Komputasi evolusioner atau Evolutionary computation merupakan suatu wilayah ilmu komputer yang menggunakan pola pikir dari konsep dan prinsip dasar dari evolusi alam, yaitu prinsip seleksi alam Darwinisme, sebagai inspirasi dalam perancangan metode komputasi. Dalam proses seleksi alam, siap yang kuat (yang bisa beradaptasi) dialah yang bisa bertahan. Salah satu metode dalam komputasi evolusioner adalah algoritma genetika.

Algoritma genetika (Genetic Algorithms) merupakan tipe komputasi evolusioner yang paling populer. Algoritma genetika berkembang seiring dengan perkembangan teknologi informasi yang sangat pesat. Karena kemampuannya untuk menyelesaikan berbagai masalah kompleks. Algoritma ini banyak digunakan dalam bidang fisika, biologi, ekonomi, sosiologi dan lainnya yang sering menghadapi masalah optimasi yang model matematikanya kompleks atau bahkan sulit dibangun.

Proses dalam algoritma genetika diawali dengan inisialisasi, yaitu menciptakan individu-individu secara acak yang memiliki susunan gen atau kromosom (chromosome) tertentu. Kromosom ini mewakili solusi dari permasalahan yang akan dipecahkan. Reproduksi dilakukan untuk menghasilkan keturunan (offspring) dari individu-individu yang ada di populasi. Evaluasi digunakan untuk menghitung kebugaran (fitness) setiap kromosom. Semakin besar fitness maka semakin baik kromosom tersebut untuk dijadikan calon solusi. Seleksi dilakukan untuk memilih individu dari himpunan populasi dan offspring yang dipertahankan hidup pada generasi berikutnya. Fungsi probabilistis digunakan untuk memilih individu yang dipertahankan hidup. Individu yang lebih baik (mempunyai nilai fitness lebih besar) mempunyai peluang lebih besar untuk terpilih.

Setelah melewati sekian iterasi (generasi) akan didapatkan individu terbaik. Individu terbaik ini mempunyai susunan kromosom yang bisa dikonversi menjadi solusi yang terbaik (paling tidak mendekati optimum). Dari sini bisa disimpulkan bahwa algoritma genetika menghasilkan suatu solusi optimum dengan melakukan pencarian di antara sejumlah alternatif titik optimum berdasarkan fungsi probabilistik.

Dalam bidang industri manufaktur, algoritma genetika digunakan untuk pembuatan aplikasi perencanaan dan penjadwalan produksi. Algoritma genetika juga bisa diterapkan untuk kompresi citra, optimasi penugasan mengajar bagi dosen, penjadwalan dan alokasi ruang ujian, optimasi penjadwalan kuliah, optimasi Multi Travelling Salesman Problem (M-TSP), penyusunan rute dan jadwal kunjungan wisata yang efisien, serta banyak aplikasi-aplikasi lainnya.

Referensi:

W. F. Mahmudy, “Algoritma Evolusi,” Progr. Teknol. Inf. dan Ilmu Komputer, Univ. Brawijaya, Malang, pp. 1–101, 2013.