Review Jurnal: Kerangka Berbasis Agen untuk Manajemen Pengambilan Informasi E-Commerce Menggunakan Algoritma Genetika

 Kerangka Berbasis Agen untuk Manajemen Pengambilan Informasi          E-Commerce Menggunakan Algoritma Genetika 

Makalah ini membahas masalah peningkatan manajemen kinerja pengambilan untuk pengambilan dari koleksi dokumen yang ada di Internet. Ini juga dilengkapi dengan solusi yang menggunakan manfaat teknologi agen dan algoritma genetika dalam proses manajemen pengambilan informasi. Paradigma yang paling penting dari pencarian informasi disebutkan dengan tujuan untuk membuat lebih jelas manfaat dari menggunakan algoritma genetika. Di dalam makalah, juga sebuah algoritma genetika yang dapat digunakan untuk solusi yang diajukan dirinci dan deskripsi komparatif antara solusi yang diajukan dinamis dan statis dibuat. Pada akhirnya, arah masa depan baru ditampilkan berdasarkan elemen yang disajikan dalam makalah ini. Hasil di masa depan terlihat sangat menggembirakan. 

Kata kunci: Agen Seluler, Manajemen Pengambilan Informasi, Algoritma Genetika 

 

1. Pendahuluan

Dalam dunia bisnis yang dinamis saat ini, perusahaan harus inovatif dan selalu beradaptasi dengan realitas sehari-hari agar dapat menanggapi kebutuhan pasar yang terus berubah. dan kekuatan dan persyaratan pelanggan, dan untuk bertahan dalam persaingan yang menjadi semakin agresif. Ini telah menyebabkan munculnya organisasi virtual. Sebuah organisasi virtual, yang sering disebut sebagai perusahaan virtual, memadukan sejumlah pemangku kepentingan yang membentuk konsorsium secara dinamis agar, sebagai contoh, untuk memenuhi kebutuhan dan permintaan pelanggan, menawarkan layanan baru atau lebih baik. Para pemangku kepentingan dapat memiliki tujuan bersama, yang kompatibel, tumpang tindih atau saling melengkapi, oleh karena itu bergabung bersama dan beroperasi di bawah satu tudung memungkinkan mereka untuk mencapai tujuan ini. Perampingan, koordinasi, dan integrasi operasi adalah inti dari konsep organisasi virtual. 

Bisnis telah memanfaatkan fasilitas jaringan untuk meningkatkan komunikasi dan efisiensi operasi mereka. Gagasan melakukan transaksi secara elektronik bukanlah hal baru; banyak perusahaan telah mengintegrasikan sistem mereka dengan mereka dari pemasok dan distributor mereka menggunakan jaringan eksklusif untuk pertukaran data elektronik (EDI), yang disebut jaringan nilai tambah (VAN) [1]. Namun, jaringan seperti itu statis dan karenanya tidak fleksibel: jika perusahaan memutuskan untuk mengganti pemasok atau distributor, koneksi EDI yang baru dan mungkin mahal perlu dibangun. Selain itu, biaya yang diperlukan untuk membangun jaringan berpemilik tersebut adalah penghalang untuk bisnis kecil yang tidak mampu mengeluarkan uang dari keuntungan untuk jenis jaringan ini. 

Salah satu keuntungan menggunakan teknologi Internet dan e-commerce adalah bahwa organisasi berada dalam posisi untuk merampingkan operasi mereka dengan pemangku kepentingan bisnis mereka, seperti pemasok dan klien. Organisasi dapat berinteraksi dengan mitra lain dengan mulus, dan dengan demikian meningkatkan efektivitas dan efisiensinya. Misalnya, berbagai operasi yang terlibat dalam manajemen rantai pasokan, melacak persediaan dan permintaan, pengadaan bahan baku, pelacakan inventaris, dan manajemen pesanan, dapat sangat diuntungkan dari penggunaan sistem e-commerce. Ini mengarah pada peningkatan hubungan antara mitra bisnis. 

Aspek lain yang terkait dengan teknologi Internet dan E-commerce, adalah biaya perangkat penyimpanan yang terus menurun, kapasitasnya yang meningkat dan itulah sebabnya saat ini ada pertumbuhan luar biasa dalam semua jenis basis data (relasional, grafis, dan tekstual) [ 2]. Organisasi intensif pengetahuan memiliki banyak sekali informasi yang terkandung dalam gudang dan gudang dokumen besar. Dengan munculnya E-commerce dan intranet / ekstranet perusahaan, repositori ini diharapkan tumbuh dengan cepat. Pertumbuhan eksplosif ini telah menyebabkan koleksi dokumen yang sangat besar, terfragmentasi, dan tidak terstruktur yang menjadi lebih berat untuk ditangani. 

Semakin mudah untuk mengumpulkan dan menyimpan, informasi dalam koleksi dokumen, semakin sulit untuk mengambil informasi yang relevan dari koleksi dokumen besar ini. Berbagai metode dan teknik telah digunakan oleh spesialis untuk mengatasi masalah peningkatan manajemen kinerja pengambilan. Makalah ini mencoba untuk menunjukkan bagaimana algoritma genetika dapat digunakan dalam bidang pencarian informasi dan perbedaan mana yang statis dan pendekatan dinamis, yang digunakan untuk mencocokkan deskripsi dokumen dengan set pada input data yang diberikan dari antarmuka oleh pengguna dan bagaimana agen dapat bekerja untuk menemukan hasil yang paling representatif. 

2. Agen, Algoritma Genetika dan Paradigma Pengambilan Informasi

Agen adalah sistem komputasi yang mampu berperilaku mandiri, reaktif, dan proaktif, dan juga dapat berinteraksi satu sama lain. Penerapan agen dalam E-commerce adalah salah satu bidang ilmu komputer yang paling cepat berkembang dan paling menarik. Arsitektur yang didasarkan pada agen cerdas menawarkan beberapa manfaat sebagai: usabilitas ulang, fleksibilitas, penggunaan sumber daya yang lebih sedikit untuk mencapai tujuan aplikasi, pemilihan komponen perangkat lunak dinamis, dan pemrograman lebih mudah, pemeliharaan dan penyesuaian permintaan membutuhkan waktu lebih sedikit. Juga manfaat penting lainnya dari teknologi agen adalah bahwa ada lebih sedikit baris kode yang diperlukan untuk menyelesaikan aplikasi perangkat lunak dan pengguna menghabiskan lebih sedikit waktu dan upaya untuk mendapatkan jawaban yang diminta. Teknologi agen memiliki peran penting dalam lingkungan komputasi terdistribusi seperti komputasi mobile dan meresap, E-commerce, E-services, E-bisnis, kegiatan infrastruktur, dan manajemen layanan transportasi dan telekomunikasi. 

Algoritma genetika dapat digunakan dalam kasus di mana ruang pencarian sangat kompleks, dan sulit untuk dipahami, tidak ada analisis matematika yang tersedia, metode pencarian metode klasik gagal untuk menawarkan jawaban.
Manfaat paling penting dari penggunaan Algoritma Genetika adalah bahwa mereka dapat menangani banyak jenis dan tujuan kendala dan mereka dapat menemukan solusi yang baik dengan cepat untuk masalah dimensi tinggi yang sulit. Aturan yang harus diterapkan untuk aplikasi perangkat lunak yang menggunakan agen cerdas dan algoritma genetika adalah bahwa: solusi yang diminta cukup dan mendekati yang optimal dan bukan yang terbaik. 

Teknologi agen dan algoritma genetika memungkinkan individu dan bisnis untuk mengambil keuntungan dari media baru dan kuat dari World Wide Web. 

Information Retrieval System adalah sistem yang digunakan untuk menyimpan item-item informasi yang perlu diproses, dicari, dan diambil sesuai dengan permintaan pengguna. Sebagian besar Sistem Pengambilan Informasi menggunakan kata kunci untuk mengambil dokumen. Sistem pertama mengekstrak kata kunci dari dokumen dan kemudian menetapkan bobot untuk kata kunci dengan menggunakan pendekatan yang berbeda. Sistem seperti itu memiliki dua masalah utama. Salah satunya adalah cara mengekstrak kata kunci secara tepat dan yang lainnya adalah cara menentukan bobot masing-masing kata kunci. Penelitian ini menyajikan solusi yang menggunakan agen seluler dengan algoritma genetika yang tergabung untuk menemukan dokumen yang paling relevan sesuai dengan tanggal pemberian yang diberikan oleh pengguna. Sistem Pengambilan Informasi pada dasarnya dibentuk oleh tiga komponen utama, yang komposisinya diperkenalkan sebagai berikut [3]. 

Model ruang vektor. Dalam model ini, sebuah dokumen dipandang sebagai vektor dalam ruang dokumen n-dimensi (di mana n adalah jumlah istilah pembeda yang digunakan untuk menggambarkan isi dokumen dalam koleksi) dan setiap istilah mewakili satu dimensi dalam ruang dokumen. Satu set data input pengguna juga diperlakukan dengan cara yang sama dan dibangun dari persyaratan dan bobot yang disediakan dalam permintaan pengguna. Pengambilan dokumen didasarkan pada pengukuran kesamaan antara permintaan dan dokumen. Ini berarti bahwa dokumen dengan kemiripan yang lebih tinggi dengan permintaan dinilai lebih relevan dengan itu dan harus diambil oleh Sistem Pengambilan Informasi di posisi yang lebih tinggi dalam daftar dokumen yang diambil. Algoritma seperti Fuzzy c-means clustering dapat digunakan dalam metode ini, dan setelah itu dokumen dapat disajikan kepada pengguna sesuai dengan relevansinya dengan pencarian. 

Model probabilistik. Teori probabilitas dapat digunakan oleh model ini untuk membangun fungsi pencarian dan mode operasinya. Untuk membuat fungsi pencarian informasi digunakan distribusi istilah indeks di seluruh kumpulan dokumen atau bagian dari itu. Informasi ini digunakan untuk mengatur nilai beberapa parameter fungsi pencarian, yang terdiri dari serangkaian bobot yang terkait dengan istilah indeks. 

Pengambilan informasi berbasis sistem pembelajaran. Pendekatan ini didasarkan pada ekstraksi algoritmik pengetahuan atau pola identifikasi dalam data. Ada tiga area luas dalam pendekatan ini: Pembelajaran simbolik, jaringan saraf, dan algoritma berbasis evolusi [4]. Dalam pendekatan pembelajaran simbolik, penemuan pengetahuan dilakukan secara khas dengan pembelajaran induktif dengan menciptakan susunan konsep hierarkis dan menghasilkan aturan produksi tipe IF-THEN. Algoritma pengambilan keputusan ID3 adalah salah satu algoritma yang populer. 

Jaringan saraf adalah algoritma pembelajaran koneksionis yang biasanya mensimulasikan cara otak manusia belajar dan mengingat pengetahuan. Dalam algoritma ini, pengetahuan ditangkap dan diingat dalam hal bobot pada sinapsis, interkoneksi neuron, dan ambang pada unit logika. A. Belew menggunakan jaringan saraf penulis, istilah indeks, dan dokumen untuk menghasilkan koneksi baru antara dokumen dan istilah indeks. 

Algoritma evolusioner didasarkan pada prinsip seleksi alam Darwin. Algoritma ini dapat dibagi lagi menjadi: algoritma genetika, strategi evolusioner, dan pemrograman evolusioner. Sementara pemrograman evolusioner menggunakan perubahan pada tingkat spesies, strategi evolusi mengeksploitasi perubahan pada tingkat perilaku individu. Algoritma genetika didasarkan pada operator genetik seleksi, crossover, dan mutasi. Ada beberapa studi dalam literatur pencarian informasi yang menggunakan algoritma genetika. Makalah ini sangat cocok dalam paradigma ini. Ini akan digunakan algoritma genetika untuk mengadaptasi fungsi pencocokan yang digunakan untuk mencocokkan deskripsi dokumen dengan input data yang ditetapkan oleh pengguna melalui antarmuka tertentu. 

3. Kerangka yang Diusulkan oleh Agen untuk Manajemen Pengambilan Informasi E-Commerce

3.1 Agen cerdas dan sistem pengambilan informasi 

Kerangka untuk pengambilan informasi yang cerdas dapat dilihat seperti sistem multi-agen yang memiliki komponen spesifik, masing-masing dengan tujuannya. Dalam kebanyakan kasus, informasi harus diambil dari internet, ruang di mana sejumlah informasi harus dicari untuk hasil yang lebih baru. Mengacu pada kerangka pengambilan informasi yang pandai di Internet (gbr.1), dimungkinkan untuk mengamati keberadaan agen seluler yang membuat kegiatan penelitian dimulai dari serangkaian informasi masukan, mencari tautan informasi seperti itu dan mengevaluasi mereka melalui beberapa algoritma evaluasi pintar sebagai log fuzzy, terutama digunakan untuk mencari halaman web yang mirip dengan yang entri, yang diberikan oleh pengguna. 

Selama masa hidupnya agen bekerja di banyak host dan melampaui batas yang ditanggung oleh prosesor dan sistem operasi yang berbeda: untuk dapat dieksekusi kode agen tidak perlu dipasang secara preventif pada setiap host yang harus dikunjungi, tetapi cukup bahwa tuan rumah mendukung agen mobile. 

Agen seluler yang menggunakan algoritme genetik, sebagai tujuan utamanya, mengurangi transfer informasi yang tidak berguna, yang menghasilkan penurunan lalu lintas bersih. 

"Prosesor" adalah aplikasi yang bertanggung jawab untuk menghasilkan dan mengklasifikasikan basis data URL dan mengelola antarmuka dan program eksekusi.

Dimungkinkan untuk pindah ke antarmuka pengguna, di dalam agen seluler, parameter perangkat lunak genetik dan algoritma evaluasi, serta tingkat presisi dan parameter mutasi.
Terlebih lagi dalam "prosesor", suatu kata kunci dapat diimplementasikan melalui dekomisinya di beberapa entitas yang secara homogen semantik. Grup kata kunci baru saja mendapatkan basis data yang sesuai yang disebut “basis data kata kunci relatif”. 

Gambar. 1. Kerangka berbasis agen untuk pencarian informasi 

Pada Gambar 1, divisi basis data logis diperlihatkan: basis data alamat yang memuat alamat halaman yang akan dicari, basis data hasil pencarian mengenai hasil, basis data kata kunci relatif yang berisi alamat halaman yang akan dicari, hasil pencarian basis data mengenai hasil, basis data kata kunci relatif yang mengandung kata-kata kunci seperti disebutkan di atas. 

Tugas "antarmuka pengguna" adalah menginisialisasi permintaan untuk ekstraksi yang dibuat oleh pengguna dan untuk menunjukkan hasil yang dicapai.
Penyimpanan transaksi dimaksudkan untuk mendaftarkan semua transaksi yang dilakukan oleh pengguna. Berdasarkan catatan ini, profil pengguna dapat dilakukan. Sebagai konsekuensinya, jika pengguna di masa depan akan memiliki agen pribadinya sendiri, agen akan lebih tahu apa dan di mana mencari dan seberapa besar tingkat kepuasan pengguna untuk setiap agen solusi yang dikembalikan. 

3.2 Detail algoritma untuk pendekatan ap yang diusulkan
Di dalam solusi yang diajukan, ada agen yang akan menggunakan algoritma genetika untuk menyelesaikan tugasnya. Keuntungan menggunakannya dalam 

diagram adalah berkontribusi mengurangi respons waktu untuk mendapatkan hasil akhir. Dengan kata lain, agen seluler cerdas digunakan untuk tugas penelitian genetika yang bekerja dalam langkah-langkah sebagai berikut [5]: 

- set saat ini inisialisasi: set dokumen input, mewakili kumpulan solusi saat ini, pertama kali diserahkan ke indeksasi dan kemudian ke proses ekstraksi kata kunci. 

- dokumen yang ditemukan melalui tautan elemen-elemen set saat ini dibandingkan dengan objek input untuk kemiripan melalui algoritma analisis "fuzzy", dan yang terbaik di antaranya dimasukkan dalam set saat ini. 

- seperangkat solusi baru dihasilkan oleh operator genetik: satu set URL dipilih oleh databasenya secara acak, itu dimasukkan dalam set saat ini dan dokumen terbaik di antara yang dipilih dalam atau untuk menambahkannya dalam set output. Semua dokumen yang dihubungkan oleh yang terakhir ini, yang oleh elemen yang dipromosikan pada generasi baru, ditambahkan dalam set saat ini. 

- langkah kedua dan ketiga diulang, sampai set output mencapai yang telah diatur menjadi kosong. 

dimensi atau set saat ini ternyata 

Gambar. 2. Langkah-langkah untuk algoritma genetika algoritma 

Untuk langkah kedua fuzzy c-means clustering dapat digunakan [6]. Algoritma ini merupakan turunan dari algoritma k-means. Dalam fuzzy clustering point memiliki derajat kepunyaan cluster, seperti dalam logika fuzzy, daripada hanya milik satu cluster saja. Dengan demikian, titik-titik di tepi sebuah cluster mungkin berada di cluster ke tingkat yang lebih rendah daripada titik-titik di pusat cluster. Untuk setiap titik x kita memiliki koefisien memberikan gelar dari berada di J-th klaster uj(x).Biasanya, jumlah koefisien tersebut untuk setiapdiberikan x yang didefinisikan sebagai 1: maka koefisien dinormalisasi dan dikaburkan dengan parameter nyata m > 1 sehingga jumlahnya adalah 1. \

Ketika m dekat dengan 1, maka pusat cluster terdekat to the point diberi bobot lebih dari yang lain, dan algoritma ini mirip dengan k-berarti. 

fuzzy cAlgoritma-means sangat mirip dengan kalgoritma-means:
- pilih sejumlah cluster;
- Menugaskan secara acak untuk masing-masing koefisien titik untuk berada dalam kelompok. 

- ulangi sampai algoritme telah terkonvergensi 

Dengan fuzzy c-means, centroid dari sebuah cluster adalah rata-rata dari semua poin, yang dibobot berdasarkan derajat kepemilikannya pada cluster.

Algoritma ini meminimalisir intra-cluster juga, tetapi memiliki masalah yang sama dengan k-berarti, minimum adalah minimum lokal, dan hasilnya tergantung pada pilihan bobot awal. Algoritma ekspektasi - maksimisasi adalah metode yang lebih formal secara statistik yang mencakup beberapa gagasan ini: keanggotaan parsial dalam kelas. Ia memiliki sifat konvergensi yang lebih baik dan secara umum lebih disukai daripada fuzzy-c-means. 

Berdasarkan ini, informasi dokumen dengan cepat ditemukan dan agen mencari hasil dalam dataset lebih sedikit. Kumpulan data akan dibagi berdasarkan algoritma yang disebutkan dalam kelompok. 

3.3 Pendekatan berbasis agen dinamis untuk manajemen pengambilan informasi
Ketika dokumen dalam kumpulan kepentingan mengandung beberapa tautan, pendekatan ini bisa sangat lambat karena untuk memilih elemen terbaik dari generasi saat ini, semua dokumen miliknya dan yang Ditunjuk oleh itu harus dievaluasi. 

Dalam algoritma penelitian yang disajikan di atas, beberapa elemen sebagai kuantisasi kualitas pencarian, pemilihan elemen yang harus dipromosikan ke generasi baru, representasi string URL, crossover dan operator mutasi menganggap penting. 

Mengenai representasi URL, itu adalah alamat dokumen Internet; itu merupakan pengkodean pertama dari solusi yang mungkin untuk algoritma pencarian genetik. Representasi ini dibagi menjadi bidang-bidang dengan panjang dan makna yang berbeda: yang pertama adalah protokol Internet, yang kedua adalah alamat server (denominasi jaringan, penentuan server, organisasi protokol Internet) dan yang ketiga memberikan informasi tentang 

jalur perutean dari server root ke dokumen yang dipermasalahkan.
Operator crossover dan mutasi memungkinkan bagian dari URL generasi saat ini menuju yang berikutnya: "gen" dipilih secara acak di dalam string, untuk dimodifikasi untuk mendapatkan "alel" baru, yang memungkinkan pengidentifikasian yang baru string dan URL baru yang sangat mirip dengan yang awal. 

Tugas algoritma analisis "fuzzy" adalah untuk menghitung kemunculan kata kunci, dan kata-kata yang terkait dengannya dalam dokumen yang dipermasalahkan, dan untuk mengatributkan pada dokumen sebagai "bobot" dalam hal evaluasi yang sebanding dengan kejadian tersebut. Di antara banyak algoritma analisis, yang satu ini ditandai dengan waktu evaluasi yang rendah. 

Dalam platform multi-agen yang digunakan untuk pencarian cerdas yang disajikan di atas, agen seluler dikirim di situs tempat dokumen yang berguna disimpan dan di mana mereka melaksanakan evaluasi dengan hanya mengembalikan hasilnya. Algoritma evaluasi genetik menerapkan prinsip "temporal locality" dan "spatial locality". Yang terakhir ini berarti bahwa semua eksplorasi dilaksanakan di lingkungan yang dekat dengan server tempat dokumen induk berada seperti server yang sama atau jaringan lokal; “temporal locality” alih-alih merujuk pada konservasi unsur-unsur sesuai dengan hasil yang diramalkan dan penerapan subset unsur-unsur seperti dari operator mutasi. 

Agen seluler dikirim ke lebih dari satu situs secara bersamaan; mereka menjalankan evaluasi dokumen secara paralel pada server jauh dan hanya hasilnya dikirim ke server rumah. Teknik yang baru saja dijelaskan membawa hasil yang baik dalam hal waktu pengembalian, pemanfaatan memori dan lalu lintas jaringan. 

Skema implementasi yang mungkin disajikan pada Gambar 3, di mana garis kontinu menunjukkan aliran data, yang putus-putus menunjukkan aliran kontrol, persegi panjang mengidentifikasi aplikasi dan elips menunjukkan input dan data output. 

Gambar 3. Diagram blok implementasi dinamis. 

Dalam blok-blok tertentu dibedakan dalam beberapa karakteristik yang spesifik untuk setiap modul dengan caranya:
- Manajemen Kontrol Basis Data - mengoordinasikan aplikasi statis dan dinamis sistem agen bergerak. Ia bertanggung jawab atas pengelolaan basis data yang diuraikan di atas: ia mencari setiap elemen dari basis data keluaran dalam Data Bersih. Jika pencarian memiliki hasil positif, penghitung akan bertambah satu unit; sebaliknya elemen dimasukkan dalam Data Net setelah menetapkan nilai penghitungnya sama dengan satu; dalam kasus luapan, yaitu ketika Data Neto menyentuh dimensi maksimum yang ditentukan, elemen yang memiliki penghitung dengan nilai lebih rendah dibatalkan untuk menciptakan ruang kosong baru. 

- Agen server - adalah aplikasi yang dijalankan di server lokal untuk koordinasi o beberapa agen seluler yang ditempatkan di server jarak jauh, dan untuk menandakan dokumen terbaik yang sesuai untuk output. 

- Agen dengan Algoritma untuk Evaluasi - adalah aplikasi yang memiliki algoritma evaluasi dikirim ke server jarak jauh, yang akan memberi umpan balik hanya hasil evaluasi tersebut - Monitor Komunikasi dan Agen Klien - memungkinkan komunikasi antaraServer 

residenAgen di host lokal dan beberapa Agen dengan Algoritma untuk Evaluasi tinggal di lokasi terpencil. Khususnya, jika platform yang digunakan adalah Concordia, dimungkinkan untuk menggunakan beberapa RMI (metode jarak jauh) untuk menjaga Agen Server dan Agen dengan Algoritma untuk Evaluasi informasi tentang pengiriman pesan. 

- Subjek - adalah aplikasi yang mengimplementasikan mutasi; tugasnya adalah memilih URL berdasarkan database yang dibuat sebelumnya dan untuk menyisipkannya di set saat ini. 

- URL dan Generator Subjek - adalah aplikasi yang memproduksi basis data URL. Basis data ini digunakan untuk mutasi dan setiap elemennya terdiri dari dua bidang: URL dan subjek. Parameter input dari aplikasi disimpan dalam bidang ini. 

- Mencari Agen - adalah aplikasi yang digunakan untuk mencari dokumen dalam set "yang terbaik" yang diterima dari Agen Server. Dokumen disimpan di dalam disk lokal: folder baru dibuat untuk setiap server jauh yang berisi hyperlink ke dokumen pada disk lokal. 

- Spasi - adalah aplikasi yang bertanggung jawab atas pertunjukan mutasi; menggunakan prinsip lokalitas spasial. Jika suatu algoritma genetika mencari suatu elemen yang memiliki nilai kemampuan adaptasi yang tinggi pada suatu lokasi yang ditentukan, ada kemungkinan bahwa beberapa dokumen yang serupa berlokasi di sana atau di jaringan terdekat. Oleh karena itu, dalam wilayah yang keliling jaringan mungkin menemukan alamat dokumen tentang pencarian kami. 

-Time - adalah aplikasi yang mengacu pada prinsip temporal locality yang mengambil bagian dalam proses mutasi; memiliki basis data yang berisi URL yang berasal dari basis data keluaran dan juga memiliki variabel yang nilainya merujuk pada berapa kali setiap URL hadir dalam set yang diberikan. Proses mutasi diimplementasikan melalui penyisipan dalam 

basis data keluaran generasi baru, dari URL dengan penghitung yang lebih tinggi.
Aspek penting dari Monitor Komunikasi dan Agen Klien, agen Server dan agen lainnya diwakili oleh komunikasi antara agen. Komunikasi dijamin oleh KQLM (Knowledge and Query Manipulation Language (KQLM) ([7], [8], [9], [10]). Ini adalah bahasa komunikasi tingkat tinggi, berorientasi pesan, dan kumpulan protokol untuk pertukaran informasi. Faktanya, KQLM adalah bahasa yang didasarkan pada teori tindak tutur. Terdiri dari tiga lapisan: lapisan konten, lapisan pesan dan lapisan komunikasi (gambar 4). 

Lapisan komunikasi menyandikan serangkaian fitur pesan yang menggambarkan parameter komunikasi tingkat rendah, seperti identitas pengirim dan penerima dan pengidentifikasi unik yang terkait dengan pesan. Lapisan pesan digunakan untuk menyandikan pesan yang akan dikirim. Lapisan ini menentukan tindakan bicara atau fungsi yang pengirim melampirkan konten dan mengirim ke penerima. Ini juga mencakup fitur opsional seperti bahasa konten atau ontologi yang digunakan, antara lain. Lapisan konten termasuk konten pesan itu sendiri. Ini bisa dalam bahasa presentasi ulang . 

KQLM memiliki kata kunci sendiri dengan makna khusus, yang paling penting diberikan. Contoh pesan KQLM yang mungkin ada dalam kerangka kerja yang mengusulkan dan yang menggunakan fungsi "kirim" adalah sebagai berikut: 

Penafsiran fungsi kirim adalah: pesan dikirim oleh "Agent001Server" ke "Agent005Mobile". Pesan tersebut merupakan balasan dari pesan sebelumnya "message-no-M0023". Bahasa yang digunakan untuk menulis konten pesan adalah "KIF" menggunakan ontologi "ke1". Pesan itu sendiri adalah (URL-Id 823 www.itshop.com) yang mewakili informasi bahwa nama URL dengan id 823 adalah www.itshop.com. 

Fungsi "kirim" menegaskan apa yang berikut ": konten". Nilai-nilai dalam ": dalam-balasan-ke", ": pengirim" dan ": penerima" adalah lapisan komunikasi, nilai-nilai dalam ": bahasa" dan ": ontologi" terdiri dari lapisan pesan, dan nilai dalam ": konten ”Adalah lapisan konten. Penggunaan kata kunci ": in-reply-to" menunjukkan bahwa pesan ini dikirim oleh "Agent001Server" ke "Agent005Mobile" sebagai respons terhadap pesan sebelumnya yang pastinya adalah kueri. 

3.4 Pendekatan statis proyek 

Untuk mengevaluasi kontribusi positif agen seluler dalam algoritma penelitian generik, perlu untuk mempertimbangkan implementasi statis dari proyek yang sama yang disajikan pada gambar awal, di mana "Manajemen Kontrol Basis Data" telah digantikan oleh "Basis Data 

Tugas Kontrol" yang hanya menyimpan tugas yang terhubung ke komponen statis yang pertama. Kegiatan “Mencari Agen” juga berbeda; sebenarnya ia tidak mencari "dokumen terbaik" untuk output (seperti yang kami katakan dalam kasus sebelumnya) lagi, tetapi juga mengimplementasikan pencarian yang luas di Internet. Seperti dapat dilihat pada Gambar 5, Agen Server berada di blok yang sama dengan Agen Mencari. Namun, Agen Pencarian memiliki peran untuk mencari dokumen dalam set "yang terbaik", tetapi untuk kali ini, juga dalam modul yang sama dengan Agen Server dan komunikasi itu dibuat dalam mode lokal. Dokumen juga disimpan dalam disk lokal dan folder baru dibuat untuk setiap server jarak jauh yang berisi hyperlink ke dokumen pada disk lokal. 

Gambar. 5. Blok diagram implementasi statis 

Membandingkan dengan struktur awal, yang statis, Agen dengan Algoritma untuk modul Evaluasi tidak lagi ada. Ini akan membuat untuk meningkatkan respon waktu dan sumber daya yang digunakan untuk menemukan hasil akhir. 

Dengan cara ini biaya overhead tinggi karena semua dokumen dibawa ke server rumah, offline diperiksa dan dievaluasi, sehingga ruang memori yang sangat besar diambil. 

Dalam sistem agen bergerak, evaluasi dilakukan di server tempat dokumen disimpan, dan hanya "Agen dengan Algoritma untuk klon Evaluasi" yang dapat melewati jaringan; ini menghasilkan penurunan jumlah memori yang digunakan dan lalu lintas bersih. Hasil bersihnya adalah penurunan run-time dan peningkatan kualitas transfer informasi. 

Selanjutnya dapat diamati bahwa "waktu pengembalian" adalah dalam hubungan terbalik baik dengan proses pencarian paralel dan untuk tingkat evaluasi. 

 

4. Arahan di masa depan 

Pekerjaan ini telah memperkenalkan perspektif baru ke bidang adaptasi agen pencocokan dalam pencarian informasi. Penelitian sebelumnya dalam pencarian informasi telah berfokus pada informasi dokumen dan teknologi agen untuk mendapatkan hasil akhir. Telah ditunjukkan bahwa adaptasi genetik dari agen pencocokan dapat menyebabkan peningkatan kinerja pengambilan. Aspek ruang penyimpanan data yang besar yang mengarah pada jumlah data yang lebih besar dan lebih besar yang akan sangat sulit untuk dikendalikan dan digunakan untuk pengambilan keputusan. Namun, lebih banyak pekerjaan yang perlu dilakukan di bidang ini. 

Algoritma yang disajikan tampaknya bekerja dengan baik dalam kerangka yang disajikan. Penting juga untuk menguji algoritma ini pada koleksi dokumen yang berbeda untuk melihat kinerjanya dengan penskalaan baik dalam ukuran basis data dan dalam fitur yang tersedia. 

Model yang disajikan hanya membutuhkan nilai pengambilan yang ditentukan dalam dataset input yang terkait dengan dokumen. Itulah cara model yang diusulkan dapat digunakan untuk banyak metode pengambilan berdasarkan teknologi agen. 

Agen yang dijelaskan dapat diatur sesuai dengan indikasi administrator dan preferensi pengguna. Al variabel dapat didefinisikan untuk memiliki kuantifikasi tingkat kepuasan pengguna untuk hasil yang didapat. Penelitian saat ini dalam pencarian informasi berfokus pada adaptasi subsistem individu. Di masa depan, dimungkinkan untuk menggabungkan algoritma genetika baru dengan fitur terbaik teknologi agen. Perlu dicatat bahwa agen seluler dan algoritma genetika saling melengkapi satu sama lain. Kami tidak harus memilih salah satu dari pendekatan ini di atas yang lain. Keduanya dapat hidup berdampingan dalam sistem pencarian informasi. Dari perspektif praktis, agen seluler dan algoritma genetik dapat dieksekusi selama sesi kueri pengguna. Adaptasi dokumen melibatkan perubahan deskripsi dokumen untuk ribuan dokumen, yang merupakan proses yang memakan waktu. 

Penelitian kami menggabungkan berbagai jenis agen yang tersedia dengan menggabungkan mereka. Area menjanjikan lainnya adalah untuk melihat, jika alih-alih 

menggunakan set input setiap kali, agen dapat diatur untuk membuat dataset ini, sesuai dengan profil pengguna. Evolusi agen cerdas baru ini dapat dilakukan dengan menggunakan jenis teknik pemrograman genetika dengan menggabungkan berbagai fitur dengan tepat (misalnya nomor akses, kecepatan dokumen, frekuensi penampilan, frekuensi dokumen, panjang paragraf, ketersediaan token dalam judul, dll.) Yang digunakan dalam pengambilan. 

5. Kesimpulan 

Mengotomatisasi sebagian atau sepenuhnya sebagian proses yang terlibat dalam e-commerce akan menghasilkan penghematan biaya yang signifikan. Meskipun pilihan dan peluang untuk individu dan organisasi telah meningkat secara dramatis, kecuali mereka benar-benar dapat menemukan peluang ini - klien, pasar, mitra potensial, pembukaan di pasar - mereka tidak akan dapat memanfaatkannya. Dengan menggunakan agen, organisasi dapat benar-benar melakukan bisnis 24 jam sehari dan mengambil keuntungan dari peluang yang muncul, bahkan jika mereka muncul di zona waktu atau benua yang berbeda. Karena agen peranti lunak dapat mencari tanpa henti kecocokan terbaik secara global, biaya pencarian mitra atau produk dapat diminimalkan dan dengan demikian efisiensi dapat meningkat. Pencarian yang dilakukan agen-agen ini atas nama pengguna dapat berupa pencarian yang cerdas, melibatkan sejumlah situs untuk mengekstraksi informasi yang diperlukan, mencocokkan preferensi pengguna dan menemukan kesepakatan terbaik. Agen tersebut dapat melakukan salah satu tugas yang paling memakan waktu, yaitu menegosiasikan ketentuan-ketentuan transaksi dan kontrak. Agen dapat membuat keputusan yang baik dengan cepat, sekali lagi meminimalkan biaya dan meningkatkan efisiensi ekonomi secara keseluruhan tanpa harus melibatkan manusia. Agen juga dapat digunakan untuk menawarkan layanan yang dipersonalisasi kepada pengguna.