2nd/10_Wiki/Topics/Architecture/Evolutionary_Computation.md

id, title, category, status, canonical_id, aliases, duplicate_of, source_trust_level, confidence_score, tags, raw_sources, last_reinforced, github_commit, inferred_by, tech_stack

id	title	category	status	canonical_id	aliases	duplicate_of	source_trust_level	confidence_score	tags	raw_sources	last_reinforced	github_commit	inferred_by	tech_stack
wiki-2026-0508-evolutionary-computation	Evolutionary Computation	10_Wiki/Topics	needs_review	self		none	A	0.92	auto-consolidated technical-documentation		2026-05-08	pending	Claude Opus 4.7 (auto-normalize 2026-05-08)	language framework unspecified unspecified

Evolutionary Computation (진화 연산)

📌 한 줄 통찰 (The Karpathy Summary)

"생물 진화의 원리를 빌려와 가장 효율적인 해답을 찾아내는 디지털 적자생존." 자연의 진화 과정(선택, 교차, 변이)을 모방하여 복잡한 최적화 문제를 해결하는 휴리스틱 기반 인공지능 기법이다.

---

"생존에 유리한 코드를 남기고 진화시켜 전역 최적해를 향한 지름길을 찾아라" — 다윈의 진화론에서 영감을 얻어, 후보 해들의 집단(Population)을 생성하고 교배와 돌연변이를 거쳐 세대를 거듭하며 해의 품질을 높여가는 확률적 최적화 알고리즘.

📖 구조화된 지식 (Synthesized Content)

• Genetic Algorithm (GA): 염색체 연산을 통해 최적 해를 탐색하는 가장 대중적인 방식.
• Evolutionary Strategies (ES): 실수 값 벡터 최적화에 특화된 접근.
• Fitness Function: 개체가 얼마나 문제 해결에 적합한지를 평가하는 척도.
• Mutation & Crossover: 지역 최적점(Local Minima)에 빠지지 않게 하고 새로운 탐색 영역을 넓히는 핵심 메커니즘.

---

• 추출된 패턴: 목표 지점에 도달하기 위해 수학적 경사(Gradient)를 따라가는 대신, 무작위성을 가미한 탐색과 적자생존의 원칙을 결합하여 지역 최적해(Local Minima)를 돌파하는 진화적 탐색 패턴.
• 주요 구성 요소:
  • Selection: 적합도(Fitness)가 높은 우수한 해를 다음 세대의 부모로 선택.
  • Crossover (Recombination): 부모 해들의 특징을 결합하여 새로운 자손 생성.
  • Mutation: 무작위 변화를 주어 집단의 다양성을 유지하고 탐색 공간 확장.
  • Fitness Landscape: 해의 품질이 분포된 지형을 탐험하며 정상을 찾는 과정.
• 의의: 미분 불가능한 비선형 문제, 다목적 최적화, 신경망 구조 탐색(NAS) 등 광범위한 분야에서 활용.

⚠️ 모순 및 업데이트 (Contradictions & Updates)

• 딥러닝의 역전파(Backpropagation) 방식은 미분 가능한 함수에서만 작동하지만, 진화 연산은 '미분 불가능하거나 블랙박스 형태'의 최적화 문제에서도 강력한 위력을 발휘한다. 최근에는 신경망의 구조 자체를 진화시키는 'Neuroevolution'과 강화학습의 대안으로 대두되며 다시 주목받고 있다.

---

• 과거 데이터와의 충돌: 초기에는 연산량이 많아 비효율적인 방식으로 여겨졌으나, 병렬 컴퓨팅의 발달과 신경망과의 결합(Neuroevolution)을 통해 다시 주목받음.
• 정책 변화: Antigravity 프로젝트는 에이전트의 전략 수립 모델 최적화 시, 강화학습과 진화 연산을 결합하여 안정성과 탐색 능력의 균형을 맞춤.

🔗 지식 연결 (Graph)

• Related: Optimization-Algorithms , Genetic-Algorithms
• AI Context: Reinforcement-Learning-vs-Evolutionary-Computation

---

• Genetic-Algorithms, Black-Box-Optimization, Neural-Architecture-Search-NAS, Neural-Darwinism
• Raw Source: 10_Wiki/Topics/AI/Evolutionary-Computation.md

🤖 LLM 활용 힌트 (How to Use This Knowledge)

언제 이 지식을 쓰는가:

• (TODO)

언제 쓰면 안 되는가:

• (TODO)

🧪 검증 상태 (Validation)

• 정보 상태: needs_review
• 출처 신뢰도: A
• 검토 이유: (P-Reinforce Phase 1 자동 정규화. 본문 검증 필요.)

🧬 중복 검사 (Duplicate Check)

• 기존 유사 문서: (TODO: 인덱서 클러스터 리포트 참조)
• 처리 방식: UPDATE (자동 정규화)
• 처리 이유: Phase 1 정규화 — 옛 템플릿/누락 필드 보강.

🕓 변경 이력 (Changelog)

날짜	변경 내용	처리 방식	신뢰도
2026-05-08	P-Reinforce Phase 1 정규화 (frontmatter + 헤더 표준화)	UPDATE	A

💻 코드 패턴 (Code Patterns)

패턴 1: (TODO: 이 프로젝트 컨벤션 반영한 구조 스켈레톤)

# TODO

🤔 의사결정 기준 (Decision Criteria)

선택 A를 써야 할 때:

• (TODO)

선택 B를 써야 할 때:

• (TODO)

기본값:

(TODO)

❌ 안티패턴 (Anti-Patterns)

• [안티패턴]: (TODO: 무엇을 하면 안 되는가 + 이유 + 대신 무엇을)