Library Algoritma Genetik dan Whale Optimization berbasis GPU Programming

Authors

  • Bernard Niklas Satrijo Institut Sains dan Teknologi Terpadu Surabaya
  • Hendrawan Armanto Institut Sains dan Teknologi Terpadu Surabaya https://orcid.org/0000-0002-2295-2016
  • Lukman Zaman PCSW Institut Sains dan Teknologi Terpadu Surabaya
  • Pickerling Pickerling Institut Sains dan Teknologi Terpadu Surabaya

DOI:

https://doi.org/10.52985/insyst.v4i1.208

Keywords:

Evolutionary Algorithm, Genetic Algorithm, Whale Optimization Algorithm, GPU Programming, Cuda C , Library

Abstract

Pencarian solusi terbaik pada suatu permasalahan menjadi suatu hal yang terus dikembangkan dari waktu ke waktu. Berbagai penelitian dilakukan dalam berbagai bidang untuk dapat menyelesaikan masalah-masalah tersebut. Salah satu cara yang dapat menjadi solusi adalah digunakannya algoritma evolusioner. Salah satu algoritma evolusioner yang terkenal adalah algoritma genetik (GA). Selain algoritma genetik, terdapat algoritma baru lain yang telah muncul dan dikembangkan, yaitu algoritma whale optimization (WOA). Meskipun begitu, penyelesaian algoritma evolusioner pada umumnya membutuhkan waktu yang lama. Hal tersebut dapat ditanggulangi dengan penggunaan GPU Programming pada algoritma evolusioner yang dibuat. Sifat dari library yang dibuat adalah general purpose library. Pada library ini, user hanya perlu membuat satu class turunan dari class dalam library, mengatur parameter, dan mengimplentasikan abstract method. Seluruh proses yang terjadi dalam library bersifat transparan, dan apabila selesai, user dapat mengambil nilai fitness terbaik, solusi terbaik, nilai fitness terbaik per generasi, dan nilai rata-rata fitness per generasi. Dengan dibuatnya library ini, diharapkan user dapat mengimplementasikan algoritma genetik dan whale optimization dalam menyelesaikan suatu permasalahan dengan mudah dan dalam waktu yang lebih cepat dibandingkan dengan library lainnya.

References

L. Haldurai, T. Madhubala, and R. Rajalakshmi, “A study on genetic algorithm and its applications,” Int. J. Comput. Sci. Eng., vol. 4, no. 10, p. 139, 2016.

A. Thengade and R. Dondal, “Genetic algorithm--survey paper,” in MPGI national multi conference, 2012, pp. 7–8.

A. Lambora, K. Gupta, and K. Chopra, “Genetic algorithm-A literature review,” in 2019 international conference on machine learning, big data, cloud and parallel computing (COMITCon), 2019, pp. 380–384.

P. Pickerling, H. Armanto, and S. K. Bastari, “Multilevel Image Thresholding Memanfaatkan Firefly Algorithm, Improved Bat Algorithm, dan Symbiotic Organisms Search,” J. Intell. Syst. Comput., vol. 1, no. 1, 2019, doi: 10.52985/insyst.v1i1.24.

H. Armanto, R. Kevin, and P. Pickerling, “Perencanaan Perjalanan Wisata Multi Kota dan Negara dengan Algoritma Cuttlefish,” J. Intell. Syst. Comput., vol. 1, no. 2, 2019, doi: 10.52985/insyst.v1i2.91.

O. Quan and H. Xu, “The study of comparisons of three crossover operators in genetic algorithm for solving single machine scheduling problem,” in 2015 6th International Conference on Manufacturing Science and Engineering, 2015, pp. 293–297.

K. Puljić and R. Manger, “Comparison of eight evolutionary crossover operators for the vehicle routing problem,” Math. Commun., vol. 18, no. 2, pp. 359–375, 2013.

P. H. P. Rosa, H. Sriwindono, R. A. Nugroho, A. M. Polina, and K. Pinaryanto, “Comparison of crossover and mutation operators to solve teachers placement problem by using genetic algorithm,” in Journal of Physics: Conference Series, 2020, vol. 1566, no. 1, p. 12021.

S. Mirjalili and A. Lewis, “The Whale Optimization Algorithm,” Adv. Eng. Softw., vol. 95, 2016, doi: 10.1016/j.advengsoft.2016.01.008.

B. D. Shivahare, M. Singh, A. Gupta, S. Ranjan, D. Pareta, and B. M. Sahu, “Survey Paper: Whale optimization algorithm and its variant applications,” in 2021 International Conference on Innovative Practices in Technology and Management (ICIPTM), 2021, pp. 77–82.

F. S. Gharehchopogh and H. Gholizadeh, “A comprehensive survey: Whale Optimization Algorithm and its applications,” Swarm Evol. Comput., vol. 48, pp. 1–24, 2019.

J. Ghorpade, J. Parande, M. Kulkarni, and A. Bawaskar, “GPGPU processing in CUDA architecture,” arXiv Prepr. arXiv1202.4347, 2012.

D. Kirk, B. S. Center, and others, “NVIDIA CUDA software and GPU parallel computing architecture,” 2008.

R. S. Dehal, C. Munjal, A. A. Ansari, and A. S. Kushwaha, “GPU Computing Revolution: CUDA,” in 2018 International Conference on Advances in Computing, Communication Control and Networking (ICACCCN), 2018, pp. 197–201.

R. S. Sinha, S. Singh, S. Singh, and V. K. Banga, “Accelerating genetic algorithm using general purpose GPU and CUDA,” Int. J. Comput. Graph., vol. 7, no. 1, pp. 17–30, 2016.

M. Oiso, Y. Matsumura, T. Yasuda, and K. Ohkura, “Implementation Method of Genetic Algorithms to the CUDA Environment using Data Parallelization,” J. Japan Soc. Fuzzy Theory Intell. Informatics, vol. 23, no. 1, pp. 18–28, 2011.

Downloads

Additional Files

Published

2022-04-30

How to Cite

[1]
B. Niklas Satrijo, H. Armanto, L. Zaman PCSW, and P. Pickerling, “Library Algoritma Genetik dan Whale Optimization berbasis GPU Programming”, INSYST, vol. 4, no. 1, pp. 32–44, Apr. 2022.

Issue

Vol. 4 No. 1 (2022): INSYST: Journal of Intelligent System and Computation

Section

Articles

License

Copyright (c) 2022 INSYST: Journal of Intelligent System and Computation

Creative Commons License

This work is licensed under a Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.