara 2 sampai N (jumlah individu
dalam populasi)
 4. Crossover
 Crossover 1 titik
 Posisi penyilangan k (k=1,2,…,N-1) dengan N = panjang
kromosom diseleksi secara random.
 Variabel-variabel ditukar antar kromosom pada titik tersebut
untuk menghasilkan anak
 Misalkan ada 2 individu dengan panjang 7

 Posisi menyilang yang terpilih: misalkan 4

 Setelah penyilangan, diperleh individu baru:
 4. Crossover
 Crossover 2 titik
 Memilih dua posisi pada kromosom calon solusi secara
acak.
 5. Mutasi
 Mutasi gen merupakan proses penambahan atau
menggantikan gen yang hilang dari populasi
 Setiap individu mengalami mutasi gen dengan probabilitas
mutasi yang ditentukan
 Proses mutasi dilakukan secara acak pada posisi gen
tertentu pada individu-individu yang terpilih untuk dimutasikan
 Banyaknya individu yang mengalami mutasi ditentukan oleh
besarnya probabilitas mutasi
 Contoh
 Pencarian rute terpendek dari Pintu I ke Fakultas Sains dan
Teknologi UIN Alauddin Makassar
 Objek/bangunan yang digunakan
1. Gerbang Utama(G)
2. Auditorium (D)
3. Masjid (M)
4. Rektorat (R)
5. Lapangan (L)
6. Perpustakaan (P)
7. Asrama (A)
8. Kantin (K)
9. FST (S)
 Contoh

G
50 S
37
40 K
10 M
L 23
35
105 35 14 55
75 20
P A
20
45
15
D R
30
 Contoh
 Probabilitas mutasi = 0.2
 Probabilitas crossover = 0.4
 Probabilitas seleksi = 0.4
 Misalkan ada 5 Individu yang merupakan rute dari
Gerbang Utama ke FST

GLMPKS 40 + 10 + 14 + 23 + 37 = 124
G LM PAS 40 + 10 + 14 + 20 + 35 = 119 Seleksi
GDRPKS 75 + 30 + 15 + 23 + 37 = 180
G D R PAS 75 + 30 + 15 + 20 + 35 = 175
G L R PAS 40 + 20 + 15 + 20 + 35 = 130
 Contoh
 Cross Over (1 & 2), (3 & 4), (5 &1)  p = 0.4

GLMPKS  G LM PAS = 119

G LM PAS GLMPKS = 124

GDRPKS  G D R PAS = 175

G D R PAS GDRPKS = 180

G L R PAS GL RPKS = 135

GLMPKS
 Contoh
 Mutasi, p = 0.2

GLMPKS GMLPKS = 155

G LM PAS  G M LPAS = 150
GDRPKS GRDPKS = 240
G D R PAS  G R D PAS = 235
G L R PAS  G R L PAS = 215
 Contoh
 Hasil Iterasi 1
 Seleksi
G L M P K S = 124
G L M P A S = 119
 Crossover
G L M P A S = 119
G L M P K S = 124
 Mutasi
G M L P K S = 150
 Contoh
 Iterasi 2 (ulangi langkah seperti pada iterasi 1), hasil akhir

G L M P A S = 119
G L M P A S = 119
G L M P A S = 119
G L M P A S = 119
G L M P A S = 119

 Solusi : Gerbang – Lapangan – Masjid – Perpustakaan –

Asrama - Saintek
 References

 CSCM603130: Sistem Cerdas: Local Search, Fariz Darari, Nilam

Fitriah, Fakultas Ilmu Komputer, Universitas Indonesia