SULIT
First Semester Examination 2017/2018 Academic Session January 2018
CCS511 – Evolutionary Computing
(Perkomputeran Berevolusi)
Duration : 2 hours (Masa : 2 jam)Please ensure that this examination paper contains SIX (6) printed pages before you begin the examination.
[Sila pastikan bahawa kertas peperiksaan ini mengandungi ENAM (6) muka surat yang bercetak sebelum anda memulakan peperiksaan ini.]
Instructions: Answer THREE (3) questions. [Arahan: Jawab TIGA (3) soalan.]
You may answer the questions either in English or in Bahasa Malaysia.
[Anda dibenarkan menjawab soalan sama ada dalam bahasa Inggeris atau bahasa Malaysia.]
In the event of any discrepancies, the English version shall be used.
[Sekiranya terdapat sebarang percanggahan pada soalan peperiksaan, versi bahasa Inggeris hendaklah diguna pakai.]
1. (a) In the context of optimization, define the terms “Objective function” and “Constraint”. Depending upon the presence or absence of the above two terms, classify problems into suitable categories using a table. Provide examples for each of these categories.
Dalam konteks pengoptimuman, takrifkan istilah-istilah "Fungsi objektif" dan "Kekangan". Bergantung kepada kewujudan atau ketiadaan dua istilah di atas, kelaskan masalah dalam kategori yang sesuai dengan menggunakan sebuah jadual. Berikan contoh-contoh bagi setiap kategori ini.
(20/100) (b) Represent the major steps involved in genetic algorithms with the aid of a
flow chart.
Wakilkan langkah-langkah utama yang terlibat dalam algoritma genetik dengan berbantukan carta alir.
(20/100) (c) The following table represents the numbers 0-7 in binary code.
Jadual berikut mewakili nombor 0-7 dalam kod perduaan.
0 1 2 3 4 5 6 7
000 001 010 011 100 101 110 111
Define grey coding. Represent the grey code equivalent of the numbers 0-7.
Takrifkan pengekodan kelabu. Wakilkan kod kelabu setara dengan nombor 0-7.
(20/100) (d) Explain the significance of incorporating elitism in an Evolutionary
Algorithm. Briefly explain how elitism can be implemented for a population size of N, given that E represents the user-defined number of elite individuals.
Jelaskan kepentingan menggabungkan elitisme dalam satu Algoritma Berevolusi. Terangkan secara ringkas bagaimana elitisme boleh dilaksanakan untuk saiz populasi N, jika diberikan E sebagai nombor takrifan-pengguna bagi individu elit.
(e) What is a performance graph? Explain which of the genetic operators could cause an erratic behaviour in the performance graph.
Apakah graf prestasi? Terangkan pengendali genetik yang manakah yang boleh menyebabkan sesuatu kelakuan yang tidak menentu dalam graf prestasi.
(20/100)
2. (a) Pertaining to the Travelling Salesman Problem (TSP), assume that a distance matrix has been computed as follows:
Berkaitan Masalah Jurujual Kembara (TSP), anggap bahawa satu matriks jarak dihitung seperti yang berikut:
D = 5 4 11 5 5 7 10 13 4 7 6 8 11 10 6 12 5 13 8 12
(i) List down the steps involved in the shortest-edge initialization algorithm. Use suitable variables. Briefly explain how it differs from the nearest-neighbour initialization.
Senaraikan langkah-langkah yang terlibat dalam algoritma pengawalan tepi-terpendek. Gunakan pemboleh ubah yang sesuai. Terangkan secara ringkas bagaimana algoritma ini berbeza daripada permulaan jiran-terdekat.
(ii) Systematically apply the above algorithm for the given distance matrix D to output an initial closed tour solution to the TSP.
Secara sistematik aplikasikan algoritma di atas bagi matriks jarak tertentu D yang diberikan untuk menghasilkan satu penyelesaian awal lawatan tertutup kepada TSP.
(iii) Simplify the above closed tour initial solution to produce an open tour solution.
Permudahkan penyelesaian awal lawatan tertutup di atas untuk menghasilkan satu penyelesaian lawatan terbuka.
(b) Let us consider autonomous robotic design problems. In order to design an optimal solution, we are considering accuracy (acc) and error (err) to test the efficiency of the robot’s performance. The main goal of this project is to navigate the mobile robot safely while avoiding obstacles along the way. There are three (3) inputs, which are front distance (fd), right distance (rd), left distance (ld) in unit cm, and two (2) outputs which are left velocity (lv) and right velocity (rv) in unit rpm. The table below shows multiple solutions for this problem.
Mari kita pertimbangkan masalah reka bentuk robot autonomi. Bagi mereka bentuk satu penyelesaian yang optimum, kita mempertimbangkan ketepatan (acc) dan ralat (err) untuk menguji kecekapan prestasi robot tersebut. Matlamat utama projek ini adalah untuk menavigasi robot mudah alih dengan selamat sambil mengelakkan halangan di sepanjang jalan. Ada tiga (3) input, iaitu jarak di hadapan (fd), jarak kanan (rd), jarak kiri (ld) dalam unit cm, dan dua (2) output iaitu halaju kiri (iv) dan halaju kanan (rv) dalam unit rpm. Jadual di bawah menunjukkan beberapa penyelesaian bagi masalah ini.
Solutions / Solusi fd rd rv acc lv rv err
A 15 45 3 59 12 77 0.04 B 10 67 3 28 9 88 0.05 C 10 45 4 47 10 89 0.06 D 17 45 3 62 9 90 0.05 E 12 50 2 63 10 91 0.08 F 12 51 3 55 11 77 0.07 G 12 52 3 75 12 91 0.09
(i) Draw a schematic diagram of multi-objective optimisation procedure based on the above problem.
Lukis satu gambar rajah skematik tatacara pengoptimuman berbilang-objektif berdasarkan masalah di atas.
(10/100) (ii) Draw all possible Pareto-optimal based on the above solutions.
Lukis semua Pareto-optimum yang boleh didapati berdasarkan penyelesaian-penyelesaian di atas.
(iii) Compare all solutions based on all Pareto-optimal that you obtained in 2(b)(ii).
Bandingkan semua penyelesaian berdasarkan semua Pareto-optimum yang diperolehi dalam 2(b)(ii).
(20/100)
3. (a) Describe the Genetic Algorithm on Schema Theorem with suitable examples towards:
Huraikan Algoritma Genetik berdasarkan Teorem Skema dengan contoh-contoh yang sesuai terhadap:
(i) Selection with assumption, probability selection for any individual x, average fitness and the effect.
Pemilihan dengan andaian, kebarangkalian pemilihan bagi mana-mana individu x, purata kecergasan dan kesan.
(ii) Crossover with assumption, crossover survival (survived and destroyed), crossover probability, crossover operations (lower and upper bound) and the effect.
Given: H = ***11, Pc = 1/2 and let’s assume the individual y generated by 1N-1 where (N= 1… h), H(y∈H), f(y) denotes the fitness value and h is the possible occurrence of H.
Pindah-silang dengan andaian, ikhtiar pindah-silang (terselamat dan termusnah), kebarangkalian pindah-silang, operasi persilangan (batas bawah dan atas) dan kesan.
Diberi: H = *** 11, Pc = 1/2 dan anggap y individu yang dijana oleh 1N-1 dengan (N = 1... h), H(y∈H), f(y) menandakan nilai kecergasan dan h adalah kejadian yang mungkin bagi H.
(38/100) (b) The most common approach to handle constraints (particularly, inequality constraints) is to use penalties. Define all the penalty functions with explanations.
Pendekatan yang paling biasa untuk menangani kekangan (khususnya, ketidaksamaan kekangan) adalah dengan menggunakan dendaan. Takrifkan semua fungsi dendaan dengan penjelasan.
(c) (i) Compare Genetic Algorithm and Swarm Intelligence based on goal, nature, technique and the idea of evolution.
Bandingkan Algoritma Genetik dan Kecerdasan Swarm berdasarkan kepada matlamat, semula jadi, teknik dan evolusi idea.
(ii) Choose one (1) Swarm Intelligence algorithm and define the contrasts with Genetic Algorithm.
Pilih satu (1) algoritma Kecerdasan Swarm dan nyatakan perbezaan dengan Algoritma Genetik.
(40/100) (d) Discuss why do hybrid algorithms always report much better performance than non-hybrid algorithms. Give one (1) example of the hybridisation based on algorithms in 3(c)(ii).
Bincangkan mengapa algoritma hibrid sentiasa melaporkan prestasi yang lebih baik daripada algoritma bukan hibrid. Beri satu (1) contoh penghibridan berdasarkan algoritma-algoritma dalam 3(c)(ii).
(10/100)
