ทำไมการวิจัยเกี่ยวกับอัลกอริธึมทางพันธุกรรมจึงชะลอตัว?

ในขณะที่กำลังพูดถึงหัวข้อระดับอินโทรในวันนี้รวมถึงการใช้อัลกอริทึมทางพันธุกรรม ฉันบอกว่าการวิจัยชะลอตัวลงในสาขานี้ เหตุผลที่กำหนดคือคนส่วนใหญ่มุ่งเน้นไปที่การเรียนรู้ของเครื่องและการทำเหมืองข้อมูล
อัปเดต:ถูกต้องหรือไม่ และถ้าเป็นเช่นนั้น ML / DM มีข้อได้เปรียบอะไรบ้างเมื่อเทียบกับ GA

การเรียนรู้ของเครื่องในแง่ของการจดจำรูปแบบทางสถิติและการขุดข้อมูลนั้นเป็นประเด็นที่ร้อนแรง แต่ฉันไม่อยากพูดว่าการวิจัยในอัลกอริธึมเชิงวิวัฒนาการชะลอตัวลงเป็นพิเศษ โดยทั่วไปแล้วทั้งสองพื้นที่จะไม่นำไปใช้กับปัญหาประเภทเดียวกัน ยังไม่ชัดเจนในทันทีว่าวิธีการที่ขับเคลื่อนด้วยข้อมูลช่วยให้คุณทราบวิธีกำหนดเวลาที่ดีที่สุดสำหรับผู้ปฏิบัติงานกะหรือแพคเกจเส้นทางที่มีประสิทธิภาพมากขึ้น

วิธีการวิวัฒนาการมักใช้กับปัญหาการปรับให้เหมาะสมอย่างหนักมากกว่าการจดจำรูปแบบ คู่แข่งที่ตรงที่สุดคือแนวทางการวิจัยการดำเนินงานโดยทั่วไปการเขียนโปรแกรมทางคณิตศาสตร์และรูปแบบอื่น ๆ ของการค้นหาแบบฮิวริสติกเช่นการค้นหาแบบ Tabu การจำลองแบบการหลอมและอัลกอริทึมอื่น ๆ ที่รู้จักกันในชื่อ มีการประชุมประจำปีที่มีขนาดใหญ่มากสองครั้งในการคำนวณเชิงวิวัฒนาการ (GECCO และ CEC) การประชุมที่มีขนาดเล็กเช่น PPSN, EMO, FOGA และ Evostar และวารสารคุณภาพสูงอย่างน้อยสองรายการ (ธุรกรรม IEEE เกี่ยวกับวิวัฒนาการการคำนวณและ MIT Press) Journal Evolution Computation) เช่นเดียวกับจำนวนที่เล็กกว่าซึ่งรวมถึงส่วน EC ของการมุ่งเน้นที่กว้างขึ้น

จากข้อมูลทั้งหมดที่กล่าวมามีข้อได้เปรียบหลายประการที่สนามมักคิดว่าเป็น "การเรียนรู้ของเครื่อง" ในการเปรียบเทียบ "ความร้อน" ใด ๆ หนึ่งมันมีแนวโน้มที่จะอยู่บนพื้นฐานทางทฤษฎีที่แน่นแฟ้นขึ้นซึ่งนักคณิตศาสตร์มักชอบ สองเราอยู่ในยุคทองสำหรับข้อมูลและวิธีการเรียนรู้ของเครื่องจักรที่ทันสมัยจำนวนมากเริ่มต้นที่จะส่องแสงเมื่อได้รับข้อมูลจำนวนมากและพลังในการคำนวณจำนวนมากและในทั้งสองแง่มุม "ขวา".

เมื่อหลายสิบปีก่อนผู้คนคิดว่าอัลกอริธึมทางพันธุกรรมและวิวัฒนาการเป็นมีดแบบกองทัพสวิส คำแถลงเช่นสมมุติฐานของBuilding Blockนั้นมีขึ้นเพื่อพยายามพิสูจน์ว่าพวกเขาอยู่ในกลยุทธ์ที่ดีโดยทั่วไป

อย่างไรก็ตามผลอย่างเข้มงวดได้ช้าในการมาและมักจะ sobering เด่นที่สุดอาหารกลางวันฟรีไม่มีทฤษฏี เห็นได้ชัดว่าอัลกอริธึมทางพันธุกรรม / วิวัฒนาการมักจะเป็นฮิวริสติกที่เหมาะสม แต่ไม่เคยดีที่สุดในแง่ใด ๆ

วันนี้เรารู้ว่ายิ่งเรารู้ปัญหามากขึ้นตามลำดับโครงสร้างความรู้สึกน้อยลงที่จะใช้อัลกอริทึมพันธุกรรม / วิวัฒนาการเป็นวิธีการอื่นที่ใช้ความรู้นี้มีประสิทธิภาพสูงกว่าขนาด ในกรณีที่ไม่ค่อยมีใครรู้เกี่ยวกับปัญหาในมืออย่างไรก็ตามพวกเขายังคงเป็นทางเลือกที่ทำงานได้เพราะพวกเขาทำงานเลย

ส่วนสำคัญของเรื่องราวที่ฉันเห็นมันหายไปจากคำตอบอื่น ๆ :

อัลกอริทึมทางพันธุกรรมส่วนใหญ่มีประโยชน์สำหรับปัญหาการค้นหากำลังดุร้าย

ในหลายบริบทกลยุทธ์การเพิ่มประสิทธิภาพที่ง่ายขึ้นหรือแบบจำลองการอนุมาน (สิ่งที่คุณจะเรียกการเรียนรู้ด้วยเครื่อง) สามารถทำได้ดีมากและทำได้อย่างมีประสิทธิภาพมากกว่าการค้นหาด้วยกำลัง

อัลกอริธึมทางพันธุกรรมเช่นการจำลองแบบการอบมีประสิทธิภาพมากที่สุดเป็นกลยุทธ์ในการจัดการกับปัญหาการค้นหาแบบ โดเมนเหล่านี้มีแนวโน้มที่จะถูก จำกัด ด้วยความแข็งที่แท้จริงของปัญหาที่การปรับเปลี่ยนและวนซ้ำในปัจจัยที่พอประมาณในกลยุทธ์การแก้ปัญหาโดยการปรับปรุงอัลกอริทึมทางพันธุกรรมที่เพิ่มขึ้นบ่อยครั้งไม่ได้ใช้งานมากนัก

ในระดับหนึ่งการเรียนรู้ของเครื่องกลายเป็นคณิตศาสตร์มากขึ้นและด้วยอัลกอริธึมที่สามารถ 'พิสูจน์ได้' ในการทำงาน ในบางวิธี GAs "เกิดขึ้นที่นั่นมาก" และคุณไม่สามารถตอบคำถามได้อย่างสมบูรณ์แบบ "ดังนั้นโปรแกรมของคุณทำอะไร" (ในสายตาของบางคน)

ฉันเองสนับสนุนการรวมอวนประสาทและ GA = GANN ในวิทยานิพนธ์ปริญญาเกียรตินิยมของฉันฉันผลิตอัลกอริทึมการทำนายยาเสพติดเป็นครั้งแรกโดยใช้ NNs จากนั้น GA และในที่สุดก็เป็น GANN ที่ดีที่สุดของโลกทั้งสองและมีประสิทธิภาพสูงกว่าทั้งสองชุดอื่น ๆ อย่างไรก็ตาม YMMV

การเรียนรู้ของเครื่องเผยส่วนใหญ่ของอุปกรณ์ทางคณิตศาสตร์ที่จะพัฒนาและนำไปใช้ อัลกอริทึมพันธุศาสตร์ส่วนใหญ่ทำโดยการวิเคราะห์พฤติกรรม