BAB X
APLIKASI ALGORITMA GENETIKA
1. Pendahuluan [kembali]APLIKASI ALGORITMA GENETIKA
Algoritma genetika telah diterapkan dalam sains, teknik, bisnis dan sosial sains. Jumlah ilmuwan telah memecahkan banyak masalah teknik yang digunakan algoritma genetika. Konsep Algoritma Genetika dapat diterapkan pada masalah teknik seperti itu sebagai optimalisasi sistem pipa gas. Bidang lain yang penting saat ini adalah struktur pengoptimalan. Tujuan utama dalam masalah ini adalah untuk meminimalkan berat struktur mengalami kendala stres maksimum dan minimum pada masing-masing anggota. Algoritma Genetika juga digunakan dalam sistem pencitraan medis. Algoritma Genetika digunakan untuk menampilkan gambar pendaftaran sebagai bagian dari angiografi pengurangan digital yang lebih besar. Dapat ditemukan itu Algoritma Genetika dapat digunakan untuk berbagai aplikasi. Di bab ini beberapa topik penerapannya sedang dibahas. Ini termasuk penerapan Algoritma Genetika untuk aplikasi rekayasa utama, penambangan data dan dalam berbagai aplikasi pengolah gambar lainnya. Semoga bab ini akan memberikan pembaca singkat gagasan tentang bagaimana algoritma genetika dapat diterapkan untuk setiap masalah praktis.
2.1 Mengoptimalkan Produksi Minyak Uap Cyclic
Dengan Algortima Genetika Waduk Antelope di bidang Cymric, di San Joaquin Valley, adalah mengandung silika reservoir serpih mengandung 12 hingga 13◦API heavy oil. Waduk terutama terdiri dari diatomit, ditandai dengan porositasnya yang tinggi, saturasi minyak yang tinggi, dan sangat rendah permeabilitas. Sekitar 430 sumur menghasilkan dari waduk ini, dengan sebuah produksi harian rata-rata 23.000 bbl. Minyak dari lapangan dipulihkan menggunakan proses steam cyclic yang dipatenkan oleh Chevron. Jumlah uap jenuh yang tetap adalah disuntikkan ke dalam waduk selama periode 3 hingga 4 hari. Uap tekanan tinggi fraktur batu, dan panas dari uap mengurangi viskositas minyak. Sumurnya tutup selama beberapa hari berikutnya, yang dikenal sebagai periode rendam. Uap kental diserap oleh diatomit, dan minyak dipindahkan ke dalam fraktur dan lubang sumur. Setelah periode rendam, sumur dikembalikan ke produksi. Berkedip panas air menjadi uap pada tekanan yang berlaku memberikan energi untuk mengangkat cairan permukaan. Sumur mengalir selama sekitar 20 hingga 25 hari. Setelah sumur mati, siklus yang sama diulang. Panjang siklus adalah 26 hingga 30 hari. Karena tidak ada produksi minyak selama periode mengukus dan merendam, di sana adalah insentif untuk meminimalkan frekuensi mengukus dan menambah panjang siklus. Tetapi karena produksi sumur paling tinggi segera setelah kembali ke produksi dan menurun dengan cepat setelahnya, sebuah kasus dapat dilakukan untuk meningkatkan uap frekuensi dan mengurangi panjang siklus. Ini menunjukkan bahwa ada yang optimal Panjang siklus untuk setiap sumur yang menghasilkan produktivitas maksimum selama siklus. Karena ada lebih dari 400 sumur di lapangan, dan ada kendala ketersediaan uap dan sistem distribusi, serta keterbatasan fasilitas, hasilnya adalah masalah penjadwalan yang tangguh.
2.1.1 Algoritma Genetika
Genetic algorithm (GAs) adalah teknik pengoptimalan global yang dikembangkan oleh John
Holland pada tahun 1975. Mereka adalah salah satu dari beberapa teknik dalam keluarga evolusioner algoritme — algoritme yang mencari solusi untuk masalah pengoptimalan oleh
"Berevolusi" solusi yang lebih baik dan lebih baik. Algoritma genetika dimulai dengan "populasi" solusi dan kemudian memilih "orang tua" untuk mereproduksi. Selama reproduksi, setiap orang tua disalin, dan kemudian orang tua dapat bergabung dalam persilangan konvensional dengan alami, atau salinannya dapat dimodifikasi, dalam analog ke mutasi genetik. Yang baru solusi dievaluasi dan ditambahkan ke populasi, dan solusi berkualitas rendah dihapus dari populasi untuk memberi ruang bagi solusi baru. Seperti proses ini seleksi induk, penyalinan, perkawinan silang, dan mutasi diulangi, anggota populasi cenderung menjadi lebih baik. Ketika algoritma dihentikan, anggota terbaik dari populasi saat ini diambil sebagai solusi untuk masalah yang diajukan. Salah satu fitur penting dari GA adalah prosedurnya untuk memilih anggota populasi bereproduksi. Seleksi adalah proses acak, tetapi kualitas anggota solusi itu bias kemungkinan dipilih. Karena GAs mempromosikan reproduksi berkualitas tinggi solusi, mereka menjelajahi solusi tetangga di bagian solusi yang berkualitas tinggi ruang pencarian. Karena prosesnya diacak, GA juga mengeksplorasi bagian dari ruang pencarian yang mungkin jauh dari individu terbaik saat ini dalam populasi. Di 20 tahun terakhir, GAs telah digunakan untuk memecahkan berbagai masalah pengoptimalan. Ada banyak contoh masalah pengoptimalan di industri perminyakan untuk mana GAs cocok. Di ChevronTexaco, di samping siklik steam masalah penjadwalan, penempatan sumur, penjadwalan rig, optimasi portofolio, dan fasilitas desain telah ditangani dengan GAs. Di NuTech Solutions, GAs telah digunakan dalam perencanaan proyek-proyek rig workover sehingga waktu keseluruhan workover berkurang,
perencanaan produksi di beberapa pabrik untuk mengurangi biaya, perencanaan distribusi dari beberapa pabrik ke sejumlah besar pelanggan untuk mengurangi biaya, dan mengendalikan operasi pipa untuk mengurangi biaya sambil memuaskan kendala pipa.
2.1.2 Rumusan Masalah
2.2 Pemrograman Genetik dan Algoritma Genetika
Masalah penjadwalan uap siklik diformulasikan sebagai masalah optimasi Algoritma Genetika di mana tujuannya adalah untuk memaksimalkan produksi kumulatif selama periode 2 bulan. Fungsi kebugaran dihitung sebagai produksi kumulatif dikurangi hukuman
karena melanggar batasan lunak. Masalahnya memiliki banyak kendala. Tingkat lapangan
kendala termasuk ketersediaan uap dan jumlah maksimum pengukusan sumur. Ketinggian stasiun pengukur termasuk jumlah minimum uap yang digunakan dan maksimum jumlah sumur produksi. Batasan tingkat header termasuk maksimum jumlah sumur yang dikukus, dan batasan individu-sumur termasuk maksimum / jumlah minimum hari produksi. Selain itu, ada kendala operasional seperti komunikasi di mana beberapa sumur harus dikukus bersama dan sumur diblokir karena kegiatan rig. Meskipun semua kendala lapangan bisa dimasukkan dalam masalah formulasi sebagai kendala keras, kendala yang sama sekali tidak dapat dilanggar, keputusan itu dibuat untuk membuat banyak kendala yang kendala lunak, kendala itu dapat dilanggar tetapi dengan hukuman yang terkait. Contoh kendala yang sulit adalah total uap yang tersedia pada hari tertentu untuk Seluruh bidang, sedangkan beberapa kendala lunak adalah jumlah maksimum uap yang digunakan oleh
sekelompok sumur dan jumlah minimum sumur yang mengepul di sebuah header. Optimasi
dihentikan ketika salah satu kriteria berikut, dipenuhi :
• Sejumlah generasi tertentu telah dibuat.
• Jumlah waktu tertentu telah berlalu.
• Fungsi kebugaran belum membaik selama jumlah generasi tertentu.
Algoritma Genetika menggunakan beberapa heuristik untuk meningkatkan kinerjanya dan mempercepat pencariannya untuk solusi berkualitas tinggi. Untuk mulai dengan, ketika menciptakan populasi awal solusi, "benih," itu menggunakan heuristik berdasarkan pada mereka yang operator sumur dan operator uap yang digunakan di ladang minyak. Ini juga menggunakan beberapa heuristik yang dikembangkan untuk proyek untuk menemukan jadwal awal yang baik. Contoh heuristik semacam itu adalah "upaya untuk mengukirkan sumur produksi tinggi pada panjang siklus optimalnya — lamanya waktu antara mengukus di mana produksi harian rata-rata juga dimaksimalkan. ”The kendala dari masalah membuat mustahil untuk mengukuhkan semua sumur secara optimal panjang siklus, tetapi memasukkan jadwal berdasarkan ini sebagai tujuan ke populasi awal memberikan algoritma beberapa solusi berkualitas tinggi yang dapat dimutasi dan disilangkan dengan jenis solusi lain untuk menemukan solusi yang lebih baik. Teknik yang digunakan untuk merepresentasikan solusi bukanlah pendekatan yang umum ditemukan dalam buku ajar GA. Sebuah pendekatan pengkodean tidak langsung digunakan di mana setiap solusi adalah daftar permutasi dari sumur, dengan beberapa entri diperbolehkan untuk sumur yang sama. Kemudian prosedur decoding digunakan yang mensimulasikan efek dari berbagai jadwal untuk menerjemahkan daftar permutasi ke dalam jadwal yang sebenarnya. Pembuat jadwal terlihat di sumur pertama pada daftar dan menyimulasikannya pada Hari 1. Jika proses ini melanggar tidak ada kendala keras, maka sumur dijadwalkan untuk mengukus pada Hari 1. Jadwal pembangun kemudian melihat sumur kedua dalam daftar. Ini mensimulasikan efek mengukus yang baik bersama dengan sumur pertama pada Hari 1. Jika tidak ada kendala keras yang dilanggar, ini juga ditambahkan ke jadwal untuk Hari 1. Jika kendala keras dilanggar, maka baik tidak ditambahkan ke jadwal. Proses berlanjut, mengingat masing-masing dengan baik untuk mengukus pada Hari 1, dan menambahkan masing-masing dengan baik, agar, yang bisa dikukus tanpa melanggar batasan yang sulit. Kemudian prosesnya dilanjutkan dengan Hari 2, dengan mempertimbangkan masing-masing baik, dalam rangka, yang belum dikukus pada Hari 1. Proses ini diulang Hari ke 3 dan 4. Titik kritis adalah proses penyusunan jadwal tidak akan dibangun jadwal yang melanggar batasan yang sulit. Juga, proses pembuatan jadwal ini menggunakan beberapa heuristik pintar dan simulator untuk mengubah daftar sumur menjadi layak jadwal mengukus. Setelah jadwal dibuat, itu dapat dievaluasi, dan "skor" -nya adalah kembali ke GA sebagai evaluasi solusi asli, daftar sumur. Proses optimasi menggunakan heuristik untuk menginisialisasi populasi, serta solusi yang dihasilkan secara acak untuk mengisi populasi awal. Prosesnya termasuk heuristik cerdas dalam prosedur yang digunakan untuk memodifikasi solusi baru. Juga digunakan adalah prosedur persilangan yang tepat untuk menggabungkan permutasi yang berbeda untuk digabungkan dua orang tua untuk menghasilkan anak. Prosesnya mencakup banyak domain pengetahuan dalam pembangun jadwal untuk menghasilkan jadwal yang layak. Post-prosesor termasuk pemeriksaan untuk menemukan perubahan sederhana yang dapat dilakukan untuk solusi terbaik ditemukan untuk meningkatkan kualitasnya. Antarmuka ke pengoptimal memberi operator sumur dan operator uap di lapangan banyak kekuatan dan fleksibilitas dalam interaksi mereka dengan sistem. Operator dapat mengedit data sumur yang dimasukkan ke pengoptimal. Mereka dapat memilih heuristik dan prosedur optimasi yang digunakan di sebuah lari. Mereka dapat mengukur fungsi obyektif yang menentukan tujuan dari menjalankan. Mereka dapat mengaktifkan, menonaktifkan, dan parameterisasi kendala keras dan lunak. Mereka juga dapat mengedit solusi yang ditemukan oleh pengoptimal dalam kasus di mana ada kendala yang diketahui oleh operator yang tidak tercermin dalam basis data yang tersedia untuk pengoptimal.
untuk Mengatur Kontrol Gerak Robot Otomatis Robotic soccer adalah domain masalah yang menghibur tapi sangat kompleks yang merupakan perencanaan jalur dan kontrol gerakan, itu sendiri merupakan bidang yang kompleks dan menantang. Teknik alternatif untuk strategi kendali kode tangan sangat diinginkan. Kedua pemrograman genetik (GP) dan algoritma genetika (GA) adalah teknik seperti itu; mereka memiliki potensi untuk menghapus beban pemrograman dari manusia. Bagian ini akan membandingkan dua teknik dan mendiskusikan penggunaannya.
Perencanaan jalur robot bergerak dan kontrol gerak cenderung diperlakukan secara independen di dalam literatur. Perencanaan jalur seringkali merupakan proses yang lambat yang mengasumsikan bahwa keadaan dunia saat ini adalah statis dan bahwa waktu yang dibutuhkan untuk membuat rencana tidak akan memiliki efek yang signifikan terhadap kinerja kontrol robot.Motion, sebaliknya,
mengasumsikan bahwa rencana jalur ada dan bahwa pengendali gerakan harus mengikuti rencana tersebut sedekat mungkin. Ini, bagaimanapun, sulit untuk diterapkan dalam sistem nyata, seperti menggabungkan perencanaan jalur dengan kontrol gerakan dalam lingkungan yang dinamis cepat cenderung tidak berhasil, karena jalan yang direncanakan tidak mencerminkan keadaan dunia saat ini.
Setelah perencanaan jalur baru dan teknik kontrol gerakan dikembangkan itu diterapkan ke sistem robot sungguhan. Namun, sistem tuning cenderung menjadi proses yang membosankan. Teknik tuning otomatis sangat penting untuk pengembangan dan penyebaran cepat. GP dan GAs telah diterapkan untuk berbagai aplikasi kontrol robotik.
2.2.1 Pemograman Genetik
Dua roda yang digerakkan secara independen mengendalikan desain robot yang disimulasikan. Demikian : jika kedua roda dibuat dengan kecepatan yang sama, robot akan bergerak lurus di depan; jika kecepatan roda sedikit berbeda, robot akan berubah menjadi busur sisi roda yang bergerak lambat, akhirnya datang mengelilingi lingkaran penuh; dan jika kecepatan roda sama tetapi arahnya berbeda, robot akan berputar tempat itu.
Desain alami untuk strategi kontrol tingkat rendah adalah untuk menghasilkan setpoint kecepatan untuk setiap roda. Pemrograman genetik memungkinkan untuk desain semacam itu. Canonical GP berevolusi individu yang merupakan pohon program tunggal, tetapi jika setiap individu terdiri dari dua pohon (di mana setiap pohon menghasilkan setpoint roda) yang secara alami akan dihasilkan kode pengendali robot. Operator genetik dapat dengan mudah diperpanjang. Operasi crossover membutuhkan dua subtrees dari dua individu. Setelah seleksi normal individu, salah satunya kedua pohon dipilih secara acak dari masing-masing dua individu. Seleksi normal subpohon terjadi dari pohon yang dipilih. Operasi mutasi hanya membutuhkan pohon satu individu. Setelah memilih individu, pohon-to-bermutasi secara acak dipilih dari dua pohon yang tersedia. Operasi lain dapat diperpanjang juga. Dengan struktur yang sesuai di tempat, fokus sekarang bergerak ke pemilihan gen. Saat diinginkan bahwa sedikitnya bantuan manusia diberikan dan hanya ini, sia-sia saja gen yang sangat dasar dipilih :
• koordinat robot (robot x dan robot y),
• koordinat bola (bola x dan bola y),
• sejumlah konstanta acak dari <001> 1 hingga 1,
• operasi aritmatika (tambah, kurangi, dll.),
• operasi trigonometri (sinus, kosinus), dan
• fungsi logaritmik yang dilindungi kesalahan (log).
• koordinat bola (bola x dan bola y),
• sejumlah konstanta acak dari <001> 1 hingga 1,
• operasi aritmatika (tambah, kurangi, dll.),
• operasi trigonometri (sinus, kosinus), dan
• fungsi logaritmik yang dilindungi kesalahan (log).
Masalah kontrol-strategi, berdasarkan simulator sepak bola robot, adalah belajar ikuti bola. Keberhasilan seseorang awalnya diukur dengan mengizinkan simulator untuk berlari dalam waktu singkat dan mengambil jarak dari final posisi bola ke posisi robot akhir. Semakin kecil jarak semakin besar kinerja atas nama robot. Kernel pemrograman genetik dibiarkan begitu saja bekerja melalui generasi, dan ketika selesai kami mempelajari individu terbaik setiap generasi. Proses ini menghasilkan individu yang jelas meningkatkan ballfollowing mereka kemampuan, namun kinerja mereka tidak mengesankan. Mengingat Koza bekerja dan meningkatkan kinerja, dua fungsi ditambahkan ke gen pool :
• perbedaan antara koordinat bola dan robot x (delta x), dan
• perbedaan antara koordinat bola dan robot y (delta y).
• perbedaan antara koordinat bola dan robot y (delta y).
Seiring dengan penambahan gen baru, tes kebugaran telah diubah. Daripada pengukuran jarak waktu tunggal (yaitu pada akhir simulasi jarak antara bola dan robot diukur) kami memperkenalkan pengukuran multi-waktu. Untuk setiap frame dari simulasi (yang berlari pada 33 frame per detik) jarak dari bola ke robot diukur; jarak ini dijumlahkan untuk memberikan hasil akhir kebugaran. Sekali lagi, semakin kecil nilainya, semakin baik kinerjanya tidak mungkin mencapai skor kebugaran bernilai nol. Perubahan ini positif efek pada kemampuan mengikuti bola individu. Gambar 10.1 menunjukkan contoh individu terbaik yang menjalankan kode evolusionernya untuk mengikuti bola. (Lari pergi ke 50 generasi dengan populasi 500.) Meskipun jauh dari efisien pengikut bola, itu menunjukkan sifat yang menarik: ketika itu datang sangat dekat bola itu menggambarkan lingkaran yang sangat ketat — perilaku yang mengoptimalkan kinerja mengukur.
Algoritma genetika sangat berbeda dengan pemrograman genetika. Penggunaan proses
tidak seintus GP karena bukan langsung menghasilkan kecepatan setpoints, GA membutuhkan lapisan tambahan intervensi manusia, jadwal yang dijadwalkan pengontrol. Sistem GA menghasilkan individu yang menghasilkan kecepatan yang diperlukan set-poin melalui formula kontrol.
 |
| Gambar 10.1 Yang terbalik dijalankan individu ditemukan menggunakan pemograman genetik |
Di mana jarak adalah jarak robot ke target, sedangkan angleError adalah perbedaan sudut antara arah dari robot ke target dan heading dari robot. Rumus ini mewakili pengetahuan domain yang cukup diberikan kepada Sistem GA dibandingkan dengan yang diberikan kepada GP. Untuk sistem algoritma genetika lingkungan masalah dibuat lebih sederhana. Dari posisi yang sewenang-wenang, robot diberi target (asal) dan sedikit waktu untuk mencapainya. Keberhasilan robot diukur dengan jarak final robot dari target posisi. Perhatikan bahwa ini adalah masalah yang lebih mudah dan efektif sama seperti yang dilakukan untuk sistem GP, kecuali bahwa bola itu "beku", tidak bisa terlempar oleh robot.
Ukuran populasi yang digunakan adalah 40 sedangkan jumlah generasi adalah 20. Setiap
individu terdiri dari 11 KA dan 7 Kd, (18 total). Setiap keuntungan itu dikodekan sebagai gen presisi 20 bit. Setiap individu dievaluasi dari 20 acak posisi di sekitar posisi tujuan. Jumlah jarak dari posisi target digunakan sebagai fungsi kebugaran. Ada konvergensi cepat dalam 10 generasi untuk solusi yang hampir sempurna. Gambar 10.2 menunjukkan kinerja yang terbaik dari lari individu setelah 20 generasi belajar. Pertunjukannya bagus; robot mencapai posisi target dalam waktu simulasi, tetapi tidak optimal.
 |
| Gambar 10.2 Plot kinerja individu terbaik yang ditemukan menggunakan algoritma genetika |
Hasil dari evaluasi GP dan GA menunjukkan bahwa kedua teknik di dalamnya mengembangkan dan menyetel otomatis pengendali robot seluler. Secara dangkal, solusi GA tampaknya lebih baik daripada solusi GP, tetapi ini karena masalah yang berbeda skenario dan fungsi evaluasi yang digunakan. GA dievaluasi pada jarak ke posisi target pada akhir waktu simulasi, sementara GP dievaluasi pada jarak total dari bola. Posisi target ditetapkan sementara bola dapat dipukul pergi, sehingga solusi GP mencoba untuk mendekati bola sambil benar-benar menghindari memukul lebih jauh.
Dapat dilihat bahwa kedua pendekatan bervariasi secara fundamental dalam jumlah dan jenis informasi yang diperlukan untuk menyiapkan infrastruktur untuk menerapkan teknik. Teknik GP hanya membutuhkan informasi yang diperlukan oleh dua nilai output disediakan (set-point kecepatan roda) dan pemrosesan yang mengikuti adalah otomatis. Selain memastikan ada atom yang sesuai tersedia (seperti delta x dan delta y), teknik GP secara alami mencari ruang kemungkinan solusi. Jika pencarian ruang terlalu besar (misalnya, mengabaikan menyediakan atom delta x dan delta y tetapi hanya robot absolut dan posisi target) peningkatan masalah Kompleksitas berarti menemukan solusi bisa menjadi sulit. Teknik GA di sisi lain membutuhkan transformasi dari genetik representasi ke sistem eksekusi komputasi. Pengontrol gain yang dijadwalkan yang digunakan berisi controller yang dapat memecahkan masalah jika set yang benar keuntungan diberikan. Kompleksitas ruang pencarian jauh lebih kecil daripada Masalah GP. Evaluasi yang disajikan dalam bagian ini menunjukkan bahwa GAs adalah teknik yang lebih alami untuk menyertakan pengetahuan yang sudah ada di domain karena ini bisa langsung kode dalam transformasi kode genetik untuk implementasi. Dengan GP, hanya posisi alami untuk memasukkan pengetahuan sebelumnya dalam atom-atom yang tersedia; sementara sulit memaksa GP untuk maju ke arah yang lebih baik terstruktur bahkan ketika lebih banyak pengetahuan domain ada.
3. Teknik Elektro [kembali]
3.1 Algoritma Genetika dalam Sintesis Jaringan
Sintesis jaringan digital telah dikembangkan ke titik di mana sebagian besar desain bisa
dihasilkan secara otomatis di komputer. Spesifikasi yang ditulis dalam perangkat keras bahasa deskripsi seperti VHDL atau Verilog dapat dikompilasi menjadi bentuk yang sesuai untuk pemrograman FPGA atau fabrikasi sirkuit terpadu kustom penuh, dengan sedikit atau tidak ada campur tangan manusia. Situasinya sangat berbeda untuk sintesis jaringan analog. Dengan pengecualian dari sejumlah masalah terbatas yang menjadi solusi desain formal ada, tidak ada alat desain otomatis tersedia untuk jaringan analog. Sebagai
konsekuensinya kebanyakan desain jaringan analog masih dilakukan secara manual oleh yang trampil insinyur. Meskipun bagian analog dari kebanyakan sistem elektronik sering kali berukuran kecil bagian dari keseluruhan sistem, biasanya bagian paling mahal dalam hal desain upaya. Baru-baru ini ada upaya untuk mengotomatisasi desain jaringan analog
proses dengan menggunakan Genetic Algorithms (GAs) dalam hubungannya dengan tingkat tinggi pernyataan tanggapan yang diinginkan.
Tidak ada alasan pada prinsipnya mengapa topologi jaringan dan komponen nilai-nilai tidak boleh dipilih menggunakan metode yang sepenuhnya berbeda. Jelas ada a hirarki alami: topologi jaringan harus ditentukan sebelum komponen nilai dapat dipilih. Namun demikian, dua operasi ini dapat dilakukan secara terpisah, dan teknik pengoptimalan yang berbeda dapat digunakan. Secara khusus, jaringan topologi dapat dioptimalkan menggunakan GAs; untuk setiap topologi jaringan yang dihasilkan nilai-nilai komponen kemudian dapat ditentukan dengan optimasi numerik. Penampilan dari jaringan yang dioptimalkan secara numerik dikembalikan sebagai fungsi kebugaran untuk GA. Untuk masalah pengoptimalan yang melibatkan fungsi obyektif berperilaku baik, tergantung pada nilai-nilai dari sejumlah variabel tetap, sudah jelas bahwa numerik metode optimasi berkumpul lebih cepat dan melibatkan fungsi obyektif yang lebih sedikit evaluasi dari GAs. Sepertinya (meskipun tidak dapat dijamin) bahwa a pendekatan hybrid akan lebih efisien daripada GA yang menghasilkan struktur dan nilai-nilai. Tentu saja tidak ada metode optimasi yang menjamin untuk menemukan global optimum, tetapi jika pendekatan hybrid ini adalah untuk menjadi sukses optimalisasi numerik komponen nilai harus mencapai proporsi hasil yang tinggi mendekati global optimum. Ini Bagian ini bertujuan untuk menunjukkan bahwa, setidaknya untuk satu topologi jaringan, ini sebenarnya adalah kasusnya. Kinerja GA hibrida akan diilustrasikan dengan menerapkannya ke desain filter masalah menerapkannya ke masalah desain filter mapan.
3.1.1 Pemilihan Nilai Komponen dengan Optimasi Numerik
Masalah mendesain filter lowpass cut off yang ternormalisasi dengan yang berikut ini spesifikasi akan dipertimbangkan :
Pass-band edge: 1.0 rad / s
Stop-band edge: 1,5 rad / s
Keuntungan pass-band maksimum: -6 dB
Keuntungan pass-band minimum: -7 dB
Keuntungan stop-band maksimum: -52 dB
 |
| Gambar 10.3 Diakhiri dengan sama filter tangga |
Prosedur desain formal ada untuk masalah ini: urutan ke-5 menormalkan low-pass fungsi transfer eliptik diimplementasikan sebagai filter tangga sama berakhir sebagai ditunjukkan pada Gambar. 10.3. Gambar 10.4 menunjukkan respons frekuensi yang sesuai. Topologi jaringan yang ditunjukkan pada Gambar 10.3 dapat digunakan untuk menguji keefektifannya secara numerik mengoptimalkan nilai-nilai komponen. Pertama satu komponen (Ra) dipilih dan diberi nilai 1,0, dan komponen lainnya ditetapkan secara acak nilai-nilai dalam rentang 0,0 hingga 1,0. Kemudian nilai komponen (kecuali Ra) dioptimalkan numerik terhadap fungsi obyektif menggabungkan spesifikasi menggunakan algoritma optimasi kuasi-Newton berdasarkan pada Davidon-Fletcher-Powell (DFP) metode. Dalam 1000 uji coba dengan set awal acak dari nilai-nilai komponen hasilnya sepenuhnya sesuai dengan spesifikasi dalam 84% kasus. Oleh karena itu, DFP gagal menghasilkan desain yang sepenuhnya sesuai hanya dalam sebagian kecil upaya untuk topologi jaringan ini. Sebagai gantinya menggunakan GA untuk memilih komponen nilai-nilai tidak dapat mencapai tingkat keberhasilan yang jauh lebih tinggi, dan mungkin akan jauh kurang efisien dalam hal usaha komputasi. Tentu saja, pengaturan tepi pass-band ke 1.0 rad / s dan memilih Ra = 1.0 mengarah ke nilai komponen yang dikelompokkan 1.0, dan ini membuatnya lebih mungkin bahwa optimasi numerik akan berhasil.
 |
| Gambar 10.4 Respon frekuensi yang sesuai dengan filter tangga yang sama-sama dihentikan |
Untungnya, masalah desain domain frekuensi dapat diubah menjadi respons berpusat 1.0 rad / s, dan tingkat impedansi dapat diskalakan dengan tepat. 10.3.1.2 Sintesis Jaringan Menggunakan Algoritma Genetika Hibrid Telah ditetapkan, setidaknya untuk sintesis filter sederhana, yang hanya sebagian kecil topologi jaringan yang berpotensi sukses cenderung ditolak karena kegagalan optimasi numerik untuk menemukan minimum global dekat. Akibatnya a metode sintesa jaringan berdasarkan penggunaan GA untuk memilih topologi, diikuti oleh optimasi numerik untuk menentukan nilai komponen, tampaknya menjadi menarik pilihan. Untuk menguji efektivitas program sintesis jaringan GA hybrid, itu digunakan untuk merancang filter LCR pasif dengan spesifikasi yang diberikan di atas. Dasar program sintesis jaringan tidak menggabungkan aturan desain dan hanya bekerja memenuhi tujuan desain yang ditentukan; oleh karena itu antitesis lengkap dari suatu "sistem ahli". Diterapkan untuk masalah desain filter ini secara otomatis menghasilkan
jaringan LCR yang sepenuhnya kompatibel, tetapi yang mungkin kurang optimal sehubungan dengan faktor kinerja (seperti sensitivitas nilai komponen) yang tidak termasuk dalam tujuan desain. Tentu saja tujuan desain dapat dimodifikasi untuk memasukkan faktor-faktor ini, tetapi ini akan menghasilkan upaya komputasi yang meningkat secara signifikan.
Dalam kasus frekuensi-domainfilter sudah diketahui bahwa hal yang sama diakhiri jaringan memberikan sensitivitas nilai komponen yang rendah. Program sintesis adalah Oleh karena itu dibatasi untuk menghasilkan hanya jaringan LC antara penghentian nilai yang sama resistensi. Ukuran populasi dari 80 jaringan digunakan, dan program dijalankan 100 generasi. Ini memakan waktu sekitar 4 jam di PC (300 MHz Pentium II) dan jaringan yang disintesis ditunjukkan pada Gambar. 10.5. Secara signifikan jaringan yang disintesis sepenuhnya sesuai dengan spesifikasi, saat menggunakan komponen lebih sedikit dari filter yang dihasilkan dari formal tradisional proses desain berdasarkan respons eliptik. Filter yang disintesis memiliki urutan ke-5 respons dengan satu pasang nol imajiner; sebaliknya filter elips memiliki urutan kelima respon, tetapi dua pasang nol imajiner. Jumlah nol imajiner dalam respons elips ditentukan oleh urutan filter, tetapi dalam jaringan yang disintesiskan- jaringan sintesis.
 |
| Gambar 10.5 Bagan algoritma genetika |
No comments:
Post a Comment