Tại sao nghiên cứu về các thuật toán di truyền bị chậm lại?

Trong khi thảo luận về một số chủ đề cấp độ giới thiệu ngày hôm nay, bao gồm việc sử dụng các thuật toán di truyền; Tôi đã nói rằng nghiên cứu đã thực sự chậm lại trong lĩnh vực này. Lý do được đưa ra là hầu hết mọi người đang tập trung vào học máy và khai thác dữ liệu.
Cập nhật: Điều này có chính xác không? Và nếu vậy, ML / DM có những lợi thế gì khi so sánh với GA?

Chà, học máy theo nghĩa nhận dạng mẫu thống kê và khai thác dữ liệu chắc chắn là những lĩnh vực nóng hơn, nhưng tôi không nói rằng nghiên cứu về các thuật toán tiến hóa đã đặc biệt chậm lại. Hai lĩnh vực thường không được áp dụng cho cùng một loại vấn đề. Chẳng hạn, ngay lập tức cách thức tiếp cận dựa trên dữ liệu giúp bạn tìm ra cách lên lịch tốt nhất cho nhân viên thay đổi hoặc định tuyến các gói hiệu quả hơn.

Các phương pháp tiến hóa thường được sử dụng nhất cho các vấn đề tối ưu hóa cứng hơn là nhận dạng mẫu. Các đối thủ cạnh tranh trực tiếp nhất là các phương pháp nghiên cứu hoạt động, về cơ bản là lập trình toán học và các hình thức tìm kiếm heuristic khác như tìm kiếm tabu, mô phỏng, và hàng tá thuật toán khác được gọi chung là "siêu dữ liệu". Có hai hội nghị thường niên rất lớn về tính toán tiến hóa (GECCO và CEC), một loạt các hội nghị nhỏ hơn như PPSN, EMO, FOGA và Evostar, và ít nhất là hai tạp chí chất lượng cao chính (Giao dịch của IEEE về tính toán tiến hóa và Báo chí MIT tạp chí Evolution Computing) cũng như một số phần nhỏ hơn bao gồm phần EC trong trọng tâm rộng lớn hơn của họ.

Tất cả những gì đã nói, có một số lợi thế mà lĩnh vực thường được coi là "học máy" có trong bất kỳ so sánh nào về "độ nóng". Thứ nhất, nó có xu hướng trên nền tảng lý thuyết vững chắc hơn nhiều, điều mà các nhà toán học luôn thích. Hai, chúng ta đang ở thời kỳ hoàng kim của dữ liệu và rất nhiều phương pháp học máy tiên tiến thực sự chỉ bắt đầu tỏa sáng khi được cung cấp hàng tấn dữ liệu và hàng tấn sức mạnh tính toán, và ở cả hai khía cạnh, thời gian đều có ý nghĩa "đúng".

Vài thập kỷ trước, mọi người nghĩ rằng các thuật toán di truyền và tiến hóa là những con dao quân đội, được thúc đẩy bởi những kết quả ban đầu ngoạn mục. Các tuyên bố như giả thuyết khối xây dựng đã được đưa ra trong một nỗ lực để chứng minh rằng chúng nói chung là các chiến lược tốt.

Tuy nhiên, kết quả nghiêm ngặt đã đến chậm và thường rất tỉnh táo, nổi bật nhất là Định lý Không ăn trưa miễn phí . Rõ ràng là các thuật toán di truyền / tiến hóa thường là các heuristic phong nha nhưng không bao giờ tối ưu theo bất kỳ ý nghĩa nào.

Ngày nay chúng ta biết rằng chúng ta càng biết nhiều hơn về một vấn đề tương ứng với cấu trúc của nó, thì nó càng ít có ý nghĩa trong việc sử dụng các thuật toán di truyền / tiến hóa như các phương pháp khác sử dụng kiến thức này vượt trội hơn chúng theo cường độ. Tuy nhiên, trong trường hợp ít có thông tin về vấn đề này, chúng vẫn là một giải pháp thay thế khả thi vì chúng hoạt động hoàn toàn.

Một phần quan trọng của câu chuyện, như tôi thấy, đã bị thiếu trong các câu trả lời khác cho đến nay:

Các thuật toán di truyền chủ yếu hữu ích cho các vấn đề tìm kiếm vũ phu.

Trong nhiều bối cảnh, các chiến lược tối ưu hóa hoặc mô hình suy luận đơn giản hơn (cái mà bạn thường gọi là học máy) có thể thực hiện rất tốt và thực hiện hiệu quả hơn nhiều so với tìm kiếm vũ lực.

Các thuật toán di truyền, giống như ủ mô phỏng, có hiệu quả nhất như là một chiến lược để xử lý các vấn đề tìm kiếm khó khăn (ví dụ như NP hoàn chỉnh). Các miền này có xu hướng bị giới hạn bởi độ cứng nội tại của các vấn đề điều chỉnh và lặp lại các yếu tố khiêm tốn trong chiến lược giải pháp, bằng cách cải thiện dần các thuật toán di truyền, thường không được sử dụng nhiều và do đó không thú vị lắm.

Ở một mức độ nào đó, học máy đang trở nên toán học hơn và với các thuật toán có thể được 'chứng minh' để hoạt động. Theo một số cách, GA rất "đã xảy ra ở đó" và bạn không thể trả lời hoàn hảo câu hỏi "vậy chương trình của bạn đã làm gì?" (dù sao cũng trong mắt một số người).

Cá nhân tôi ủng hộ việc kết hợp mạng lưới thần kinh và GA = GANNs. Trong luận án danh dự của tôi, trước tiên tôi đã tạo ra một thuật toán dự đoán ma túy bằng cách sử dụng NN, sau đó là GA và cuối cùng là GANN, thứ tốt nhất của cả hai thế giới và vượt trội so với cả hai bộ khác. YMMV, tuy nhiên.

Học máy tiết lộ một phần lớn bộ máy toán học sẽ được phát triển và áp dụng. Các thuật toán di truyền chủ yếu được thực hiện bởi heuristic.