유전자 알고리즘에 대한 연구가 왜 느려졌습니까?

유전자 알고리즘의 사용을 포함하여 오늘날 소개 레벨 주제를 논의하면서; 이 분야에서 연구가 정말 느려 졌다고 들었습니다. 그 이유는 대부분의 사람들이 머신 러닝과 데이터 마이닝에 집중하고 있기 때문입니다.
업데이트 : 이것이 정확합니까? 그렇다면 GA와 비교할 때 ML / DM의 장점은 무엇입니까?

통계 패턴 인식 및 데이터 마이닝의 관점에서 기계 학습은 확실히 더 뜨거운 영역이지만 진화 알고리즘에 대한 연구가 특히 느려진 것은 아닙니다. 두 영역은 일반적으로 동일한 유형의 문제에 적용되지 않습니다. 예를 들어 작업자 교대를 가장 효율적으로 예약하거나 패키지를보다 효율적으로 라우팅하는 방법을 알아내는 등 데이터 기반 접근 방식이 어떻게 도움이되는지 명확하지 않습니다.

진화 적 방법은 패턴 인식이 아닌 하드 최적화 문제에서 가장 자주 사용됩니다. 가장 직접적인 경쟁자는 운영 연구 접근 방식, 기본적으로 수학적 프로그래밍 및 tabu 검색, 시뮬레이션 어닐링 및 "metaheuristics"로 통칭되는 수십 가지 다른 알고리즘과 같은 다른 형태의 휴리스틱 검색입니다. PPSN, EMO, FOGA, Evostar와 같은 소규모 소규모 회의, 최소 2 개의 주요 고품질 저널 (IEEE Transactions on Evolutionary Computation and MIT Press)과 같은 진화 계산 (GECCO 및 CEC)에 대한 대규모 연례 회의가 2 회 있습니다. Evolution Computation)과 광범위한 초점의 EC 부분을 포함하는 다수의 작은 것들도 포함합니다.

그러나, "기계 학습"으로 더 일반적으로 생각되는 분야는 "고온"과 비교할 때 몇 가지 장점이 있습니다. 하나, 그것은 수학자들이 항상 좋아하는 훨씬 더 견고한 이론적 근거에있는 경향이 있습니다. 두 번째로, 우리는 데이터 시대의 황금 시대에 있으며, 수많은 최첨단 머신 러닝 방법은 실제로 수많은 데이터와 수많은 컴퓨팅 파워를 제공 할 때만 빛을 발하기 시작합니다. "권리".

수십 년 전, 사람들은 유전자 알고리즘과 진화 알고리즘이 놀라운 초기 결과에 힘 입어 스위스 군용 칼이라고 생각했습니다. 빌딩 블록 가설 과 같은 진술 은 일반적으로 좋은 전략임을 입증하기 위해 만들어졌습니다.

그러나, 엄청나게 노 프리 런치 정리 (No Free Lunch Theorem) 는 엄청나게 많은 결과가오고, 종종 냉정하게 느꼈습니다 . 유전 적 / 진화 적 알고리즘은 종종 괜찮은 휴리스틱이지만 어떤 의미에서도 최적의 것은 아니라는 것이 분명 해졌다.

오늘날 우리는 문제의 구조에 대해 더 많이 알수록, 이 지식 을 사용 하는 다른 방법 이 규모에 비해 성능을 능가하는 다른 방법으로 유전자 / 진화 알고리즘을 사용하는 것이 덜 의미가 있다는 것을 알고 있습니다. 그러나 당면한 문제에 대해 거의 알려지지 않은 경우에도 여전히 작동하기 때문에 실행 가능한 대안으로 남아 있습니다.

내가 본 것처럼 이야기의 중요한 부분은 지금까지 다른 답변에서 누락되었습니다.

유전자 알고리즘은 대부분 무차별 검색 문제에 유용합니다.

많은 상황에서 간단한 최적화 전략 또는 추론 모델 (일반적으로 머신 러닝이라고 부르는 것)은 성능이 뛰어나고 무차별 대입보다 훨씬 효율적으로 수행 할 수 있습니다.

시뮬레이션 어닐링과 같은 유전자 알고리즘은 어려운 (예 : NP 완료) 검색 문제를 잘 아는 방법을 처리하는 전략으로 가장 효과적입니다. 이러한 영역은 문제의 본질적인 경도에 의해 너무 제한되는 경향이 있으며, 해결책 알고리즘에서 적당한 요인을 조정하고 반복하여 유전자 알고리즘을 점진적으로 개선함으로써 종종 그다지 사용되지 않으므로 그리 흥미 진진하지 않습니다.

기계 학습은 어느 정도 수학적으로 발전하고 있으며 알고리즘이 작동하는 것으로 입증 될 수 있습니다. 어떤면에서 GA는 매우 "그곳에서 일어 났으며" "당신의 프로그램은 무엇을 했습니까?"라는 질문에 완벽하게 대답 할 수는 없습니다. (어쨌든 일부 사람들의 눈에는 좋습니다).

나는 개인적으로 신경망과 GA = GANN의 결합을 옹호합니다. 나의 명예 논문에서, 나는 먼저 NN을 사용한 약물 예측 알고리즘을 만든 다음 GA를, 마지막으로 GANN을 사용하여 두 세계를 모두 최대한 활용하고 다른 두 세트를 능가하는 GANN을 만들었습니다. 그러나 YMMV.

머신 러닝은 많은 수의 수학 장치를 개발하고 적용 할 수 있도록합니다. 유전학 알고리즘은 주로 휴리스틱에 의해 수행됩니다.