なぜ遺伝的アルゴリズムの研究が遅れたのですか？

今日、遺伝的アルゴリズムの使用を含むいくつかのイントロレベルのトピックを議論している間; この分野の研究は本当に遅れていると言われました。理由は、ほとんどの人が機械学習とデータマイニングに集中しているためです。
更新：これは正確ですか？もしそうなら、ML / DMはGAと比較してどのような利点がありますか？

まあ、統計パターン認識とデータマイニングの意味での機械学習は間違いなくホットな分野ですが、進化アルゴリズムの研究が特に遅れているとは思いません。2つの領域は、通常、同じタイプの問題には適用されません。たとえば、データ駆動型のアプローチがどのように役立つか、たとえば、労働者の交代を最適にスケジュールしたり、パッケージをより効率的にルーティングする方法を見つけたりすることはすぐにはわかりません。

進化的手法は、パターン認識よりも難しい最適化問題で最もよく使用されます。最も直接的な競合相手は、オペレーションズリサーチアプローチ、基本的に数理計画法、タブー検索、シミュレーテッドアニーリング、および「メタヒューリスティックス」と総称される他の多数のアルゴリズムなどのヒューリスティック検索です。進化計算に関する非常に大規模な年次会議（GECCOとCEC）、PPSN、EMO、FOGA、Evostarなどの小規模な会議が多数あり、少なくとも2つの主要な高品質ジャーナル（進化的計算に関するIEEEトランザクションとMIT Press）があります。ジャーナルEvolution Computation）だけでなく、ECをより広範な焦点の一部とするいくつかの小さなものもあります。

とは言っても、この分野が「機械学習」と一般に考えている「ホットネス」の比較にはいくつかの利点があります。1つは、数学者が常に好む、はるかに強固な理論的根拠にある傾向があります。2つ目は、データの黄金時代であり、最先端の機械学習方法の多くは、大量のデータと大量の計算能力を与えられたときに初めて輝き始めます。 "右"。

数十年前、人々は遺伝的アルゴリズムと進化的アルゴリズムはスイス軍のナイフであり、壮大な初期の結果に支えられていると考えていました。ビルディングブロック仮説のような声明は、それらが一般的に良い戦略であることを証明するために作られました。

しかし、厳密な結果は来るのに時間がかかり、しばしば落ち着きがあり、最も顕著なのはノー・フリー・ランチ定理です。遺伝的/進化的アルゴリズムは、多くの場合、適切なヒューリスティックですが、いかなる意味でも決して最適ではないことが明らかになりました。

今日、私たちは問題の構造をそれぞれ知っているほど、この知識を使用する他の方法として遺伝的/進化的アルゴリズムを採用する意味が大きくなります。ただし、目前の問題についてほとんど知られていない場合でも、機能するため、実行可能な代替手段のままです。

私が見るように、物語の重要な部分は、これまでの他の答えから欠落しています：

遺伝的アルゴリズムは、ブルートフォース検索の問題に最も役立ちます。

多くの状況で、より単純な最適化戦略または推論モデル（機械学習と広く呼ばれるもの）は非常にうまく機能し、ブルートフォース検索よりもはるかに効率的に実行できます。

シミュレーテッドアニーリングなどの遺伝的アルゴリズムは、ハードウェア（NP完全など）の検索問題をノウハウとして扱うための戦略として最も効果的です。これらの領域は問題の本質的な難しさによって非常に制限される傾向があり、遺伝的アルゴリズムを漸進的に改善することにより、ソリューション戦略の控えめな要因を微調整および反復することは、あまり使用されないことが多く、ひどく刺激的ではありません。

ある程度まで、機械学習はより数学的になり、アルゴリズムが機能することが「証明」されています。ある意味では、GAは非常に「そこで発生している」ので、「あなたのプログラムは何をしたのですか？」という質問に完全に答えることはできません。（とにかく、一部の人々の目には）。

個人的には、ニューラルネットとGA = GANNの組み合わせを推奨しています。私の栄誉論文では、最初にNNを使用して薬物予測アルゴリズムを作成し、次にGAを作成し、最後に両方の世界のベストを取り、他の両方のセットより優れたGANNを作成しました。ただし、YMMV。

機械学習は、開発および適用される数学的装置の大部分を明らかにします。ヒューリスティックによって主に行われる遺伝的アルゴリズム。