Antigravity Agent
3.5 KiB
3.5 KiB
category: Unified tags: [auto-consolidated, technical-documentation] title: Evolutionary Computation (진화 연산) last_updated: 2026-05-02
Evolutionary Computation (진화 연산)
📌 Brief 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.
📖 Core 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.
⚖️ Trade-offs & Caveats
- 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.
🔗 Knowledge Connections
- 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