chore(wiki): reinforce knowledge batch #11-#12 (240 docs milestone)

10_Wiki/Topics/AI/Genetic-Algorithms.md

@@ -1,28 +1,30 @@
 ---
-id: GENETIC-001
+id: EVO-GEN-001
 category: "[[10_Wiki/💡 Topics/AI]]"
 confidence_score: 1.0
-tags: [optimization, evolutionary-computation, algorithms]
+tags: [ai, evolutionary-computation, genetic-algorithm, optimization, survival-of-the-fittest]
 last_reinforced: 2026-04-26
 ---
 
 # [[Genetic Algorithms (유전 알고리즘)]]
 
 ## 📌 한 줄 통찰 (The Karpathy Summary)
-> "최적의 해답을 자연의 진화 과정에서 찾아라" — 다윈의 적자생존 원리를 컴퓨터 프로그래밍에 적용하여, 변이와 교차를 통해 문제의 해를 점진적으로 개선해나가는 탐색 알고리즘.
+> "자연의 선택과 변이 메커니즘을 빌려와, 다차원 공간 속에서 최적의 해답을 진화시켜라" — 다윈의 진화론을 공학적으로 구현하여, 후보 해들을 교차(Crossover)시키고 돌연변이(Mutation)를 일으키며 세대를 거듭해 정답에 근사하는 최적화 알고리즘.
 
 ## 📖 구조화된 지식 (Synthesized Content)
-- **추출된 패턴:** 후보 해(개체)들의 집단을 생성하고, 적합도 함수(Fitness Function)에 따라 우수한 개체를 선별하여 유전 연산을 반복함으로써 최적해로 수렴시키는 패턴.
-- **세부 내용:**
-    - **Encoding:** 해(Solution)를 염색체(Chromosome) 형태(비트, 문자열 등)로 표현.
-    - **Selection:** 적합도가 높은 개체가 자손을 남길 확률을 높임 (예: 룰렛 휠 선택).
-    - **Crossover (교차):** 두 부모 개체의 유전자를 결합하여 새로운 자손 생성.
-    - **Mutation (변이):** 낮은 확률로 유전자를 무작위로 변경하여 지역 최적해(Local Optima)에 빠지는 것을 방지.
+- **추출된 패턴:** 미분이 불가능하거나 탐색 공간이 너무 넓어 전통적인 방식으로는 해를 찾기 힘든 문제에서, 확률적 탐색과 적자생존의 원칙을 결합하여 전역 최적해(Global Optima)를 찾아가는 진화 탐색 패턴.
+- **주요 단계:**
+    - **Initialization:** 무작위로 생성된 초기 해 집단(Population) 구성.
+    - **Fitness Evaluation:** 각 해가 문제 해결에 얼마나 적합한지 점수 산정.
+    - **Selection:** 적합도가 높은 개체를 부모로 선택하여 다음 세대에 유전자 전달.
+    - **Crossover:** 부모 유전자를 섞어 새로운 자손 생성.
+    - **Mutation:** 낮은 확률로 유전 정보를 무작위로 변경하여 지역 최적해(Local Optima) 탈출 유도.
+- **의의:** 정답을 직접 계산하는 것이 아니라, 수많은 시도와 실패를 통해 '정답으로 진화'해 나가는 생물학적 지능의 구현.
 
 ## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
-- **과거 데이터와의 충돌:** 미분 가능한 공간에서의 경사 하강법에 비해 속도는 느릴 수 있으나, 탐색 공간이 매우 복잡하거나 불연속적인 문제에서 여전히 강력한 위력을 발휘함.
-- **정책 변화:** Skybound 프로젝트의 절차적 콘텐츠 생성(PCG) 시, 최적의 맵 레이아웃이나 에너미 배치를 자동으로 생성하는 도구로 활용 연구 중.
+- **과거 데이터와의 충돌:** 단순히 수치를 찾는 최적화 도구에서, 최근에는 신경망 구조 자체를 진화시키는 Neuroevolution 기법으로 확장되어 딥러닝과 융합됨.
+- **정책 변화:** Skybound 프로젝트의 함대 진형 최적화 알고리즘은 유전 알고리즘을 활용하여, 수만 번의 교전을 시뮬레이션하며 적의 공격을 가장 잘 방어하는 최적의 배치를 스스로 찾아냄.
 
 ## 🔗 지식 연결 (Graph)
-- [[Evolutionary-Computation]], [[Optimization]], [[Neural-Architecture-Search]]
+- [[Evolutionary-Computation]], [[Fitness-Landscape]], [[Black-Box-Optimization]], [[Neural-Architecture-Search-NAS]]
 - **Raw Source:** [[10_Wiki/Topics/AI/Genetic-Algorithms.md]]