为什么对遗传算法的研究放慢了速度？

今天在讨论一些入门级主题时，包括遗传算法的使用；有人告诉我，这方面的研究确实放慢了速度。给出的原因是大多数人都专注于机器学习和数据挖掘。
更新：这是准确的吗？如果是这样，与GA相比，ML / DM有什么优势？

好吧，从统计模式识别和数据挖掘的意义上讲，机器学习无疑是最热门的领域，但是我不会说进化算法的研究特别慢。这两个领域通常不适用于相同类型的问题。目前尚不清楚数据驱动的方法如何帮助您，例如，找出如何最好地安排工作人员轮班或更有效地安排包裹的路线。

进化方法最常用于解决硬优化问题，而不是模式识别。最直接的竞争对手是运筹学方法，基本上是数学编程以及其他形式的启发式搜索，例如禁忌搜索，模拟退火以及其他数十种算法（统称为“元论”）。每年有两个非常大的进化计算年度会议（GECCO和CEC），一系列较小的会议，如PPSN，EMO，FOGA和Evostar，以及至少两个主要的高质量期刊（关于进化计算的IEEE交易和MIT出版社）以及许多较小的期刊，其中包括EC成为其更广泛关注的一部分。

综上所述，在任何比较“热度”的领域中，更普遍认为“机器学习”具有几个优势。第一，它倾向于建立在更牢固的理论基础上，这是数学家们一直喜欢的。第二，我们正处于数据黄金时代，只有在拥有大量数据和大量计算能力的情况下，许多前沿的机器学习方法才真正开始发挥作用，而且从某种意义上讲，时间都是有意义的“对”。

几十年前，人们以为遗传和进化算法是瑞士军刀，并得到了惊人的早期成果。诸如基本假设之类的陈述旨在证明它们总体上是好的策略。

但是，严格的结果来得很慢，而且常常令人发人深省，最显着的是没有免费午餐定理。显而易见的是，遗传/进化算法通常是体面的启发式方法，但从任何意义上讲都不是最优的。

今天，我们知道，我们对一个问题及其结构的了解越多，使用遗传/进化算法作为使用该知识的其他方法胜过这些问题的意义就越小。但是，在对当前问题知之甚少的情况下，它们仍然是可行的替代方案，因为它们可以工作。

就我所知，故事的关键部分到目前为止还没有其他答案：

遗传算法对于蛮力搜索问题最有用。

在许多情况下，较简单的优化策略或推理模型（您广泛称为机器学习）可以表现出色，并且比暴力搜索更有效。

遗传算法（例如模拟退火）作为解决困难（例如完整的NP）搜索问题的最有效方法，是最有效的策略。这些域往往受到问题固有硬度的限制，以至于在解决方案策略中对适度因素进行调整和迭代，通过逐步改进遗传算法，往往用处不大，因此并不十分令人兴奋。

在某种程度上，机器学习正变得更加数学化，并且算法能够被“证明”有效。在某些方面，GA非常“在那里发生了”，您无法完美地回答“那么程序做了什么？”这一问题。（无论如何，在某些人的眼中）。

我个人主张结合神经网络和GA = GANN。在我的荣誉论文中，我首先使用NN，然后使用GA，最后使用GANN制作了一种药物预测算法，该算法兼具两全其美，并且优于其他两种。YMMV，但是。

机器学习揭示了要开发和应用的大部分数学设备。遗传算法主要由启发式算法完成。