chore(wiki): reinforce knowledge batch #6-#10 (200 docs milestone)

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

@@ -1,32 +1,28 @@
 ---
-id: P-REINFORCE-AUTO-GEAL-001
+id: GENETIC-001
 category: "[[10_Wiki/💡 Topics/AI]]"
-confidence_score: 0.96
-tags: [auto-reinforced, genetic-algorithms, optimization, bio-inspired, search, evolutionary]
-last_reinforced: 2026-04-20
+confidence_score: 1.0
+tags: [optimization, evolutionary-computation, algorithms]
+last_reinforced: 2026-04-26
 ---
 
-# [[Genetic-Algorithms]]
+# [[Genetic Algorithms (유전 알고리즘)]]
 
 ## 📌 한 줄 통찰 (The Karpathy Summary)
-> "자연이 설계한 최적화 알고리즘: 유전자의 교배와 돌연변이라는 진화 메커니즘을 컴퓨터 코드로 구현하여, 수학적으로 풀기 힘든 복잡한 문제의 해답을 '세대를 거듭하며 진화'시켜 찾아내는 생물학적 탐색 기법."
+> "최적의 해답을 자연의 진화 과정에서 찾아라" — 다윈의 적자생존 원리를 컴퓨터 프로그래밍에 적용하여, 변이와 교차를 통해 문제의 해를 점진적으로 개선해나가는 탐색 알고리즘.
 
 ## 📖 구조화된 지식 (Synthesized Content)
-유전 알고리즘(Genetic-Algorithms)은 자연계의 진화 과정을 모방한 계산 모델입니다. (Evolutionary-Algorithms의 가장 대표적 유형)
-
-1.  **주요 메커니즘**:
-    *   **Chromosome (염색체)**: 해결책의 후보를 디지털 값(0101...)으로 표현.
-    *   **Crossover (교배)**: 우수한 두 해결책의 특징을 섞어 새로운 자손 생성.
-    *   **Mutation (돌연변이)**: 낮은 확률로 무작위 변화를 주어 국소 최적해(Local Optima)에 빠지는 것을 방지.
-    *   **Fitness Function (적합도 함수)**: "이 자손이 얼마나 문제를 잘 푸는가?"를 평가하여 생존 여부 결정.
-2.  **왜 중요한가?**:
-    *   경사가 없는 비연속적 공간이나 수많은 변수가 얽힌 복잡한 스케줄링, 안테나 설계 등 전통적 미분 기반 최적화가 안 먹히는 곳에서 빛을 발함.
+- **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.
 
 ## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
-- **과거 데이터와의 충돌**: 과거에는 연산 비용 낭비가 크다는 정책이 많았으나, 현대 정책은 대규모 병렬 연산 정책과 결합하여 딥러닝 모델의 하이퍼파라미터를 자동으로 찾는 'AutoML 정책'의 핵심 엔진으로 부활함(RL Update).
-- **정책 변화(RL Update)**: 로보틱스 정책에서 직접 제어 로직을 짜는 대신, 가상 환경에서 수천 세대를 진화시켜 스스로 걷는 법을 배우게 하는 '진화적 로봇 공학 정책'이 지능 시스템 설계의 새로운 표준이 됨.
+- **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.
 
 ## 🔗 지식 연결 (Graph)
-- [[Evolutionary-Algorithms]], [[Optimization]], [[Combinatorial-Optimization]], [[Search-Optimization]], [[Complexity Theory]]
-- **Modern Tech/Tools**: NEAT (NeuroEvolution of Augmenting Topologies), DEAP (Python library), Pyevolve.
----
+- [[Evolutionary-Computation]], [[Optimization]], [[Neural-Architecture-Search]]
+- **Raw Source:** [[10_Wiki/Topics/AI/Genetic-Algorithms.md]]