Memuat
Memuat
Lihat semua langkah di atas dipraktikkan langsung, lengkap dengan narasi.
0 kali ditonton
Buku kelas
Halaman 1 / 6
Sampul: Kelas Optimasi Multi-Objektif NSGA-II MOPSO Hybrid #1: Optimasi Multi-Objektif: Pareto Front, Dominasi, dan Fungsi Uji ZDT/DTLZ
Klik halaman atau ◀ ▶ untuk membalik · geser di HP · untuk memperbesar
Ingin belajar lebih dalam?
Ikuti kursus kami atau tanyakan langsung lewat WhatsApp.
Dipilih dari software, topik, dan level “Kelas Optimasi Multi-Objektif NSGA-II MOPSO Hybrid #1: Optimasi Multi-Objektif: Pareto Front, Dominasi, dan Fungsi Uji ZDT/DTLZ”.
Pilihan lain dari kami untuk Python.
Belajar bareng mentor
Kursus AI & Kecerdasan Buatan terjadwal, dibimbing langsung, bersertifikat.

Kursus Optimasi Multi-Objektif: NSGA-II, MOPSO & Algoritma Hybrid (Python)

Kursus Klasifikasi Aritmia EKG dengan Wavelet & Deep Learning (PyTorch)

Kursus ANFIS + PSO/GA untuk Peramalan Deret Waktu Non-Linear (Python)
Minta dibuatkan
Tidak sempat belajar Python? Tim kami bisa mengerjakan proyeknya.

Jasa Machine Learning Python — Model Prediksi, Segmentasi Pelanggan, Deteksi Fraud & Aplikasi AI

Jasa Pembuatan Gambar AI dengan Stable Diffusion — Produksi Visual Custom Tanpa Batas
★ 4.9

Jasa Pembuatan Gambar & Video AI dengan Leonardo AI — Visual All-in-One untuk Bisnis
★ 4.9
Kabari saya kalau ada kelas Python baru
Paling banyak satu email per minggu. Berhenti kapan saja dengan satu klik.
Narasi lengkap video ini. Kalimat yang sedang diucapkan disorot saat video diputar; klik kalimat untuk melompat ke sana.
Inilah hasil akhirnya, empat fungsi uji multi-objektif standar beserta front pareto sebenarnya, dari kurva cembung, cekung, terputus, sampai permukaan bola tiga dimensi. Kita juga melihat bahwa 300 solusi acak masih sangat jauh dari front terbaik. Ayo kita mulai. Halo, selamat datang di seri tutorial riset, algoritma metaheuristik hybrid untuk optimasi multi-objektif skala besar. Di dunia nyata kita jarang punya satu tujuan, desain mobil harus ringan sekaligus kuat, jaringan listrik harus murah sekaligus andal. Tujuan-tujuan ini saling bertentangan. Di seri 6 episode ini kita membangun semuanya dari nol, konsep pareto, NSGA2, MoPSO, algoritma hybrid, metri kinerja, sampai studi kasus skala besar dengan uji statistik.
Buat file masalah .py ZDT1 punya 2 objektif dan 30 variable, F1 sama dengan X1, dan F2 bergantung pada fungsi G dari variable lainnya. Front pareto tercapai saat X2 sampai X30 bernilai 0, membentuk kurva cembung F2 sama dengan 1 dikurangi akar F1. ZDT2 serupa tetapi frontnya cekung, dan ZDT3 frontnya terputus menjadi 5 segmen karena suku sinus. DTLZ2 punya 3 objektif dengan front berupa 1.8 permukaan bola satuan.
Fungsi front sebenarnya membangkitkan titik-titik front pareto teoretis untuk setiap fungsi uji, dipakai untuk mengukur kualitas algoritma. Fungsi mendominasi memeriksa apakah solusi A mendominasi B, tidak lebih buruk di semua objektif dan lebih baik di minimal 1. Fungsi non-dominasi mencari semua solusi yang tidak didominasi solusi lain, dihitung sekaligus dengan perbandingan matriks nampai.
Buat file uji underscore masalah .py dan jalankan. Dari 300 solusi acak ZDT1, hanya 16 yang tidak didominasi, dan F2 terbaiknya 2,55, padahal front sebenarnya mencapai 0. Contoh dominasi, solusi dengan F1 0,54 dan F23,26 mendominasi solusi 0,63 dan 3,86, tetapi tidak sebaliknya. Solusi optimal ZDT1 dengan variabel lain 0 tepat berada di kurva teoretis, dan solusi DTLZ2 di front punya jumlah kwadrat objektif tepat 1, sesuai permukaan bola.
Mari lihat grafiknya. Pada ZDT1, titik abu-abu solusi acak berada jauh di atas garis hitam front sebenarnya, dan titik merah adalah solusi yang tidak didominasi di antara mereka. Tiga panel lain memperlihatkan bentuk front yang berbeda, cekung, terputus, dan permukaan tiga dimensi. Algoritma yang baik harus bisa menangani semua bentuk ini.
Selesai. Kita sudah memahami dominasi, himpunan non-dominasi, front pareto, dan menulis fungsi uji ZDT1, ZDT2, ZDT3, serta DTLZ2. Di episode berikutnya kita membangun NSGA2, algoritma multi-objektif paling terkenal, dari nol. Sedang menyusun skripsi, tesis, atau riset di bidang optimasi dan kecerdasan buatan? Cerdas inovasi digital membantu implementasi algoritma optimasi, dari NSGA2 dan MOPSO, perancangan algoritma hybrid, sampai metrik hypervolume dan IG, deserta uji statistik perbandingan algoritma, serta membuka kursus pemrograman Python untuk teknik. Ingin menguasai seluruh seri ini, dari konsep pareto sampai studi kasus skala besar? Semua 6 episode, lengkap dengan PDF panduan langkah demi langkah dan source code, tersedia untuk pelanggan tutorial premium. Berlangganan mulai Rp69.000 per bulan, hemat 28% dengan paket 12 bulan, atau sekali bayar Rp999.000 untuk akses seumur hidup. Mau satu kelas saja? Beli kelas satuan dengan akses selamanya. Langganan sekarang di halaman premium cerdasinovasidigital.com. Hubungi WhatsApp kami, atau kunjungi cerdasinovasidigital.com. Terima kasih telah menonton, sampai jumpa di episode berikutnya. Terima kasih telah menonton,
Ketik pertanyaan atau kata kunci; kami carikan bagian episode ini yang menjelaskannya dan lompatkan videonya ke sana.
Catatan disimpan bersama menit video saat ini dan hanya terlihat oleh Anda.
Bingung di salah satu langkah? Tanyakan di sini; pengajar dan peserta lain bisa menjawab.
Belum ada pertanyaan.

Tim Cerdas Inovasi Digital
Pengembang software, engineer BIM & 3D, dan praktisi AI
Sehari-hari kami mengerjakan software, model BIM, game, dan otomasi AI untuk klien, lalu menjadikan pengalaman praktik itu kelas langkah demi langkah: setiap langkah diperlihatkan di layar dan dilengkapi panduan PDF.
Lihat klien kami →