Pourquoi la recherche sur les algorithmes génétiques a-t-elle ralenti?

Tout en discutant de certains sujets de niveau d’introduction aujourd’hui, y compris l’utilisation d’algorithmes génétiques; On m'a dit que la recherche avait vraiment ralenti dans ce domaine. La raison donnée est que la plupart des gens se concentrent sur l'apprentissage automatique et l'exploration de données.
Mise à jour: Est-ce exact? Et si oui, quels sont les avantages de ML / DM par rapport à GA?

L’apprentissage automatique dans le sens de la reconnaissance statistique de formes et de l’exploration de données sont des domaines plus chauds, mais je ne dirais pas que la recherche sur les algorithmes évolutifs a été particulièrement ralentie. Les deux domaines ne sont généralement pas appliqués aux mêmes types de problèmes. Par exemple, il est difficile de comprendre comment une approche basée sur les données vous aide à déterminer le meilleur moyen de planifier les quarts de travail ou d'acheminer les packages plus efficacement.

Les méthodes évolutives sont le plus souvent utilisées pour des problèmes d'optimisation difficiles plutôt que pour la reconnaissance de formes. Les concurrents les plus directs sont les approches de recherche opérationnelle, essentiellement la programmation mathématique, et d'autres formes de recherche heuristique comme la recherche taboue, le recuit simulé et des dizaines d'autres algorithmes connus sous le nom de "métaheuristiques". Il existe deux très grandes conférences annuelles sur le calcul évolutif (GECCO et CEC), une multitude de conférences plus petites comme PPSN, EMO, FOGA et Evostar, et au moins deux journaux de grande qualité (Transactions IEEE sur le calcul évolutif et MIT Press). revue Evolution Computation), ainsi que plusieurs autres plus petits incluant EC dans leur champ d’action plus large.

Cela dit, le domaine plus généralement considéré comme un "apprentissage automatique" présente des avantages pour toute comparaison de "hotness". Premièrement, il s’agit d’un terrain théorique beaucoup plus ferme, que les mathématiciens aiment toujours. Deuxièmement, nous sommes à un âge d’or des données, et bon nombre des méthodes d’apprentissage automatique de pointe ne commencent vraiment à briller que lorsque nous recevons des tonnes de données et des tonnes de puissance de calcul. Dans les deux cas, le temps presse "droite".

Il y a quelques décennies, on pensait que les algorithmes génétiques et évolutifs étaient des couteaux suisses, alimentés par les premiers résultats spectaculaires. Des déclarations telles que l’ hypothèse fondamentale ont été faites dans le but de prouver qu’elles étaient en général de bonnes stratégies.

Cependant, les résultats rigoureux tardaient à arriver et donnaient souvent à réfléchir, notamment le théorème de la gratuité . Il est devenu évident que les algorithmes génétiques / évolutifs sont souvent des méthodes heuristiques décentes, mais jamais optimales.

Aujourd'hui, nous savons que plus nous connaissons un problème ou sa structure, moins il est judicieux d'utiliser des algorithmes génétiques / évolutifs, car d'autres méthodes utilisant ces connaissances les surclassent magnifiquement. Dans les cas où le problème à résoudre est mal connu, ils restent néanmoins une alternative viable car ils fonctionnent du tout.

À mon avis, il manque une partie essentielle de l'histoire dans les autres réponses:

Les algorithmes génétiques sont surtout utiles pour les problèmes de recherche de force brute.

Dans de nombreux contextes, des stratégies d'optimisation plus simples ou des modèles d'inférence (ce que vous appelleriez généralement l'apprentissage automatique) peuvent très bien fonctionner, et le font beaucoup plus efficacement que la recherche par force brute.

Les algorithmes génétiques, tels que le recuit simulé, sont les plus efficaces en tant que stratégie permettant de résoudre en temps réel les problèmes de recherche difficiles (par exemple, NP complets). Ces domaines ont tendance à être tellement limités par la dureté intrinsèque des problèmes. Il est souvent peu utile d'utiliser des itérations de facteurs modestes dans la stratégie de solution, en améliorant progressivement les algorithmes génétiques, et donc pas vraiment passionnant.

Dans une certaine mesure, l’apprentissage automatique devient de plus en plus mathématique et avec des algorithmes capables de «prouver leur efficacité». D'une certaine manière, les GA sont très "avec ce qui s'est passé là-dedans" et vous ne pouvez pas répondre parfaitement à la question "alors qu'est-ce que votre programme a fait?" (enfin aux yeux de certaines personnes).

Je préconise personnellement la combinaison de réseaux de neurones et de GA = GANN. Dans ma thèse de spécialisation, j'ai produit un algorithme de prédiction de la drogue utilisant d'abord les NN, puis un GA et enfin un GANN prenant le meilleur des deux mondes et surpassant les deux autres. YMMV, cependant.

L'apprentissage automatique dévoile une grande partie de l'appareil mathématique à développer et à appliquer. Algorithmes de génétique réalisés principalement par des méthodes heuristiques.