Penerapan Algoritma Genetika untuk mengoptimalkan penempatan fasilitas layanan publik

Info proyek

• Bidang studiSosiologi dan Kebijakan Publik
• JenjangDisertasi (S3)
• Jenis metodeOptimasi
• Perkiraan pengerjaan± 7 hari kerja
• Perangkatnumpy (implementasi manual GA); matplotlib
• HargaRp 550.000 - Rp 3.350.000

Tujuan analisis

Mencari nilai jumlah fasilitas dan kapasitas layanan terbaik untuk mengoptimalkan total jarak tempuh warga dengan Algoritma Genetika, lalu membandingkan skenario hasilnya.

Variabel

Contoh hasil

• 38.991Best objective
• 38.991Global optimum
• 0Gap to optimum %
• 99.999Improvement %
• 24Population size
• 22Generations

Algoritma genetika (populasi 24, 22 generasi) meminimalkan Total jarak tempuh warga hingga 38.99 pada Jumlah fasilitas = 100.41 dan Kapasitas layanan = 119.80; selisih dari optimum global 0.00%.

Dihitung dari data sintetis sebagai ilustrasi, bukan dari penelitian nyata.

Tentang Algoritma Genetika

Algoritma genetika mencari solusi optimal dengan meniru evolusi: seleksi, persilangan, dan mutasi pada populasi solusi. Cocok untuk masalah optimasi nonlinear atau kombinatorial yang sulit diselesaikan dengan metode berbasis gradien.

Langkah pengerjaan

1. 1Definisikan fungsi tujuan dan batas variabel
2. 2Bangkitkan populasi awal acak
3. 3Hitung fitness dan seleksi induk (turnamen)
4. 4Lakukan persilangan dan mutasi, simpan individu terbaik (elitisme)
5. 5Ulangi sampai generasi maksimum atau konvergen
6. 6Plot kurva konvergensi dan laporkan solusi terbaik

Asumsi yang perlu diperiksa

• Fungsi tujuan dapat dievaluasi dengan murah
• Parameter (populasi, mutasi, generasi) disetel secukupnya
• Tidak ada jaminan menemukan optimum global sehingga perlu beberapa kali jalan

Membaca dan melaporkan hasil

Laporkan parameter GA, solusi terbaik, nilai tujuan, dan kurva konvergensi dari beberapa kali jalan dengan seed berbeda. Bandingkan dengan metode lain untuk menunjukkan kualitas solusi.

Contoh kode Python

Skrip awal singkat dengan nama variabel proyek ini. Versi yang diserahkan disesuaikan dengan data Anda dan diberi komentar lengkap.

import numpy as np
import matplotlib.pyplot as plt

def rastrigin(p):
    return 20 + (p ** 2 - 10 * np.cos(2 * np.pi * p)).sum(axis=1)

rng = np.random.default_rng(31)
dim, pop_n, gens = 2, 60, 80
lo, hi = -5.12, 5.12
facility_count = rng.uniform(lo, hi, (pop_n, dim))      # population
best_hist = []
for g in range(gens):
    total_resident_travel_distan = rastrigin(facility_count)                   # cost (to minimise)
    best_hist.append(total_resident_travel_distan.min())
    elite = facility_count[total_resident_travel_distan.argmin()].copy()
    # tournament selection
    idx = rng.integers(0, pop_n, (pop_n, 2))
    win = np.where(total_resident_travel_distan[idx[:, 0]] < total_resident_travel_distan[idx[:, 1]], idx[:, 0], idx[:, 1])
    parents = facility_count[win]
    # blend crossover
    mates = parents[rng.permutation(pop_n)]
    alpha = rng.random((pop_n, 1))
    child = alpha * parents + (1 - alpha) * mates
    # gaussian mutation
    mask = rng.random(child.shape) < 0.1
    child = child + mask * rng.normal(0, 0.3, child.shape)
    child = np.clip(child, lo, hi)
    child[0] = elite
    facility_count = child

final = rastrigin(facility_count)
print("Best cost:", round(final.min(), 5))
print("Best solution:", facility_count[final.argmin()].round(4))

plt.plot(best_hist)
plt.xlabel("Generation"); plt.ylabel("Best cost")
plt.show()

Paket dan harga

Pilih seberapa banyak bantuan yang Anda perlukan. Setiap paket yang lebih tinggi sudah mencakup semua item paket di bawahnya. Harga belum termasuk PPN 11%.

• Pembayaran: DP 50% sebelum pekerjaan dimulai, pelunasan setelah hasil diserahkan
• Pajak: Harga belum termasuk PPN 11%
• Data dan integritas akademik: Hasil dihitung dari data penelitian Anda sendiri; Anda yang menulis dan mempertanggungjawabkan naskah, kami membantu analisis dan pemahaman
• Revisi: Maksimal 2 kali revisi termasuk dalam harga (Paket 3: 3 kali)

Pertanyaan umum