33 lines
2.4 KiB
Markdown
33 lines
2.4 KiB
Markdown
---
|
|
id: P-REINFORCE-AUTO-GEAL-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
|
|
---
|
|
|
|
# [[Genetic-Algorithms]]
|
|
|
|
## 📌 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."
|
|
|
|
## 📖 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.
|
|
|
|
## ⚠️ 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.
|
|
|
|
## 🔗 지식 연결 (Graph)
|
|
- [[Evolutionary-Algorithms]], [[Optimization]], [[Combinatorial-Optimization]], [[Search-Optimization]], [[Complexity Theory]]
|
|
- **Modern Tech/Tools**: NEAT (NeuroEvolution of Augmenting Topologies), DEAP (Python library), Pyevolve.
|
|
---
|