PENGKOMPUTERAN BEREVOLUSI
(Evolutionary Computing)
1. Konsep Pengkomputeran
Berevolusi
- Komponen algoritma
berevolusi
- NP-completeness  
- Metaheuristik
2. Algoritma Genetik
- Algoritma genetik binari
- Algoritma genetik berterusan
- Model matematik algoritma
genetik
3. Pengaturcaraan Genetik
- Kepentingan pengaturcaraan
genetik
- Pengaturcaraan genetik
untuk kawalan masa
minimum
- Analisis matematik
pengaturcaraan genetik
4. Strategi Berevolusi
- Strategi berevolusi (1+1)
- Strategi berevolusi (+1)
- Strategi berevolusi (+) dan
(, )
5. Pengaturcaraan Berevolusi
- Jenis pengaturcaraan
berevolusi
- Pengaturcaraan berevolusi
secara berterusan
- Pengoptimuman mesin
berkeadaan terhad
- Pengaturcaraan berevolusi
secara diskret
- Adaptasi berevolusi
6. Variasi Algoritma Evolusi
- Kriteria penumpuan
- Elitisme
- Kepelbagaian populasi
- Pemilihan dan mutasi
- Penggabungan semula
7. Penyepuhlindapan Simulasi
- Penyepuhlindapan simulasi
secara semulajadi
- Algoritma penyepuhlindapan
simulasi
- Jadual penyejukan
- Isu implementasi
8. Pengoptimuman Koloni Semut
- Model feromon
- Sistem semut
- Pengoptimuman berterusan
1. Evolutionary Computing Concepts 3
- Evolutionary algorithm component Slide 1
- NP-completeness (ada) Ex_chap 1
- Metaheuristic DONE
2. Genetic Algorithm 3
- Binary genetic algorithm 3.4 Dan Simon (Chap 3) ms 35
- Continuous genetic algorithm 3.3 Slide takde
- Mathematical model of genetic
algorithm
Slide 3 (kene adjust)
Countinous (real values) chap
4
3. Genetic Programming 3
- The fundamentals of genetic Dan Simon (Chap 7) ms 141
programming 7.2 Slide takde
- Genetic programming for minimum
time control 7.3
- Mathematical analysis of genetic
programming 7.6
Genetic programming (tree
representation) dlm slide 4
(4.6)
4. Evolution strategies 3
- The (1+1) evolution strategy 6.1 Dan Simon (Chap 6) ms 117
- The (+1) evolution strategy 6.3 Slide takde
- The (+) dan (, ) evolution
strategies 6.4
5. Evolution Programming 6
- evolutionary programming types Dan Simon (Chap 5) ms 95
- Continuous evolutionary programming Slide takde
5.1
- Finite state machine optimization 5.2
- Discrete evolution programming 5.3
- Adaptation evolved (xde)
6. Evolutionary Algorithm Variations 6
- Convergence criteria 8.2 Dan Simon (Chap 8) ms 179
- Elitism 8.4 Slide takde
- Population diversity 8.6
- Selection 8.7 and mutations 8.9
- Recombination 8.8
7. Simulated annealing 6
- Annealing in nature 9.1 Dan Simon (Chap 9) ms 223
- Simulated annealing algorithm 9.2 Slide takde
- Cooling schedule 9.3
- Implementation issues 9.4
Chap 7 (parameter and param
tuning)
Chap 8 (parameter control)
8. Ant Colony Optimisation 6
- Pheromone Models 10.1 Dan Simon (Chap 10) ms 241
- Ant system 10.2 Slide takde
- Continuous optimization 10.3
PENGKOMPUTERAN BEREVOLUSI
(Evolutionary Computing)

- Pelbagai sistem koloni semut - Other ant colony systems 10.4

- Pembangunan sistem semut
9. Evolusi Pembezaan
- Algoritma evolusi
pembezaan
- Variasi evolusi pembezaan
- Pengoptimaan diskret
- Evolusi pembezaan dan
algoritma genetik
** nondeterministic polynomial time
- Building ant system
9. Differential Evolution
- Differential evolution algorithm 12.1
- Differential evolution variations 12.2
- Discrete optimize 12.3
- Differential evolution and genetic
algorithms 12.4
Buku Fund of Com Intelligent
NN, Fuzzy… 13.3 ms 323 (3
page only)
6
Dan Simon (Chap 12) ms 293
Slide takde
Differential - Slide 6 (ms 56)
Discrete – slide 6 ms 3-13
genetic algo

1. Cuevas, E. & Osuna, V. (2019). Evolutionary Computation Techniques: A Comparative

Perspective (Studies in Computational Intelligence). Guadalajara: Springer.

2. Eiben, A. E. & Smith, J. E. (2016). Introduction to Evolutionary Computing: Natural

Computing Series. New York: Springer-Verlag. Ada slide tp beza

3. James, M. K., Derong, L. & David, B. F. (2016). Fundamentals of Computational

Intelligence: Neural Networks, Fuzzy Systems, and Evolutionary Computation (IEEE Press
Series on Computational Intelligence). New Jersey: John Wiley & Sons, Inc.

4. Siddique, N. & Adeli, H. (2013). Computation Intelligence: Synergies of Fuzzy Logic, Neural
Networks and Evolutionary Computing. Chichester: John Wiley & Sons, Inc.

5. Simon, D. (2013). Evolutionary Optimization Algorithms. New Jersey: John Wiley & Sons,
Inc. Buku ikut RP tp takde slide

NAMA KURSUS : PENGKOMPUTERAN BEREVOLUSI

(Evolutionary Computing)

KOD KURSUS : SSK5608

KREDIT : 3(3+0)

JUMLAH JAM : 120

PEMBELAJARAN
PELAJAR
PRASYARAT : Tiada

HASIL : Pelajar dapat:

PEMBELAJARAN
1. membanding teknik pengkomputeran berevolusi ke atas fitur
terpilih. (C5, CTPS)
2. memanipulasi teknik pengkomputeran berevolusi dalam
pembangunan aplikasi. (P4)
3. mengubah suai teknik pengkomputeran berevolusi berdasarkan
parameter yang digunakan dalam pembangunan aplikasi. (A4, LL)
PENGKOMPUTERAN BEREVOLUSI
(Evolutionary Computing)

SINOPSIS : Kursus ini merangkumi teori dan teknik pengkomputeran evolusi

termasuklah adaptasi daripada teknik secara biologi. Pengoptimuman,
pemodelan dan simulasi menggunakan pelbagai algorithma evolusi
dalam domain aplikasi dibincangkan.

(This course covers theory and techniques in evolutionary computing

including the adaptation of biological techniques. Optimization,
modeling and simulation using different types of evolutionary
algorithms in application domain are discussed.)

KANDUNGAN : Jam
KURSUS Pembelajaran
Bersemuka

KULIAH : 1. Konsep Pengkomputeran Berevolusi 3

- Komponen algoritma berevolusi
- NP-completeness  
- Metaheuristik

2. Algoritma Genetik 3
- Algoritma genetik binari
- Algoritma genetik berterusan
- Model matematik algoritma genetik

3. Pengaturcaraan Genetik 3
- Kepentingan pengaturcaraan genetik
- Pengaturcaraan genetik untuk kawalan
masa minimum
- Analisis matematik pengaturcaraan genetik

4. Strategi Berevolusi 3
- Strategi berevolusi (1+1)
- Strategi berevolusi (+1)
- Strategi berevolusi (+) dan (, )

5. Pengaturcaraan Berevolusi 6
- Jenis pengaturcaraan berevolusi
- Pengaturcaraan berevolusi secara
berterusan
- Pengoptimuman mesin berkeadaan terhad
- Pengaturcaraan berevolusi secara diskret
- Adaptasi berevolusi

6. Variasi Algoritma Evolusi 6

- Kriteria penumpuan
- Elitisme
- Kepelbagaian populasi
- Pemilihan dan mutasi
- Penggabungan semula
PENGKOMPUTERAN BEREVOLUSI
(Evolutionary Computing)

7. Penyepuhlindapan Simulasi 6
- Penyepuhlindapan simulasi secara
semulajadi
- Algoritma penyepuhlindapan simulasi
- Jadual penyejukan
- Isu implementasi

8. Pengoptimuman Koloni Semut 6

- Model feromon
- Sistem semut
- Pengoptimuman berterusan
- Pelbagai sistem koloni semut
- Pembangunan sistem semut

9. Evolusi Pembezaan 6
- Algoritma evolusi pembezaan
- Variasi evolusi pembezaan
- Pengoptimaan diskret
- Evolusi pembezaan dan algoritma genetik

Jumlah 42

PENILAIAN : Kerja Kursus 70%

Penilaian Akhir 30%

RUJUKAN : 1. Cuevas, E. & Osuna, V. (2019). Evolutionary Computation

Techniques: A Comparative Perspective (Studies in Computational
Intelligence). Guadalajara: Springer.

2. Eiben, A. E. & Smith, J. E. (2016). Introduction to Evolutionary

Computing: Natural Computing Series. New York: Springer-Verlag.

3. James, M. K., Derong, L. & David, B. F. (2016). Fundamentals of

Computational Intelligence: Neural Networks, Fuzzy Systems, and
Evolutionary Computation (IEEE Press Series on Computational
Intelligence). New Jersey: John Wiley & Sons, Inc.

4. Siddique, N. & Adeli, H. (2013). Computation Intelligence:

Synergies of Fuzzy Logic, Neural Networks and Evolutionary
Computing. Chichester: John Wiley & Sons, Inc.

5. Simon, D. (2013). Evolutionary Optimization Algorithms. New

Jersey: John Wiley & Sons, Inc.