Por que a pesquisa sobre algoritmos genéticos diminuiu?

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?

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".

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.

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.

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.

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