Genetik algoritmalar üzerine araştırma neden yavaşladı?

Genetik algoritmaların kullanımı da dahil olmak üzere günümüzde bazı giriş seviyesi konularını tartışırken; Bu alanda araştırmaların gerçekten yavaşladığı söylendi. Bunun nedeni çoğu insanın makine öğrenmeye ve veri madenciliğine odaklanmış olmasıdır.
Güncelleme: Bu doğru mu? Ve eğer öyleyse, ML / DM'nin GA ile karşılaştırıldığında ne gibi avantajları vardır?

İstatistiksel örüntü tanıma ve veri madenciliği anlamında makine öğrenmesi kesinlikle daha sıcak alanlardır, ancak evrimsel algoritmalarla ilgili araştırmaların özellikle yavaşladığını söyleyemem. İki alan genellikle aynı tür sorunlara uygulanmaz. Örneğin, veri odaklı bir yaklaşımın, çalışanların vardiyalarını en iyi şekilde nasıl programlayacağınızı ya da paketleri daha verimli bir şekilde nasıl planlayacağınızı çözeceğinizi hemen anlayamıyorsunuz.

Evrimsel yöntemler en çok örüntü tanıma yerine zor optimizasyon problemlerinde kullanılır. En doğrudan rakipler, operasyon araştırması yaklaşımları, temelde matematiksel programlama ve tabu arama, benzetilmiş tavlama ve topluca "meta-teknik" olarak bilinen düzinelerce diğer algoritmalar gibi diğer heuristik arama biçimleridir. PPSN, EMO, FOGA ve Evostar gibi daha küçük konferanslardan oluşan küçük bir konferans ve evrimsel hesaplamalar (GECCO ve CEC) hakkında çok büyük iki yıllık konferans ve en az iki büyük yüksek kaliteli dergi (Evrimsel Hesaplama ve MIT Basını IEEE İşlemleri) dergisi Evolution Computation) ve daha geniş odak noktalarının EC bölümünü içeren birkaç küçük olanlar.

Bunların hepsi, daha genel olarak "makine öğrenmesi" nin "sıcaklık" karşılaştırmasında olduğu düşünülen alanın daha genel olarak düşündüğü çeşitli avantajlar sunuyor. Birincisi, matematikçilerin her zaman sevdiği teorik zeminde daha sıkı olma eğilimindedir. İkincisi, veriler için altın çağa sahip bir şeyiz ve birçok modern makine öğrenme metodu gerçekten sadece tonlarca veri ve tonlarca işlem gücü verildiğinde parlamaya başlıyor ve her iki açıdan da zaman bir anlamda "sağ".

Birkaç on yıl önce, insanlar genetik ve evrimsel algoritmaların muhteşem erken sonuçlarla beslenen İsviçre ordusu-bıçaklar olduğunu düşünüyorlardı. Yapı taşı hipotezi gibi ifadeler , genel olarak iyi stratejiler olduklarını kanıtlamak amacıyla yapılmıştır.

Bununla birlikte, en belirgin biçimde No Free Lunch Teoremi olarak öne çıkan ve sık sık rahatsız edici sonuçlar elde edildi . Genetik / evrimsel algoritmaların çoğu zaman iyi bir sezgisel buluş olduğu ancak hiçbir şekilde optimal olmadığı anlaşıldı.

Bugün biliyoruz ki, bir problemi sırasıyla yapısı hakkında ne kadar fazla bilirsek, genetik / evrimsel algoritmaları bu bilgiyi kullanan diğer yöntemler olarak kullanmaya o kadar az duyarlıdır; Bununla birlikte, eldeki sorun hakkında çok az şey biliniyorsa, hala işe yarayan bir alternatif olmaya devam ediyorlar çünkü işe yarıyorlar.

Hikayenin eleştirel bir kısmı, gördüğüm kadarıyla, şu ana kadarki diğer cevaplarda eksik:

Genetik algoritmalar kaba kuvvet arama problemleri için çoğunlukla yararlıdır.

Pek çok bağlamda, daha basit optimizasyon stratejileri veya çıkarım modelleri (genel olarak makine öğrenmesi dediğiniz şey) çok iyi performans gösterebilir ve kaba kuvvet aramadan çok daha verimli bir şekilde yapabilir.

Benzetilmiş tavlama gibi genetik algoritmalar, en zor (örneğin NP tamamlanmış) arama problemleriyle ne kadar iyi olduğumuzla başa çıkma stratejisi olarak etkilidir. Bu alanlar, çözüm stratejisindeki mütevazı faktörleri ayarlayan ve yineleyen, genetik algoritmaları aşamalı olarak iyileştiren, genellikle çok fazla kullanılmayan ve çok heyecan verici olmayan sorunların gerçek sertliği ile sınırlı olma eğilimindedir.

Bir dereceye kadar, makine öğrenmesi daha matematiksel hale geliyor ve çalıştığı kanıtlanabilecek algoritmalar kullanıyor. Bazı açılardan, GA'lar çok "orada gerçekleşti" ve "programınız ne yaptı?" Sorusuna tam olarak cevap veremezsiniz. (Zaten bazı insanların gözünde de).

Şahsen sinir ağlarını ve GA = GANN'leri birleştirmeyi savunuyorum. Onur tezimde, önce NN'ler, sonra bir GA ve son olarak her iki dünyanın da en iyisini alan ve her iki grubun da önüne geçen bir GANN kullanarak bir ilaç tahmin algoritması ürettim. Ancak YMMV.

Makine öğrenmesi, geliştirilip uygulanacak matematiksel aygıtların büyük bir bölümünü ortaya çıkarır. Genetik algoritmalar çoğunlukla sezgisel tarama ile yapılır.