आनुवंशिक एल्गोरिदम पर शोध धीमा क्यों पड़ा है?


45

आज कुछ इंट्रो लेवल विषयों पर चर्चा करते हुए, जिसमें जेनेटिक एल्गोरिदम का उपयोग भी शामिल है; मुझे बताया गया कि इस क्षेत्र में अनुसंधान वास्तव में धीमा हो गया है। कारण दिया गया था कि ज्यादातर लोग मशीन सीखने और डेटा खनन पर ध्यान केंद्रित कर रहे हैं।
अद्यतन: क्या यह सही है? और यदि हां, तो GA के साथ तुलना करने पर ML / DM को क्या फायदे हैं?


2
कृपया प्रश्न में सुधार करें ताकि यह कम राय के लिए पूछे लेकिन अधिक तथ्य (उदाहरण के लिए जीए / ईए के नुकसान जो समय के साथ अधिक स्पष्ट हो गए हैं)।
राफेल

1
जहां तक ​​मुझे पता है, अगर कई एल्गोरिथ्म दिए गए हैं जो एक विशिष्ट समस्या को हल कर सकते हैं, तो ज्यादातर मामलों में जीए सबसे अच्छा नहीं होगा।
स्ट्रिन

जवाबों:


33

खैर, सांख्यिकीय पैटर्न मान्यता और डेटा खनन के अर्थ में मशीन सीखने निश्चित रूप से गर्म क्षेत्र हैं, लेकिन मैं यह नहीं कहूंगा कि विकासवादी एल्गोरिदम में अनुसंधान विशेष रूप से धीमा हो गया है। दो क्षेत्रों को आम तौर पर एक ही प्रकार की समस्याओं पर लागू नहीं किया जाता है। यह तुरंत स्पष्ट नहीं है कि एक डेटा संचालित दृष्टिकोण कैसे आपकी मदद करता है, उदाहरण के लिए, पता लगाएँ कि शेड्यूल वर्कर शिफ्ट या रूट पैकेज को अधिक कुशलता से कैसे करें।

इवोल्यूशनरी तरीके ज्यादातर पैटर्न मान्यता के बजाय कठिन अनुकूलन समस्याओं पर उपयोग किए जाते हैं। सबसे प्रत्यक्ष प्रतियोगी संचालन अनुसंधान दृष्टिकोण, मूल रूप से गणितीय प्रोग्रामिंग, और अन्य प्रकार के अनुमानी खोज जैसे कि टैबू खोज, सिम्युलेटेड एनेलिंग और दर्जनों अन्य एल्गोरिदम हैं जिन्हें सामूहिक रूप से "मेटाएहिस्ट्रिक्स" के रूप में जाना जाता है। विकासवादी संगणना (GECCO और CEC) पर दो बहुत बड़े वार्षिक सम्मेलन हैं, PPSN, EMO, FOGA, और इवोस्टार जैसे छोटे सम्मेलनों का एक समूह और कम से कम दो प्रमुख उच्च गुणवत्ता वाली पत्रिकाएं (IEEE लेन-देन पर विकासवादी संगणना और MIT प्रेस) जर्नल इवोल्यूशन कम्प्यूटेशन) के साथ-साथ कई छोटे भी शामिल हैं जो उनके व्यापक फोकस का ईसी हिस्सा शामिल हैं।

सभी ने कहा, "हॉटनेस" की किसी भी तुलना में "मशीन लर्निंग" के रूप में सोचा जाने वाले क्षेत्र के कई फायदे हैं। एक, यह बहुत मजबूत सैद्धांतिक जमीन पर होता है, जिसे गणितज्ञ हमेशा पसंद करते हैं। दो, हम डेटा के लिए एक स्वर्ण युग के कुछ में हैं, और अत्याधुनिक मशीन सीखने के बहुत सारे तरीके केवल तभी चमकना शुरू करते हैं, जब डेटा के टन और गणना शक्ति के टन दिए जाते हैं, और दोनों मामलों में, समय एक अर्थ में है "सही"।


क्या आप कृपया स्पष्ट कर सकते हैं / उजागर कर सकते हैं कि प्रश्न का आपका उत्तर क्या है?
राफेल

मुझे यकीन नहीं है कि आप मुझे विशेष रूप से क्या बताना चाहेंगे।
डोंग

बस ओपी के प्रश्न को स्पष्ट रूप से दर्ज करें: जीए / ईए से अधिक एमएल के (कठिन) फायदे क्या हैं? या आप कुछ ऑर्थोगोनल का प्रस्ताव कर रहे हैं?
राफेल

2
मैं कह रहा हूं कि वे (ज्यादातर) समान समस्याओं पर लागू नहीं होते हैं। एमएल का लाभ यह है कि यह पैटर्न मान्यता और वर्गीकरण के लिए वास्तव में अच्छी तरह से काम करता है; जीए का लाभ यह है कि वे कठिन अनुकूलन समस्याओं पर काम करते हैं। इसके अलावा, यह कारों बनाम घरों के फायदे के लिए पूछने जैसा है। कई एमएल एल्गोरिदम में प्रशिक्षण चरण के रूप में एक अनुकूलन समस्या को हल करना शामिल है, और जीए-आधारित सीखने के दृष्टिकोण (क्लासिफायर सिस्टम सीखना) हैं, लेकिन ज्यादातर, वे पूरी तरह से अलग क्षेत्र हैं।
देग

21

कुछ दशक पहले, लोगों ने सोचा कि आनुवांशिक और विकासवादी एल्गोरिदम स्विस-आर्मी-चाकू थे, जो शानदार शुरुआती परिणामों से प्रभावित थे। बिल्डिंग ब्लॉक परिकल्पना जैसे कथन यह साबित करने के प्रयास में किए गए थे कि वे सामान्य अच्छी रणनीतियों में थे।

हालांकि, कठोर परिणाम आने में धीमी गति से और अक्सर साहसी थे, सबसे प्रमुख रूप से नो फ्री लंच प्रमेय । यह स्पष्ट हो गया कि आनुवांशिक / विकासवादी एल्गोरिदम अक्सर सभ्य आंकड़े हैं, लेकिन किसी भी मायने में इष्टतम नहीं हैं।

आज हम जानते हैं कि जितना अधिक हम एक समस्या के बारे में जानते हैं क्रमशः इसकी संरचना, यह आनुवंशिक / विकासवादी एल्गोरिदम को अन्य तरीकों के रूप में नियोजित करने के लिए कम ज्ञान है, जो इस ज्ञान का उपयोग परिमाण द्वारा उन्हें बेहतर बनाते हैं । ऐसे मामलों में जहां हाथ में समस्या के बारे में बहुत कम जाना जाता है, हालांकि, वे अभी भी एक व्यवहार्य विकल्प बने हुए हैं क्योंकि वे बिल्कुल काम करते हैं।


8
मुझे लगता है कि यह जोर दिया जाना चाहिए कि एनएफएलटी न केवल जीए पर, बल्कि सभी अनुमानी खोज एल्गोरिदम पर "सीमाएं" सेट करता है। उनमें से कोई भी हर उदाहरण पर महान नहीं है, और इसलिए आपके अर्थ में, उनमें से कोई भी किसी भी मायने में इष्टतम नहीं है।
जुहो

मुझे याद है कि एक एरोडायनामिक समस्या को हल करने के लिए आनुवंशिक एल्गोरिदम का उपयोग करना, और हफ्तों और गणनाओं के हफ्तों के बाद, परिणाम सबसे मोटे वायुगतिकी सिद्धांत द्वारा प्रदान किए गए परिणाम की तुलना में खराब था। मुझे आभास है कि कृत्रिम बुद्धिमत्ता और
सिमिलर

@ user9589 दो परस्पर अनन्य नहीं हैं। डोमेन ज्ञान आपको हेयुरिस्टिक विधियों को चुनने और ट्यून करने में मदद कर सकता है।
राफेल

@ राफेल मैं कहूंगा कि कृत्रिम बुद्धि आपको डोमेन ज्ञान को ट्यून करने में मदद करती है।
user5193682

13

कहानी का एक महत्वपूर्ण हिस्सा, जैसा कि मैंने देखा है, अब तक के अन्य उत्तरों से गायब है:

आनुवंशिक एल्गोरिदम जानवर बल खोज समस्याओं के लिए ज्यादातर उपयोगी होते हैं।

कई संदर्भों में, सरल अनुकूलन रणनीतियों या अनुमान मॉडल (जिसे आप मोटे तौर पर मशीन लर्निंग कहेंगे) बहुत अच्छा प्रदर्शन कर सकते हैं, और अब तक ब्रूट बल खोज की तुलना में अधिक कुशलता से कर सकते हैं।

जेनेटिक एल्गोरिदम, जैसे सिम्युलेटेड एनेलिंग, हार्ड-एग-वी-नो-हाउ विद हार्ड (जैसे एनपी पूर्ण) खोज समस्याओं से निपटने के लिए एक रणनीति के रूप में सबसे प्रभावी हैं। ये डोमेन समस्याओं की आंतरिक कठोरता से इतना सीमित होते हैं कि समाधान की रणनीति में मामूली कारकों पर पुनरावृत्ति और पुनरावृत्ति करते हुए, आनुवंशिक रूप से आनुवंशिक एल्गोरिदम में सुधार करके, अक्सर बहुत अधिक उपयोग नहीं होता है, और इसलिए बहुत रोमांचक नहीं है।


12

कुछ हद तक, मशीन लर्निंग अधिक गणितीय हो रही है और एल्गोरिदम काम करने के लिए 'सिद्ध' होने में सक्षम है। कुछ मायनों में, GA बहुत "wth in there" हैं और आप इस सवाल का पूरी तरह से जवाब नहीं दे सकते हैं "तो आपके कार्यक्रम ने क्या किया?" (अच्छी तरह से कुछ लोगों की आँखों में, वैसे भी)।

मैं व्यक्तिगत रूप से तंत्रिका जाल और GA = GANNs के संयोजन की वकालत करता हूं। मेरे सम्मान की थीसिस में, मैंने पहले NN का उपयोग करके एक दवा भविष्यवाणी एल्गोरिथ्म का उत्पादन किया, फिर एक GA, और अंत में एक GANN जो दोनों दुनिया का सबसे अच्छा लिया और दोनों अन्य सेटों से बेहतर प्रदर्शन किया। YMMV, हालांकि।


2
कृपया एक सरल उदाहरण दें जहां आपके दावे (एस) के कुछ सबूत प्रदान करने के लिए "एमएल" के फायदे स्पष्ट हो जाते हैं। इसके अलावा, कृपया अपनी थीसिस को एक उचित संदर्भ / लिंक दें।
राफेल


4

मशीन लर्निंग गणितीय उपकरण के एक बड़े हिस्से को विकसित और लागू करने का खुलासा करता है। आनुवांशिकी एल्गोरिदम ज्यादातर सांख्यिकी द्वारा किया जाता है।


2
आप GA / EA के बारे में बातें साबित कर सकते हैं। हालांकि यह कठिन है। जबकि एमएल में कठोर नींव हैं, जो एमएल तकनीक लागू करते हैं वे अक्सर एक तदर्थ तरीके से ऐसा करते हैं। तो क्या आपका तर्क केवल कागज पर मौजूद है, या व्यवहार में अंतर है?
राफेल
हमारी साइट का प्रयोग करके, आप स्वीकार करते हैं कि आपने हमारी Cookie Policy और निजता नीति को पढ़ और समझा लिया है।
Licensed under cc by-sa 3.0 with attribution required.