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

45

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?

FossiliséCarlos
la source
2
Veuillez reformuler la question de manière à demander moins d’opinion mais plus de faits (par exemple, les inconvénients de l’AG / AE qui sont devenus plus apparents au fil du temps).
Raphaël
1
Autant que je sache, si plusieurs algorithmes sont donnés qui peuvent résoudre un problème spécifique, GA ne sera pas le meilleur dans la plupart des cas.
Strin

Réponses:

33

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".

deong
la source
Pouvez-vous clarifier / surligner votre réponse à la question?
Raphaël
Je ne sais pas précisément sur quoi vous aimeriez que je développe.
Deong
Répondez simplement à la question du PO: quels sont les avantages (concrets) du BC par rapport au GA / EA? Ou proposez-vous quelque chose d'orthogonal?
Raphaël
2
Je dis qu'ils ne s'appliquent pas (pour la plupart) aux mêmes problèmes. L'avantage de ML est que cela fonctionne vraiment bien pour la reconnaissance et la classification des modèles; L'avantage des GA est qu'ils travaillent sur des problèmes d'optimisation difficiles. Au-delà de cela, c'est comme demander des avantages des voitures par rapport aux maisons. De nombreux algorithmes ML impliquent la résolution d'un problème d'optimisation en tant qu'étape d'apprentissage. Il existe des approches d'apprentissage basées sur l'AG (systèmes de classificateurs d'apprentissage), mais la plupart du temps, ce ne sont que des domaines complètement différents.
deong
21

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.

Raphaël
la source
8
J'estime qu'il faut souligner que la NFLT fixe des "limitations" non seulement pour les GA, mais pour tous les algorithmes de recherche heuristique. Aucune d'entre elles n'est géniale dans tous les cas, et donc, à votre sens, aucune d'entre elles n'est optimale dans tous les sens.
Juho
Je me souviens d'avoir utilisé des algorithmes génétiques pour résoudre un problème aérodynamique. Après des semaines et des semaines de calculs, le résultat était infiniment pire que celui fourni par la théorie la plus approximative de l'aérodynamique. J'ai l'impression que l'intelligence artificielle et ses équivalents ne remplacent absolument pas la connaissance du domaine
user5193682 le
@ user9589 Les deux ne s'excluent pas mutuellement. La connaissance du domaine peut vous aider à choisir et à ajuster des méthodes heuristiques.
Raphaël
@ Raphaël Je dirais que l'intelligence artificielle vous aide à ajuster les connaissances du domaine.
user5193682
13

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.

jrk
la source
12

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.

Mark Mayo
la source
2
Veuillez donner un exemple simple où les avantages de "ML" deviennent évidents afin de fournir des éléments de preuve de votre / vos revendication (s). Aussi, s'il vous plaît donner une référence appropriée / lien vers votre thèse.
Raphaël
liés: Neuro
Franck Dernoncourt
4

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.

Om Nom Nom
la source
2
Vous pouvez prouver des choses à propos de GA / EA. C'est dur, cependant. Bien que le BC ait des bases rigoureuses, ceux qui appliquent les techniques du BC le font souvent de manière ponctuelle. Alors, votre argument n’existe-t-il que sur le papier ou existe-t-il une différence dans la pratique?
Raphaël