110 lines
5.0 KiB
Markdown
110 lines
5.0 KiB
Markdown
---
|
|
id: wiki-2026-0508-evolutionary-computation
|
|
title: Evolutionary Computation
|
|
category: 10_Wiki/Topics
|
|
status: needs_review
|
|
canonical_id: self
|
|
aliases: []
|
|
duplicate_of: none
|
|
source_trust_level: A
|
|
confidence_score: 0.92
|
|
tags: [auto-consolidated, technical-documentation]
|
|
raw_sources: []
|
|
last_reinforced: 2026-05-08
|
|
github_commit: pending
|
|
inferred_by: Claude Opus 4.7 (auto-normalize 2026-05-08)
|
|
tech_stack:
|
|
language: unspecified
|
|
framework: unspecified
|
|
---
|
|
|
|
# [[Evolutionary Computation|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|Backpropagation]]) 방식은 미분 가능한 함수에서만 작동하지만, 진화 연산은 '미분 불가능하거나 블랙박스 형태'의 최적화 문제에서도 강력한 위력을 발휘한다. 최근에는 신경망의 구조 자체를 진화시키는 '[[Neuroevolution|Neuroevolution]]'과 강화학습의 대안으로 대두되며 다시 주목받고 있다.
|
|
|
|
---
|
|
|
|
- **과거 데이터와의 충돌:** 초기에는 연산량이 많아 비효율적인 방식으로 여겨졌으나, 병렬 컴퓨팅의 발달과 신경망과의 결합([[Neuroevolution|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|Optimization-Algorithms]] , [[Genetic-Algorithms|Genetic-Algorithms]]
|
|
- AI Context: [[Reinforcement-Learning|Reinforcement-Learning]]-vs-[[Evolutionary-Computation|Evolutionary-Computation]]
|
|
|
|
---
|
|
|
|
- [[Genetic-Algorithms|Genetic-Algorithms]], [[Black-Box-Optimization|Black-Box-Optimization]], Neural-Architecture-Search-NAS, [[Neural-Darwinism|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)*
|
|
|
|
```text
|
|
# 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)* |