Por que a pesquisa sobre algoritmos genéticos diminuiu?

45

Ao discutir alguns tópicos de introdução hoje, incluindo o uso de algoritmos genéticos; Disseram-me que a pesquisa realmente diminuiu nesse campo. O motivo foi que a maioria das pessoas está focada no aprendizado de máquina e na mineração de dados.
Atualização: isso é preciso? E se sim, quais vantagens o ML / DM tem quando comparado ao GA?

FossilizedCarlos
fonte
2
Reformule a pergunta para que ela peça menos opiniões, mas mais fatos (por exemplo, desvantagens do GA / EA que se tornaram mais aparentes ao longo do tempo).
Raphael
1
Até onde eu sei, se forem fornecidos muitos algoritmos que podem resolver um problema específico, o GA não será o melhor na maioria dos casos.
Strin

Respostas:

33

Bem, o aprendizado de máquina no sentido de reconhecimento estatístico de padrões e mineração de dados são definitivamente áreas mais quentes, mas eu não diria que a pesquisa em algoritmos evolutivos diminuiu particularmente. As duas áreas geralmente não são aplicadas aos mesmos tipos de problemas. Não está claro imediatamente como uma abordagem orientada a dados ajuda você, por exemplo, a descobrir como agendar melhor turnos de trabalho ou rotear pacotes com mais eficiência.

Os métodos evolutivos são mais frequentemente usados ​​em problemas de otimização rígida do que no reconhecimento de padrões. Os concorrentes mais diretos são abordagens de pesquisa operacional, basicamente programação matemática e outras formas de pesquisa heurística, como pesquisa de tabu, recozimento simulado e dezenas de outros algoritmos coletivamente conhecidos como "metaheurísticas". Existem duas conferências anuais muito grandes sobre computação evolutiva (GECCO e CEC), uma série de conferências menores, como PPSN, EMO, FOGA e Evostar, e pelo menos duas grandes revistas de alta qualidade (IEEE Transactions on Evolutionary Computation e MIT Press). Journal Evolution Computation), bem como vários outros menores que incluem parte da CE de seu foco mais amplo.

Tudo isso dito, existem várias vantagens que o campo geralmente considerado como "aprendizado de máquina" tem em qualquer comparação de "gostosura". Primeiro, ele tende a ter uma base teórica muito mais firme, da qual os matemáticos sempre gostam. Segundo, estamos em uma época de ouro para os dados, e muitos métodos de aprendizado de máquina de ponta realmente só começam a brilhar quando recebem toneladas de dados e toneladas de poder computacional, e em ambos os aspectos, o tempo é, em certo sentido "direito".

deongar
fonte
Você pode esclarecer / destacar qual é a sua resposta à pergunta?
Raphael
Não tenho certeza do que especificamente você gostaria que eu dissesse.
deong
Apenas responda claramente à pergunta do OP: quais são as vantagens (difíceis) do ML sobre o GA / EA? Ou você está propondo algo ortogonal?
Raphael
2
Estou dizendo que eles (principalmente) não se aplicam aos mesmos problemas. A vantagem do ML é que ele funciona muito bem para reconhecimento e classificação de padrões; a vantagem dos GAs é que eles trabalham em problemas difíceis de otimização. Além disso, é como pedir vantagens de carros versus casas. Muitos algoritmos de ML envolvem a solução de um problema de otimização como uma etapa de treinamento, e existem abordagens de aprendizagem baseadas em GA (sistemas classificadores de aprendizagem), mas principalmente, são apenas áreas completamente diferentes.
22412
21

Algumas décadas atrás, as pessoas pensavam que algoritmos genéticos e evolutivos eram canivetes suíços, alimentados por resultados espetaculares. Declarações como a hipótese do bloco de construção foram feitas em um esforço para provar que eram, em geral, boas estratégias.

No entanto, resultados rigorosos demoraram a chegar e muitas vezes preocupantes, com destaque para o Teorema Sem Almoço Gratuito . Tornou-se evidente que algoritmos genéticos / evolutivos são frequentemente heurísticas decentes, mas nunca são ideais em nenhum sentido.

Hoje sabemos que, quanto mais sabemos sobre um problema, respectivamente, sua estrutura, menos faz sentido empregar algoritmos genéticos / evolutivos, pois outros métodos que usam esse conhecimento os superam em magnitude. Nos casos em que pouco se sabe sobre o problema em questão, eles ainda continuam sendo uma alternativa viável, porque funcionam de todo.

Rafael
fonte
8
Eu acho que deve ser enfatizado que a NFLT estabelece "limitações" não apenas nos GAs, mas em todos os algoritmos de pesquisa heurística. Nenhum deles é ótimo em todos os casos e, portanto, no seu sentido, nenhum deles é ideal em nenhum sentido.
Juho 21/03
Lembro-me de usar algoritmos genéticos para resolver um problema aerodinâmico e, após semanas e semanas de cálculos, o resultado foi infinitamente pior que o resultado da teoria aerodinâmica mais grosseira. Tenho a impressão de que a inteligência artificial e similares são absolutamente nenhum substituto para o conhecimento de domínio
user5193682
@ user9589 Os dois não são mutuamente exclusivos. O conhecimento do domínio pode ajudá-lo a escolher e ajustar métodos heurísticos.
Raphael
@ Rafael Eu diria que a inteligência artificial ajuda você a ajustar o conhecimento do domínio.
user5193682
13

Uma parte crítica da história, a meu ver, está faltando nas outras respostas até agora:

Os algoritmos genéticos são principalmente úteis para problemas de busca por força bruta.

Em muitos contextos, estratégias mais simples de otimização ou modelos de inferência (o que você chamaria de aprendizado de máquina) podem ter um desempenho muito bom e muito mais eficiente do que a pesquisa por força bruta.

Os algoritmos genéticos, como o recozimento simulado, são mais eficazes como uma estratégia para lidar com o que sabemos como com problemas difíceis (por exemplo, NP completo). Esses domínios tendem a ser tão limitados pela dureza intrínseca dos problemas que ajustar e iterar em fatores modestos na estratégia da solução, melhorando progressivamente os algoritmos genéticos, geralmente não é muito útil e, portanto, não é muito empolgante.

jrk
fonte
12

Até certo ponto, o aprendizado de máquina está se tornando mais matemático e com algoritmos capazes de ser 'comprovados' para o trabalho. De certa forma, os AGs são muito "o que aconteceu lá" e você não pode responder perfeitamente à pergunta "então o que seu programa fez?" (bem, aos olhos de algumas pessoas).

Eu pessoalmente defendo a combinação de redes neurais e GA = GANNs. Na minha tese de honra, produzi um algoritmo de previsão de drogas primeiro usando NNs, depois um GA e, finalmente, uma GANN que tirou o melhor dos dois mundos e superou os outros dois conjuntos. YMMV, no entanto.

Mark Mayo
fonte
2
Por favor, dê um exemplo simples em que as vantagens de "ML" se tornem aparentes para fornecer algumas evidências de suas reivindicações. Além disso, forneça uma referência / link adequados para sua tese.
Raphael
relacionado: Neuroevolução
Franck Dernoncourt 24/03
4

O aprendizado de máquina revela uma grande parte do aparato matemático a ser desenvolvido e aplicado. Algoritmos genéticos feitos principalmente por heurísticas.

om-nom-nom
fonte
2
Você pode provar coisas sobre o GA / EA. É difícil, no entanto. Embora o ML tenha fundamentos rigorosos, aqueles que aplicam técnicas de ML geralmente o fazem de maneira ad-hoc. Então, seu argumento existe apenas no papel ou há alguma diferença na prática?
Raphael