Paling banyak satu email per minggu. Berhenti kapan saja dengan satu klik.
Transkrip
Narasi lengkap video ini. Kalimat yang sedang diucapkan disorot saat video diputar; klik kalimat untuk melompat ke sana.
Tampilkan transkrip
Pembuka
Inilah hasil akhirnya, NSGA-2 yang kita tulis sendiri. Dari generasi 10 yang masih berantakan sampai generasi 400, populasi bergerak menuruni ruang objektif dan menempel di front pareto sebenarnya ZDT-1, ZDT-2, dan ZDT-3. Ayo kita mulai. Halo, selamat datang di episode kedua seri Meta Heuristik Hybrid Multi-Objektif. NSGA-2, karya DEB dan rekan tahun 2002, adalah algoritma multi-objektif yang paling banyak dikutip dan menjadi pembanding wajib di setiap makalah. Dua idenya sederhana tapi cerdas, urutkan solusi berdasarkan lapisan front, dan jaga sebaran dengan crowding distance. Hari ini kita menulisnya dari nol.
Langkah 1: Non-dominated sorting & crowding
Buat file NSGA-2.py Fungsi urut non-dominasi menghitung matriks dominasi, lalu mengupas front satu per satu, solusi yang tidak didominasi siapapun menjadi front nol, dihapus, lalu front berikutnya dicari dari sisanya. Fungsi jarak crowding mengukur kerapatan tetangga. Untuk setiap objektif, solusi diurutkan dan jaraknya dihitung dari selisih tetangga kiri dan kanan. Solusi di kedua ujung diberi nilai tak hingga agar ujung front selalu dipertahankan. Simulated binary crossover menghasilkan dua anak di sekitar kedua induk,
Langkah 2: SBX, mutasi & seleksi elitis
dengan sebaran yang dikendalikan indeks distribusi eta, meniru perilaku crossover binar pada bilangan real. Mutasi polinomial menggeser rata-rata satu variabel per solusi. Seleksi lingkungan menggabungkan induk dan anak, lalu memilih seratus terbaik, yang peringkat frontnya lebih kecil didahulukan, dan di front terakhir yang crowding distance-nya lebih besar dipilih.
Langkah 3: Loop utama NSGA-I
Fungsi NSGA-2 merangkai semuanya. Setiap generasi, turnamen binar memilih induk, peringkat lebih kecil menang, dan bila seri, crowding lebih besar menang. Anak dibuat dengan SBX dan mutasi, lalu seleksi elitis memilih generasi berikutnya. Front Pareto disimpan pada generasi tertentu untuk divisualisasikan.
Langkah 4: Uji pada ZDT1-3
Buat file uji underscore NSGA-2.py dan jalankan. Contoh enam solusi menghasilkan peringkat 0, 1, 0, 2, 3, 0, sesuai lapisan dominasinya. Setelah 400 generasi, jarak rata-rata ke front sebenarnya ZDT10,0047, ZDT20,0034, dan ZDT30,0107, masing-masing hanya sekitar 1 detik. Mari lihat grafiknya. Pada generasi 10, front masih jauh di atas. Pada generasi 100 mulai mendekat, dan pada generasi 400 menempel rapat di front sebenarnya dengan sebarang rata, termasuk 5 segmen ZDT3 yang terputus. Selesai. Kita sudah menulis NSGA-2 dari 0 dengan fast non-dominated sorting, crowding distance, SBX, mutasi polinomial, dan seleksi elitis, lalu memvalidasinya pada 3 fungsi uji. Di episode berikutnya kita membangun pendekatan berbeda, Mo-PSO dengan Arsip Pareto. Sedang menyusun skripsi, tesis, atau riset di bidang optimasi dan kecerdasan buatan? Cerdas inovasi digital membantu implementasi algoritma optimasi, dari NSGA-2 dan Mo-PSO, 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.
Tanya materi kelas
Ketik pertanyaan atau kata kunci; kami carikan bagian episode ini yang menjelaskannya dan lompatkan videonya ke sana.
Catatan saya
Catatan disimpan bersama menit video saat ini dan hanya terlihat oleh Anda.
Tanya jawab
Bingung di salah satu langkah? Tanyakan di sini; pengajar dan peserta lain bisa menjawab.
Belum ada pertanyaan.
Pengajar
Tim Cerdas Inovasi Digital
Pengembang software, engineer BIM & 3D, dan praktisi AI
52 kelas video1.276 episode
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.
