MAKALAH
KECERDASAN BUATAN
DISUSUN OLEH : MERY ARIYANI
NPM: 11010018
PROGRAM STUDI TEKNIK INFORMATIKA
FAKULTAS ILMU KOMPUTER
UNIVERSITAS DEHASEN BENGKULU
2012
KATA PENGANTAR BAB I PENDAHULU
A. Latar Belakang Masalah B. Rumusan Masalah C. Tujuan Penulisan
BAB II LANDASAN TEORI A. Konsep Himpunan Fuzzy B. Komputasi Lunak
C. Heuristik dan Metaheuristics
D. Sebuah Tujuan Komponen Soft Computing E. Hybrid Metaheuristics dalam komputasi lunak BAB III PEMECAHAN MASALAH
BAB IV PENUTUP Kesimpulan
MAKALAH KECERDASAN BUATAN TENTANG SOFT
COMPUTING
Puji syukur kita panjatkan kehadirat Allah SWT yang telah memberikan nikmatnya sehingga makalah ini dapat tersusun. Selawat serta salam tercurahkan selalu kepada junjungan Nabi besar Muhammad SAW, karena beliau yang telah membawa manusia dari zaman kebodohan menuju zaman modern yang penuh dengan ilmu pengetahuan.
Terima kasih saya ucapkan kepada Bapak Andang Sunarto,S.SI,M.KOM dosen mata kuliah kecerdasan buatan, mudah – mudahan ilmu yang Bapak berikan kepada Saya khusunya dan umumnya kepada kami semua bermanfaat.
Penyusunan makalah ini diajukan sebagai salah satu tugas pada mata kuliah kecerdasan buatan
Namun penyusun tetap mengharapkan kritik dan saran yang bersifat konstruktif sehingga bisa menjadi acuan dalam penyusunan makalah ini dapat bermanfaat.
BAB I
PENDAHULUAN
A. Latar Belakang Masalah
domainnya. Dalam perspektif ini, metodologi konstituen utama dalam SC adalah saling melengkapi dan bukan kompetitif. Selain itu, soft computing dapat dilihat sebagai komponen dasar untuk bidang muncul dari kecerdasan konseptual.
B. Rumusan Masalah
Apa Soft Computing?
Soft computing berbeda dari konvensional (keras) dalam komputasi bahwa, tidak seperti komputasi keras, itu adalah toleran terhadap ketidaktepatan, ketidakpastian, kebenaran parsial, dan pendekatan. Akibatnya, panutan bagi soft computing adalah pikiran manusia. Prinsip dari soft computing adalah: Eksploitasi toleransi untuk ketidaktepatan, ketidakpastian, kebenaran parsial, dan pendekatan untuk mencapai dikendalikan, ketahanan dan solusi biaya rendah. Ide-ide dasar yang mendasari perhitungan lunak dalam inkarnasi saat ini memiliki hubungan dengan pengaruh sebelumnya banyak, di antaranya 1.965 kertas Zadeh pada set fuzzy; kertas 1973 tentang analisis sistem yang kompleks dan proses pengambilan keputusan, dan laporan 1979 (1981 kertas) pada teori kemungkinan dan lunak analisis data. Dimasukkannya komputasi saraf dan genetik dalam komputasi soft computing datang dilainwaktu.
computing bukan sebuah melange. Sebaliknya, itu adalah kemitraan di mana masing-masing mitra kontribusi metodologi yang berbeda untuk mengatasi masalah dalam domainnya. Dalam perspektif ini, metodologi konstituen utama dalam SC adalah saling melengkapi dan bukan kompetitif. Selain itu, soft computing dapat dilihat sebagai komponen dasar untuk bidang muncul dari kecerdasan konseptual.
Pentingnya Soft Computing
harus ke tingkat yang sama. Saat ini, Grup BISC (Berkeley Initiative pada Soft Computing) terdiri dari hampir 600 mahasiswa, dosen, karyawan organisasi swasta dan non-swasta dan, lebih umum, individu yang memiliki kepentingan atau aktif dalam soft computing atau bidang terkait. Saat ini, BISC memiliki lebih dari 50 Afiliasi Kelembagaan, dengan barisan mereka terus tumbuh jumlahnya.
Di Berkeley, BISC menyediakan lingkungan yang mendukung bagi pengunjung, postdocs dan mahasiswa yang tertarik dalam soft computing dan aplikasi. Dalam dukungan, utama untuk BISC berasal dari perusahaan anggota.
Sekilas Ke Masa Depan
C. Tujuan Penulisan
Adapun tujuan dan maksud penulisan dalam makalah ini adalah :
1. Untuk mengetahui salah satu tugas mata kuliah kecerdasan buatan semester genap 2012
2. Untuk mengetahui tentang soft computing.
BAB II
LANDASAN TEORI
A.konsep himpunan fuzzy
Konsep himpunan fuzzy diperkenalkan oleh Zadeh pada tahun 1965 untuk memungkinkan elemen milik satu set pun dalam bertahap daripada cara mendadak (keanggotaan memungkinkan yaitu dinilai dalam interval [0,1], bukan dalam himpunan {0,1} ). Sejak saat itu, aplikasi dan perkembangan berdasarkan konsep sederhana telah berevolusi sedemikian rupa sehingga praktis tidak mungkin saat ini untuk menemui daerah atau masalah di mana aplikasi, perkembangan, produk, dll tidak didasarkan pada fuzzy set.
mungkin untuk sementara masalah dapat dinyatakan dalam istilah fuzzy, tidak dapat dipecahkan dengan teknik fuzzy.
Kemudahan menyelesaikan masalah nyata semakin besar, ketidakmungkinan untuk menemukan solusi yang tepat untuk masalah ini dalam setiap kasus, dan kebutuhan untuk memberikan jawaban atas situasi praktis dipertimbangkan dalam banyak kasus telah menyebabkan meningkatnya penggunaan heuristik-jenis algoritma yang telah terbukti menjadi alat yang berharga mampu memberikan solusi di mana algoritma pasti tidak mampu. Dalam beberapa tahun terakhir, katalog besar teknik heuristik telah muncul terinspirasi oleh prinsip bahwa kepuasan lebih baik dari optimasi, atau dengan kata lain, daripada tidak bisa memberikan solusi optimal untuk masalah, lebih baik untuk memberikan solusi yang setidaknya memuaskan pengguna dalam beberapa cara tentukan sebelumnya, dan ini telah terbukti sangat efektif.
Hal ini juga diketahui bahwa ketika kita berbicara tentang subjektivitas manusia, atau bahkan kedekatan dengan nilai yang ideal, cara komparatif terbaik dari pemodelan situasi seperti ini adalah dengan cara fuzzy set, atau lebih umum dengan metodologi soft computing. Metode pemodelan subjektivitas (yang begitu berkembang di bidang lain) hampir tidak pernah diterapkan pada kasus desain algoritma heuristik meskipun semua indikasi bahwa ini mungkin akan pendekatan yang sangat menjanjikan karena selain memberikan solusi yang sedekat mungkin dengan optimal sebagai terkenal lainnya yang heuristik konvensional,
Akibatnya, bagian berikutnya menyajikan konsep mantan soft computing dan konstituen utamanya klasik. Kemudian bagian 3 berfokus pada definisi heuristik dan metaheuristics. Tinjauan komponen soft computing dilakukan pada bagian 4, dan di bagian 5 metaheuristics hibrida baru dalam soft computing dan disajikan secara singkat dijelaskan. Kesimpulan utama dan bibliografi menutup kertas.
B. Komputasi Lunak
Sebelum 1994 ketika Zadeh [2] pertama kali didefinisikan "soft computing", konsep saat ini-ditangani dulu dimaksud dalam cara yang terisolasi, dimana setiap difirmankan individual dengan indikasi penggunaan metodologi fuzzy. Meskipun ide mendirikan bidang soft computing tanggal kembali ke 1990 [3], itu dalam [2] yang didirikan Zadeh definisi soft computing dalam istilah berikut:
terutama berkaitan dengan ketidaktepatan dan penalaran perkiraan; neurocomputing dengan pembelajaran dan kurva-fitting, dan penalaran probabilistik dengan ketidakpastian dan propagasi keyakinan ".
Oleh karena itu jelas bahwa daripada definisi yang tepat untuk soft computing, itu bukan ditentukan oleh ekstensi, melalui konsep yang berbeda dan teknik yang mencoba untuk mengatasi kesulitan yang timbul dalam masalah nyata yang terjadi dalam dunia yang tidak tepat, tidak pasti dan sulit untuk mengkategorikan.
Ada berbagai upaya selanjutnya untuk lebih mengasah definisi ini, dengan hasil yang berbeda, dan di antara definisi alternatif yang mungkin, mungkin yang paling cocok adalah yang disajikan dalam [4]: "Setiap proses komputasi yang sengaja mencakup ketidaktepatan ke dalam perhitungan pada satu atau tingkat lebih dan memungkinkan ketidaktepatan ini baik untuk mengubah (menurunkan) granularity dari masalah, atau untuk "melunakkan" tujuan optimalisasi pada tahap tertentu, didefinisikan sebagai miliknya bidang komputasi lunak ".
pertimbangan analogi, pendekatan, dll Dalam pengertian ini, soft computing adalah keluarga masalah resolusi metode dipimpin oleh penalaran perkiraan dan metode pendekatan fungsional dan optimasi, termasuk metode pencarian. Soft computing karena itu dasar teoritis untuk bidang sistem cerdas dan jelas bahwa perbedaan antara bidang kecerdasan buatan dan sistem cerdas adalah bahwa yang pertama didasarkan pada komputasi keras dan kedua pada soft computing.
Dari konsepsi terakhir dari soft computing, bermain set fuzzy dan fuzzy logic peran tentu dasar, kita dapat menggambarkan daerah lain muncul di sekitarnya hanya dengan mempertimbangkan beberapa kemungkinan kombinasi yang dapat timbul:
1. Dari tingkat pertama dan awal dengan metode penalaran perkiraan, ketika kita hanya berkonsentrasi pada model probabilistik, kita menemukan teori Dempster-Shafer dan jaringan Bayesian. Namun, ketika kita mempertimbangkan metode probabilistik dikombinasikan dengan logika fuzzy, dan bahkan dengan beberapa multi-nilai logika lain, kita menemukan apa yang kita sebut model probabilistik hibrida, model probabilitas teori fundamental untuk acara fuzzy, model acara kabur keyakinan, dan diagram pengaruh fuzzy.
logika fuzzy dengan jaringan saraf dan EA yang fuzzy logika sistem berbasis hibrida, eksponen terkemuka yang sistem saraf fuzzy, pengendali disesuaikan dengan jaringan saraf (sistem fuzzy saraf yang berbeda dari sistem saraf yang disebutkan sebelumnya kabur ), dan fuzzy logic berbasis pengendali yang dibuat dan disesuaikan dengan EA.
3. Bergerak melalui tingkat pertama ke daerah besar lainnya tertutup oleh soft computing (fungsional pendekatan / metode optimasi) komponen pertama yang muncul adalah bahwa jaringan saraf dan model yang berbeda. Yang timbul dari interaksi dengan metodologi logika fuzzy dan metodologi EA adalah sistem saraf hibrida, dan di kontrol fuzzy tertentu parameter jaringan, dan generasi formal dan generasi berat dalam jaringan saraf.
4. Komponen khas keempat soft computing dan mungkin yang terbaru belum mungkin paling up-to-date adalah bahwa EA, dan terkait dengan empat besar, area penting: strategi evolusi, pemrograman evolusioner, GA, dan pemrograman genetik. Jika kita hanya fokus pada daerah-daerah terakhir, kita bisa menganggap bahwa dalam hal ini campuran dari metodologi dan teknik yang terkait dengan berujung soft computing dalam tiga baris penting: sistem genetik fuzzy, sistem bioinspired, dan aplikasi untuk kontrol fuzzy parameter evolusi .
bioinspired, dan aplikasi kontrol fuzzy pada parameter evolusi, topik penting lainnya yang hilang dari penjelasan ini. Kedua, jika kita mengacu khususnya untuk sistem bioinspired, jelas bahwa tidak hanya mereka produk dari logika fuzzy, jaringan syaraf atau EA (dengan semua varian yang kami dapat mempertimbangkan untuk ketiga komponen) tetapi juga yang lainnya sangat penting metodologi yang terlibat di dalamnya.
Dalam bagian-bagian yang mengikuti karena itu kita akan membenarkan definisi baru untuk komponen soft computing, yang pertama kali disebut dalam [6], untuk memberikan perspektif yang lebih jelas dari daerah yang berbeda bahwa ini meliputi tanpa kehilangan esensi.
C. Heuristik dan Metaheuristics
Seperti yang telah disebutkan di atas, sejak pertengahan tahun 1990, GA (atau EA dari sudut pandang umum) telah terbukti sangat berharga untuk menemukan solusi yang baik untuk masalah spesifik dalam bidang tersebut, dan berkat daya tarik ilmiah mereka, keragaman aplikasi mereka dan efisiensi besar solusi mereka dalam sistem cerdas, mereka telah dimasukkan ke tingkat kedua komponen soft computing.
EA, bagaimanapun, adalah hanya kelas lain dari heuristik, atau metaheuristics, dengan cara yang sama dengan Pencarian Taboo, Simulated Annealing, Hill Climbing, Search Neighbourhood Variabel, Estimasi Algoritma Distribusi (EDA), Menyebarkan Cari, GRASP, Cari Reaktif dan lain-lain sangat banyak berada. Secara umum, semua algoritma heuristik (metaheuristics) biasanya memberikan solusi yang tidak ideal, tetapi yang sebagian besar memenuhi pembuat keputusan atau pengguna. Saat ini bertindak atas dasar bahwa kepuasan lebih baik dari optimasi, mereka sempurna menggambarkan kalimat yang terkenal itu Zadeh [2]: "... berbeda dengan komputasi drive tradisional, soft computing memanfaatkan toleransi untuk ketidaktepatan, ketidakpastian, dan kebenaran parsial untuk mencapai tractability , ketahanan, hubungan rendah solusi-biaya, dan lebih baik dengan realitas ".
Biasanya ada kontroversi tentang perbedaan antara metaheuristics dan heuristik, dan sementara itu bukan maksud kami disini untuk masuk ke dalam perdebatan ini, kami tertarik untuk menawarkan refleksi singkat tentang kedua konsep. Heuristik istilah berasal dari kata Yunani "heuriskein", makna yang berkaitan dengan konsep menemukan sesuatu dan terkait dengan seru Archimedes terkenal dan seharusnya, "Eureka!".
Atas dasar ini, sejumlah besar prosedur heuristik telah dikembangkan untuk memecahkan masalah optimasi yang spesifik dengan sukses besar, dan yang terbaik dari ini telah diekstrak dan digunakan dalam masalah lain atau dalam konteks yang lebih luas. Hal ini telah memberikan kontribusi terhadap perkembangan ilmiah bidang penelitian dan untuk perluasan penerapan hasil-hasilnya. Akibatnya, metaheuristics telah muncul, sebuah istilah yang muncul untuk pertama kalinya dalam sebuah artikel oleh Fred Glover pada tahun 1986.
Para metaheuristics jangka berasal dari kombinasi heuristik kata dengan awalan meta (berarti luar atau dari tingkat yang lebih tinggi), dan meskipun tidak ada definisi formal untuk metaheuristics panjang, berikut dua proposal memberi gambaran yang jelas tentang gagasan umum istilah:
b) S. Voss dkk. [19]: "adalah proses berulang-ulang master yang panduan dan memodifikasi operasi heuristik bawahan untuk secara efisien menghasilkan solusi berkualitas tinggi".
Oleh karena itu jelas bahwa metaheuristics lebih luas sikat dari heuristik. Pada bagian berikut, kita akan fokus pada konsep metaheuristics, dan akan mulai dengan menunjukkan bahwa dalam istilah yang kita telah mendefinisikan, metaheuristics tertentu akan selalu lebih baik daripada yang lain dalam hal kinerja mereka ketika datang untuk memecahkan masalah.
D.Sebuah tinjauan Komponen Soft Computing
Kembali ke uraian sebelumnya dari komponen yang menggambarkan soft computing pada tingkat yang berbeda, kita dapat mengatakan bahwa tingkat kedua yang paling penting komponen penalaran probabilistik, logika fuzzy dan set, jaringan saraf dan mengingat apa yang telah kami jelaskan, metaheuristics ( yang biasanya akan mencakup EA tapi tidak akan terbatas ini secara eksklusif). Kerangka baru untuk mendefinisikan metodologi utama yang membentuk soft computing karena itu akan digambarkan seperti pada diagram berikut:
kita untuk mengeksplorasi teori-praktis aspek baru yang berasal dari penampilan metaheuristics antara komponen ini.
Ada begitu banyak dan seperti berbagai metaheuristics tersedia yang praktis tidak mungkin untuk menyetujui satu cara universal yang diterima untuk mengklasifikasi mereka. Namun demikian, hirarki yang ada konsensus yang paling menganggap tiga (atau empat) kelompok utama:
1) metaheuristics untuk prosedur evolusi berdasarkan set solusi yang berkembang sesuai dengan prinsip-prinsip evolusi alam.
2) metaheuristics untuk metode relaksasi, metode pemecahan masalah dengan menggunakan adaptasi dari model asli yang lebih mudah untuk menyelesaikan.
3) metaheuristics untuk pencarian lingkungan, yang mengeksplorasi ruang solusi dan mengeksploitasi struktur lingkungan terkait untuk solusi ini.
4) jenis lain metaheuristics penengah antara yang disebutkan di atas atau berasal dalam beberapa cara dari mereka, tetapi yang kita tidak akan mempertimbangkan karena variabilitas besar mereka (dan untuk menghindari dispersi).
mempertahankan esensi dari definisi asli Zadeh, tetapi generalizes dan mengembangkannya dengan merenungkan baru kemungkinan. Akibatnya, jika kita menyebut empat kelompok metaheuristics MH (1), ... MH (4), masing-masing, diagram sebelumnya sekarang dapat diwakili lebih eksplisit seperti yang ditunjukkan di bawah ini,
Dalam rangka untuk menunjukkan berbagai bidang studi yang kami miliki ketika metaheuristics diambil sebagai komponen dasar, dalam bagian berikut kita akan berkonsentrasi pada menggambarkan hybridizations yang timbul melalui penggunaan kategorisasi sebelumnya.
E.Hybrid Metaheuristics dalam Komputasi Lunak
Pada bagian ini, kita akan mempertimbangkan tiga kelompok yang disebutkan sebelumnya utama metaheuristics. Dari ini, kita kemudian akan menggambarkan metaheuristics baru yang telah muncul, secara singkat tinggal pada yang kurang berkembang atau kurang populer karena lebih baru.
Meskipun ini adalah daerah yang sangat penting dan sangat luas (meliputi segala sesuatu dari sistem genetik fuzzy untuk penyesuaian pengendali fuzzy dengan algoritma evolusioner, selain EDA, sistem bioinspired, dll), itu berada di luar cakupan artikel ini dan mereka yang tertarik harus mengacu pada ([9, 10, 11]).
flexibilize algoritma yang tepat, memperkenalkan kriteria berhenti fuzzy, yang akhirnya menyebabkan berbasis aturan metaheuristics relaksasi; mengakui ketidakjelasan koefisien, membenarkan algoritma untuk menyelesaikan masalah dengan parameter fuzzy, dan santai verifikasi pembatasan, yang memungkinkan pelanggaran tertentu dalam pemenuhan mereka:
a) menghentikan proses setelah iterasi N;
b) menghentikan proses ketika jarak relatif atau absolut antara dua elemen dalam suksesi dari iterasi tertentu kurang dari atau sama dengan nilai diawali;
c) menghentikan proses ketika ukuran diawali g (xn) memenuhi kondisi tertentu seperti menjadi kurang dari atau sama dengan sebuah konstanta.
Singkatnya, dapat dikatakan bahwa algoritma menentukan satu set referensi dan berhenti ketika set ditentukan dalam kriteria berhenti telah diperoleh. Para flexibilization algoritma yang tepat dengan pengenalan kriteria berhenti kabur karena itu mengasumsikan bahwa himpunan referensi dianggap sebagai himpunan fuzzy, dan kriteria berhenti adalah tetap sesuai dengan tingkat keanggotaan elemen.
Namun, di luar kerangka deskriptif, mengingat bahwa pencarian dapat dibuat melalui suatu prosedur pencarian tunggal (atau oleh lebih dari satu dalam hal ini metode pencarian akan melakukan kerjasama satu sama lain atau tidak) metaheuristic pencarian (tanpa ini klasifikasi yang eksklusif untuk bagian ini) dapat dianggap sebagai individu atau ganda, sehingga dalam kasus terakhir ini kemungkinan untuk agen yang berbeda untuk saling bekerja sama. Pilihan yang berbeda yang dapat muncul dalam konteks soft computing dikumpulkan dalam diagram berikut:
Terpisah dari metode khusus mereka aksi, semua metaheuristics menjelajahi ruang pencarian berdasarkan evaluasi terhadap fungsi tujuan dari masalah spesifik yang sedang diselesaikan, dan ini secara eksplisit mengandaikan melakukan penilaian numerik dengan bantuan sebuah fungsi objektif dalam ruang yang tepat didefinisikan . Terlalu sering, bagaimanapun, fungsi tujuan merupakan beberapa properti samar-samar didirikan, dan ruang pencarian (atau lingkungan sedang dicari) tidak memiliki batas yang jelas, dan ini membuat logis untuk fokus penerapan ini metaheuristics dengan unsur-unsur teoritis dari bola logika fuzzy dan fuzzy set. Justru dalam konteks ini bahwa FANS-jenis algoritma muncul [14,15].
BAB III
PEMECAHAN MASALAH
a) mereka memecahkan masalah dengan cara yang lebih murah daripada metode lainnya;
b) mereka menggeneralisasi heuristik sudah diketahui, dan
BAB IV
PENUTUP
.
Kesimpulan
Konsep himpunan fuzzy telah dan merupakan paradigma dalam dunia ilmu pengetahuan-teknologi dengan dampak penting di semua sektor sosial karena keragaman aplikasi, kemudahan transferensi teknologi, dan penghematan ekonomi yang penggunaannya mengandaikan. Meskipun pada saat artikel pertama mengenai hal itu diterbitkan sekitar 40 tahun yang lalu itu bertemu dengan resistensi dari sektor akademis tertentu, waktu telah menunjukkan bahwa fuzzy set merupakan inti tubuh doktrinal solidness pasti, dinamika dan pengakuan internasional yang dikenal sebagai soft komputasi.
DAFTAR PUSTAKA
2002. Tentang Soft Computing di FLNINS.Zadeh LA : Ruan,D dan Van Der Wal. Jurnal sistem cerdas. 2003
