Evolutionary Computation

In computer science, evolutionary computation is a subfield of artificial Intelligence (more particularly computational intelligence) that involves combinatorial optimization problems.

Evolutionary computation uses iterative progress, such as growth or development in a population. This population is then selected in a guided random search using parallel processing to achieve the desired end. Such processes are often inspired by biological mechanisms of evolution.

History
The use of Darwinian principles for automated problem solving originated in the fifties. It was not until the sixties that three distinct interpretations of this idea started to be developed in three different places.

Evolutionary programming was introduced by Lawrence J. Fogel in the USA, while John Henry Holland called his method a genetic algorithm. In Germany Ingo Rechenberg and Hans-Paul Schwefel introduced evolution strategies. These areas developed separately for about 15 years. From the early nineties on they are unified as different representatives (“dialects”) of one technology, called evolutionary computing. Also in the early nineties, a fourth stream following the general ideas had emerged – genetic programming.

These terminologies denote the field of evolutionary computing and consider evolutionary programming, evolution strategies, genetic algorithms, and genetic programming as sub-areas.

Techniques
Evolutionary techniques mostly involve metaheuristic optimization algorithms such as:
• evolutionary algorithms (comprising genetic algorithms, evolutionary programming, evolution strategy and genetic programming)
• swarm intelligence (comprising ant colony optimization and particle swarm optimization)
and in a lesser extent also:
• self-organization such as self-organizing maps, growing neural gas, competitive learning demo applet
• differential evolution
• artificial life (also see digital organism)
• cultural algorithms
• harmony search algorithm
• artificial immune systems
• learning classifier systems
• Learnable Evolution Model

Evolutionary algorithms
Evolutionary algorithms form a subset of evolutionary computation in that they generally only involve techniques implementing mechanisms inspired by biological evolution such as reproduction, mutation, recombination, natural selection and survival of the fittest. Candidate solutions to the optimization problem play the role of individuals in a population, and the cost function determines the environment within which the solutions "live" (see also fitness function). Evolution of the population then takes place after the repeated application of the above operators.

In this process, there are two main forces that form the basis of evolutionary systems: Recombination and mutation create the necessary diversity and thereby facilitate novelty, while selection acts as a force increasing quality.
Many aspects of such an evolutionary process are stochastic. Changed pieces of information due to recombination and mutation are randomly chosen. On the other hand, selection operators can be either deterministic, or stochastic. In the latter case, individuals with a higher fitness have a higher chance to be selected than individuals with a lower fitness, but typically even the weak individuals have a chance to become a parent or to survive.

Pembahasan
Evolutionary Computation atau dalam bahasa Indonesianya, Komputasi evolusioner. Subbidang kecerdasan buatan yang terinspirasi oleh evolusi biologi, seperti pertumbuhan atau perkembangan populasi. Pada pengaplikasian teori didasari dari prinsip-prinsip dan dalil-dalil yang lahir dari para penemu dan ahli dari tahun lima puluhan hingga sembilan puluhan, jelasnya didasari oleh teori Darwin tentang seleksi alam yang berkaitan dengan evolusi atau perkembangan pada bidang biologi.
Tekniknya yang sebagian besar melibatkan algoritma optimasi metaheuristic seperti algoritma evolusioner dan swarm intelijen. Algoritma evolusioner adalah teknik yang mengimplementasi dari evolusi biologi, contohnya seperti rekombinasi & mutasi juga seleksi yang dianggap sebagai kekuatan utama dalam sistem evolusi. Rekombinasi & mutasi yang menciptakan keberagaman dan variasi sehingga menciptakan suatu fasilatas yang baru. Sedangkan Seleksi yang meningkatkan kualitas. Algoritma ini bersifat generik dan sangat fleksibel, menyebabkan dapat digunakan dalam aplikasi dan tujuan yang berbeda. secara garis besar bisa dibagi dalam lima kategori, Perencanaan (planning), Perancangan (design), Simulasi dan identifikasi (simulation and identification), Kontrol (control), dan Pengelompokkan (classification).
Dalam prosesnya, evolutionary algorithm melibatkan komponen-komponen antara lain: individual, fitness function, metode seleksi, operator genetik, dan populasi. Individual adalah kandidat solusi untuk permasalahan yang ingin dicari solusinya. Fitness Function merupakan komponen yang krusial dalam suatu evolutionary algorithm. Tujuan Fitness Function adalah untuk memetakan representasi kromosom ke suatu nilai skalar. Fitness Function digunakan untuk mengevaluasi seberapa baik suatu individual bisa digunakan dalam memecahkan masalah yang dikehendaki, fitness function juga berperan untuk menentukan individual mana yang akan bereproduksi dan sebagian materi genetiknya (yaitu bagian dari candidate solutionnya) akan ‘diwariskan’ kepada penerusnya/generasi berikutnya. Metode seleksi yang dimaksud mencakup mekanisme seleksi induk (parents) dan mekanisme seleksi survivor. Operator genetik berperan untuk menciptakan individual baru dari individual lama (parents) atau tujuan akhirnya adalah membangkitkan candidate solutions baru. Populasi memiliki peran sebagai representasi dari segala kemungkinan solusi. Populasi merupakan kumpulan individual atau populasi merupakan multiset dari genotypes. Genotypes adalah sejumlah karakter yang diwariskan yang tetap terkandung dalam seluruh proses reproduksi populasi.

Sumber :
http://en.wikipedia.org/wiki/Evolutionary_computation
http://statistikakomputasi.wordpress.com/2010/04/16/mengenal-evolutionary-computation-komputasi-yang-meniru-evolusi-alam/

Perbandingan Intel Core i7 dan AMD Phenom II X4

Perkembangan Teknologi komputer sangat pesat. Hampir ditiap bulannya telah tersedia perangkat keras komputer tersebut. Salah satu perangkat tersebut ialah prosesor. Di dunia prosesor, terdapat 2 produsen yang bersaing ketat dalam perkembangannya. Ialah Intel dan AMD nama kedua produsen tersebut.

Dewasa ini, intel meluncurkan proseor terbarunya, yakni Intel Core i7. AMD pun tidak mau kalah dengan Intel dengan meluncurkan Phenom II X4 (Deneb), yang merupakan perkembangan dari prosesor; sebelumnya yang gagal; Phenom I (Agena). Kedua prosesor ini memiliki kelebihan masing-masing. Untuk itu akan dibahas kelebihan-kelebihan dari keduanya.

Untuk Core i7, unggul dibidang performa. Ber-asitektur berbeda dari pendahulunya, Core2duo/quad. Yaitu NEHALEM, yang merupakan platform baru yang betul-betul berbeda. Sistem bus Intel FSB diganti dengan Quick Path Interconnect (QPI) yang merupakan sistem interface yang jauh lebih cepat yaitu 6.4 Gt/s dibandingkan dengan FSB tertinggi dari Intel, yaitu 1.6 Gt/s. QPI menyediakan dua jalur terpisah untuk komunikasi antar CPU dan chipset, yang memungkinkan CPU untuk mengirimkan dan menerima data I/O pada saat yang bersamaan (secara paralel). Core i7 memiliki Integrated Memory Controller dengan dukungan triple-channel DDR3.

Core i7 juga menggunakan soket LGA1336 dan baru satu pilihan chipset yang ada yaitu, Intel X58 yang memiliki dukungan CrossfireX dan SLI. Walaupun mengungguli kompetitornya, beberapa orang menilai performa yang diberikan kurang maksimal dalam gaming.

Untuk Phenom II X4 performanya maningkat dengan signifikan dibandingkan Phenom pendahulunya. Prosesor ini menggunakan DDR2 untuk seri xx0 dan DDR3 untuk seri xx5; yang masih belum jelas peluncurannya. Prosesor ini kompatibel dengan soket AM2 dan AM2+, yang dapat digunakan untuk motherboard dan DDR2 yang lama. Memiliki kapasitas L3 cache yang lebih besar yaitu, 6 MB. Dibandingkan dengan Phenom I, Phenom II berbasiskan proses produksi 45 nm.

Dari hasil review beberapa situs hardware, kinerja Phenom II masih kalah dengan Core i7 secara clock-to-clock (baca. performa), mungkin lebih tepat bersaing dengan Core 2 Quad 9xxx mengingat harga keseluruhan PC Phenom II lebih murah.