Mengapa penelitian tentang algoritma genetika melambat?

Saat membahas beberapa topik tingkat intro hari ini, termasuk penggunaan algoritma genetika; Saya diberitahu bahwa penelitian sangat lambat di bidang ini. Alasan yang diberikan adalah bahwa kebanyakan orang berfokus pada pembelajaran mesin dan data mining.
Pembaruan: Apakah ini akurat? Dan jika demikian, apa kelebihan ML / DM jika dibandingkan dengan GA?

Nah, pembelajaran mesin dalam arti pengenalan pola statistik dan penambangan data jelas merupakan area yang lebih panas, tapi saya tidak akan mengatakan penelitian dalam algoritma evolusioner telah melambat. Kedua area umumnya tidak diterapkan pada jenis masalah yang sama. Tidak segera jelas bagaimana pendekatan yang didorong oleh data membantu Anda, misalnya, mencari tahu cara menjadwalkan perpindahan pekerja atau paket rute terbaik dengan lebih efisien.

Metode evolusi paling sering digunakan pada masalah optimasi keras daripada pengenalan pola. Pesaing yang paling langsung adalah pendekatan riset operasi, pada dasarnya pemrograman matematika, dan bentuk lain dari pencarian heuristik seperti pencarian tabu, anil simulasi, dan puluhan algoritma lain yang secara kolektif dikenal sebagai "metaheuristik". Ada dua konferensi tahunan yang sangat besar tentang perhitungan evolusioner (GECCO dan CEC), sejumlah konferensi yang lebih kecil seperti PPSN, EMO, FOGA, dan Evostar, dan setidaknya dua jurnal berkualitas tinggi utama (Transaksi IEEE tentang Komputasi Evolusi dan MIT Press) jurnal Evolution Computation) serta sejumlah yang lebih kecil yang memasukkan EC bagian dari fokus mereka yang lebih luas.

Semua yang mengatakan, ada beberapa keuntungan bidang yang lebih umum dianggap sebagai "pembelajaran mesin" memiliki perbandingan "panas". Pertama, cenderung lebih kuat pada landasan teori, yang selalu disukai oleh para ahli matematika. Dua, kita berada dalam zaman keemasan untuk data, dan banyak metode pembelajaran mesin yang mutakhir benar-benar baru mulai bersinar ketika diberi banyak data dan banyak daya komputasi, dan dalam kedua hal, waktu dalam arti tertentu "Baik".

Beberapa dekade yang lalu, orang-orang berpikir bahwa algoritma genetika dan evolusi adalah swiss-army-pisau, didorong oleh hasil awal yang spektakuler. Pernyataan seperti hipotesis dasar dibuat dalam upaya untuk membuktikan bahwa mereka pada umumnya strategi yang baik.

Namun, hasil yang keras datang lambat dan sering kali serius, yang paling menonjol adalah Teorema Tanpa Makan Siang Gratis . Itu menjadi jelas bahwa algoritma genetika / evolusi sering heuristik yang layak tetapi tidak pernah optimal dalam arti apapun.

Hari ini kita tahu bahwa semakin banyak kita tahu tentang masalah masing-masing strukturnya, semakin tidak masuk akal untuk menggunakan algoritma genetik / evolusi sebagai metode lain yang menggunakan pengetahuan ini mengungguli mereka dengan besarnya. Namun, dalam kasus-kasus di mana sedikit yang diketahui tentang masalah yang dihadapi, mereka masih tetap menjadi alternatif yang layak karena mereka bekerja sama sekali.

Bagian penting dari cerita ini, seperti yang saya lihat, hilang dari jawaban lain sejauh ini:

Algoritma genetika sebagian besar berguna untuk masalah pencarian brute force.

Dalam banyak konteks, strategi optimasi yang lebih sederhana atau model inferensi (apa yang secara luas Anda sebut pembelajaran mesin) dapat bekerja dengan sangat baik, dan melakukannya jauh lebih efisien daripada pencarian brute force.

Algoritma genetika, seperti annealing yang disimulasikan, paling efektif sebagai strategi untuk menangani masalah yang sama baiknya dengan yang kita ketahui dengan masalah pencarian yang sulit (mis. NP lengkap). Domain ini cenderung sangat dibatasi oleh kekerasan intrinsik dari masalah yang mengutak-atik dan mengulangi pada faktor-faktor sederhana dalam strategi solusi, dengan meningkatkan algoritma genetika secara bertahap, sering kali tidak terlalu banyak digunakan, dan jadi tidak terlalu menarik.

Sampai batas tertentu, pembelajaran mesin menjadi lebih matematis dan dengan algoritma dapat 'terbukti' bekerja. Dalam beberapa hal, GAS sangat "dengan yang terjadi di sana" dan Anda tidak dapat dengan sempurna menjawab pertanyaan "jadi apa yang program Anda lakukan?" (baik di mata sebagian orang, sih).

Saya pribadi menganjurkan menggabungkan jaring saraf dan GA = GANNs. Dalam tesis kehormatan saya, saya menghasilkan algoritma prediksi obat yang pertama menggunakan NNs, kemudian GA, dan akhirnya GANN yang mengambil yang terbaik dari kedua dunia dan mengungguli kedua set lainnya. YMMV, namun.

Pembelajaran mesin memperkenalkan sebagian besar peralatan matematika untuk dikembangkan dan diterapkan. Algoritma genetika banyak dilakukan oleh heuristik.