Чому дослідження генетичних алгоритмів сповільнилися?

Під час обговорення деяких тем на рівні рівня, зокрема використання генетичних алгоритмів; Мені сказали, що дослідження справді сповільнилися в цій галузі. Причина полягала в тому, що більшість людей зосереджуються на машинному навчанні та обробці даних.
Оновлення: чи це точно? І якщо так, то які переваги має ML / DM у порівнянні з GA?

Ну, машинне навчання в розумінні розпізнавання статистичних зразків і видобуток даних, безумовно, є більш гарячими напрямками, але я б не сказав, що дослідження еволюційних алгоритмів особливо сповільнилося. Обидві області зазвичай не застосовуються до одних і тих же проблем. Не відразу зрозуміло, яким чином підхід, керований даними, допомагає вам, наприклад, розібратися, як найкраще запланувати робочий графік змін або пакет маршрутів.

Еволюційні методи найчастіше використовуються для проблем жорсткої оптимізації, а не для розпізнавання шаблонів. Найбільш прямими конкурентами є операційні дослідницькі підходи, в основному математичне програмування та інші форми евристичного пошуку, такі як пошук за допомогою табу, імітований відпал та десятки інших алгоритмів, спільно відомих як "метагевристика". Є дві дуже великі щорічні конференції з обчислень еволюції (GECCO та CEC), ряд менших конференцій, таких як PPSN, EMO, FOGA, і Evostar, і щонайменше два основні високоякісні журнали (IEEE Transaction on Evolutionary Computation та MIT Press) журнал «Еволюція обчислень»), а також ряд менших, які включають частину ЕК в їх більш широкий спектр.

Все, що було сказано, є кілька переваг, які поле, як правило, вважається «машинним навчанням» у будь-якому порівнянні «гарячості». По-перше, це тенденція опинитися на набагато більш твердій теоретичній основі, що математикам завжди подобається. По-друге, ми перебуваємо в чомусь золотому віці для даних, і багато передових методів машинного навчання насправді починають світити лише тоді, коли даються тонни даних і тонни обчислювальної потужності, і в обох аспектах час у певному сенсі "правильно".

Деякі десятиліття тому люди думали, що генетичні та еволюційні алгоритми - це ножі швейцарської армії, підживлені вражаючими ранніми результатами. Такі заяви, як гіпотеза про будівельний блок, були зроблені, намагаючись довести, що вони в цілому хороші стратегії.

Однак суворі результати були повільними і часто тверезими, особливо це стосується теореми "Без вільного обіду" . Стало очевидним, що генетичні / еволюційні алгоритми часто є гідною евристикою, але ніколи не є оптимальною в будь-якому сенсі.

Сьогодні ми знаємо, що чим більше ми знаємо про проблему відповідно про її структуру, тим менше сенсу використовувати генетичні / еволюційні алгоритми як інші методи, які використовують ці знання, перевершують їх за величиною. У тих випадках, коли про проблему, що існує, мало відомо, проте вони все ще залишаються життєздатною альтернативою, оскільки працюють взагалі.

Як я бачу, критична частина історії відсутня в інших відповідях:

Генетичні алгоритми здебільшого корисні для проблем з грубою силою пошуку.

У багатьох контекстах простіші стратегії оптимізації або моделі висновків (що ви б в основному назвали машинним навчанням) можуть бути дуже ефективними та робити це набагато ефективніше, ніж грубий пошук.

Генетичні алгоритми, подібні до імітованого відпалу, є найбільш ефективними як стратегія вирішення проблем, як добре, як ми знаємо, з важкими (наприклад, NP завершеними) пошуковими проблемами. Ці домени, як правило, настільки обмежені внутрішньою жорсткістю проблем, які налаштування та повторення помірних факторів у стратегії рішення, шляхом поступового вдосконалення генетичних алгоритмів, часто не дуже корисні, і тому не дуже захоплюючі.

В якійсь мірі машинне навчання стає все більш математичним і з алгоритмами, які можуть бути "доведеними" для роботи. У чомусь, ГС дуже "сталися там", і ви не можете ідеально відповісти на питання "так що зробила ваша програма?" (ну в очах деяких людей, все одно).

Я особисто виступаю за поєднання нейронних мереж та GA = GANN. У своїй відмінній дисертації я створив алгоритм прогнозування наркотиків спочатку за допомогою NN, потім GA і, нарешті, GANN, який взяв найкраще з обох світів і перевершив обидва інші набори. YMMV, однак.

Машинне навчання розкриває значну частину математичного апарату, який потрібно розробити та застосувати. Генетичні алгоритми в основному виконуються евристикою.