---
id: EVO-FIT-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 1.0
tags: [ai, evolutionary-computation, optimization, fitness-landscape, complex-systems]
last_reinforced: 2026-04-26
---

# Fitness Landscape (적합도 지형)

## 📌 한 줄 통찰 (The Karpathy Summary)
> "최적의 해를 찾는 과정은 안개 낀 산맥에서 가장 높은 봉우리를 정복하는 탐험과 같다" — 유전형(Genotype)이나 파라미터 조합에 따른 적합도(Fitness) 값을 다차원 공간상의 지형으로 시각화하여, 최적화 과정의 난이도와 전략을 분석하는 도구.

## 📖 구조화된 지식 (Synthesized Content)
- **추출된 패턴:** 탐색 공간 내의 '봉우리(Local Optima)'와 '골짜기'의 분포를 통해, 현재 알고리즘이 정체되어 있는지 아니면 더 나은 해를 향해 나아가고 있는지 판단하는 공간적 메타포 패턴.
- **핵심 특징:**
    - **Ruggedness (굴곡도):** 지형이 얼마나 험난한지 나타냄. 굴곡이 심할수록 지역 최적해에 빠지기 쉬움.
    - **Neutrality:** 적합도 변화가 없는 평평한 평원 지대. 탐색 방향을 잃기 쉬움.
    - **Epistasis:** 변수들 간의 상호작용으로 인해 한 변수의 변화가 지형 전체에 미치는 영향.
- **의의:** 알고리즘의 변이율(Mutation rate)이나 탐색 강도를 결정할 때, 지형의 특성에 맞춰 최적의 하이퍼파라미터를 설정하는 이론적 근거 제공.

## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
- **과거 데이터와의 충돌:** 단순히 '더 좋은 값'을 찾는 것에서, 탐색 공간의 '구조'를 이해하여 효율적인 경로를 설계하는 방식으로 최적화의 관점 전환.
- **정책 변화:** Antigravity 프로젝트는 에이전트의 보상 함수 설계 시, 적합도 지형이 너무 뾰족하거나(Needle in a haystack) 너무 평평하지 않도록 설계하여 학습 안정성을 확보함.

## 🔗 지식 연결 (Graph)
- [[Evolutionary-Computation|Evolutionary-Computation]], [[Genetic-Algorithms|Genetic-Algorithms]], [[Black-Box-Optimization|Black-Box-Optimization]], [[Exploration-vs-Exploitation|Exploration-vs-Exploitation]]
- **Raw Source:** 10_Wiki/Topics/AI/Fitness-Landscape.md