맨위로가기

진화 연산

"오늘의AI위키"는 AI 기술로 일관성 있고 체계적인 최신 지식을 제공하는 혁신 플랫폼입니다.
"오늘의AI위키"의 AI를 통해 더욱 풍부하고 폭넓은 지식 경험을 누리세요.
목차

1. 개요

진화 연산은 다윈주의 원리를 활용하여 문제를 자동 해결하는 컴퓨터 과학 분야이다. 1950년대에 시작되어, 앨런 튜링의 유전 알고리즘 제안, 로렌스 J. 포겔의 진화 프로그래밍, 존 헨리 홀랜드의 유전 알고리즘, 잉고 레헨베르크와 한스-파울 슈베펠의 진화 전략 등 여러 기법들이 독립적으로 개발되었다. 1990년대 초 '진화 연산'이라는 용어로 통합되었으며, 유전 프로그래밍이 추가되었다. 주요 기법으로는 진화 알고리즘, 군집 지능, 자기조직화 등이 있으며, 생물학적 진화 원리를 모방하여 재조합, 돌연변이, 선택 등의 과정을 통해 최적의 해를 탐색한다. 진화 컴퓨팅 분야는 학술대회와 학술지를 통해 활발히 연구되고 있다.

더 읽어볼만한 페이지

  • 진화 연산 - 유전 알고리즘
    유전 알고리즘은 생물 진화 과정을 모방하여 최적해를 탐색하는 계산 최적화 기법으로, 해를 유전자로 표현하고 적합도 함수를 통해 평가하며 선택, 교차, 돌연변이 연산을 반복하여 최적해에 근접하는 해를 생성하며, 성능은 매개변수에 영향을 받고 초기 수렴 문제 해결을 위한 다양한 변형 기법과 관련 기법이 존재한다.
  • 진화 연산 - 유전 프로그래밍
    유전 프로그래밍은 트리 구조 프로그램의 유전 알고리즘 최적화를 통해 컴퓨터 프로그램을 진화시키는 방법론으로, 소프트웨어 합성, 데이터 마이닝, 금융 모델링 등 다양한 분야에 응용되지만 탐색 공간과 효율성 문제에 대한 연구가 진행 중이다.
  • 컴퓨터에 관한 - 고속 패킷 접속
    고속 패킷 접속(HSPA)은 3세대 이동통신(3G)의 데이터 전송 속도를 높이는 기술 집합체로, 고속 하향/상향 패킷 접속(HSDPA/HSUPA)을 통해 속도를 개선하고 다중 안테나, 고차 변조, 다중 주파수 대역 활용 등의 기술로 진화했으나, LTE 및 5G 기술 발전으로 현재는 상용 서비스가 중단되었다.
  • 컴퓨터에 관한 - 데이터베이스
    데이터베이스는 여러 사용자가 공유하고 사용하는 정보의 집합으로, 데이터베이스 관리 시스템을 통해 접근하며, 검색 및 갱신 효율을 높이기 위해 고도로 구조화되어 있고, 관계형, NoSQL, NewSQL 등 다양한 모델로 발전해왔다.
진화 연산
지도 정보
기본 정보
분야인공지능, 컴퓨터 과학, 최적화, 기계 학습
종류메타휴리스틱, 확률적 최적화
문제 해결 방법시행착오
역사
개발자존 홀랜드
잉고 레헨베르크
주요 발전1950년대~1960년대, 진화 전략과 유전 알고리즘 개발
주요 알고리즘
유형유전 알고리즘
유전 프로그래밍
진화 전략
차분 진화
입자 군집 최적화
반딧불이 알고리즘
개미 군집 최적화
특징개체 집단을 사용하여 최적화
선택, 교차, 변이 연산 적용
자연 선택의 원리 모방
응용 분야
분야최적화 문제 해결
기계 학습 모델 훈련
로봇 공학
인공 신경망 설계
데이터 마이닝
생물 정보학
게임
금융
이미지 처리
신호 처리
예시기능 최적화
조합 최적화
최적 제어
다중 목표 최적화
특징
주요 특징전역 최적화 탐색
병렬 처리에 적합
블랙 박스 최적화 문제 해결
다양한 문제에 적용 가능
장점복잡한 문제 해결 가능
지역 최적화에 빠지지 않음
병렬화 용이
단점계산 비용이 높을 수 있음
매개변수 튜닝 필요
최적해 보장 불가
관련 분야
관련 학문생물학
생태학
통계학
운영 연구
관련 개념적합도 함수
표현형
유전형
선택압
참고 문헌 및 자료
관련 저널진화 연산 (저널)
IEEE Transactions on Evolutionary Computation

2. 역사

1950년대, 컴퓨터가 널리 사용되기 이전에, 다윈주의의 원리를 자동 문제 해결에 활용한다는 아이디어가 등장했다. 1960년대에는 이러한 사고방식이 구체화되어 세 곳에서 독립적으로 연구가 진행되었다.

미국에서는 로렌스 J. 포겔이 진화적 프로그래밍을 제창했고, 존 H. 홀랜드가 유전 알고리즘이라는 기법을 개발했다. 독일에서는 잉고 레헨베르크와 한스-파울 슈베펠이 진화 전략을 제창했다. 이들은 약 15년 동안 독립적으로 연구를 진행했으며, 1990년대 초에 이들이 하나의 기술을 나타낸다는 것이 명확해지면서, 총칭하여 진화적 계산이라고 불리게 되었다. 또한, 같은 시기에 네 번째 기법으로 유전 프로그래밍이 등장했다.

학문적 관심이 커지고 컴퓨터 성능이 극적으로 향상되면서, 컴퓨터 프로그램의 자동 진화를 포함한 실용적인 응용 프로그램이 가능해졌다.[8] 진화 알고리즘은 현재 인간 설계자가 만든 소프트웨어보다 더 효율적으로 다차원 문제를 해결하고 시스템 설계를 최적화하는 데 사용된다.[9][10]

2. 1. 초기 역사

앨런 튜링이 1948년 유전 알고리즘 검색 방법을 제안하는 등, 진화 과정을 모방하여 문제를 해결하는 개념은 컴퓨터 등장 이전부터 존재했다.[1] 튜링의 B형 유니버설 머신은 초기 인공 신경망과 유사하며, 뉴런 간 연결은 유전 알고리즘을 통해 학습되었다. P형 유니버설 머신은 강화 학습과 유사하게 쾌락과 고통 신호로 기계가 특정 행동을 학습하도록 유도했다. 그러나 튜링의 논문은 1968년까지 출판되지 않았고, 1954년에 사망했기 때문에 초기 연구는 진화 컴퓨팅 분야 발전에 거의 영향을 미치지 못했다.[2]

1950년대와 1960년대에 진화 컴퓨팅 분야가 본격적으로 시작되었다.[1] 당시 컴퓨팅에서 진화 과정을 사용하려는 여러 독립적인 시도가 약 15년 동안 별도로 발전했다. 진화 전략, 진화 프로그래밍, 유전 알고리즘이 서로 다른 곳에서 등장했고, 1990년대 초 유전 프로그래밍이 등장했다. 이 접근 방식들은 선택 방법, 돌연변이, 유전 데이터 표현 방식에서 서로 달랐다. 1990년대에 분야 간 차이점이 모호해졌고, 1991년 '진화 컴퓨팅' 용어가 네 가지 패러다임을 모두 포함하는 용어로 만들어졌다.[3]

1962년 로렌스 J. 포겔은 미국에서 인공 지능 연구의 일환으로 진화 프로그래밍 연구를 시작했다. 이 시스템은 유한 상태 기계를 사용하여 예측 문제를 해결했다. 기계는 돌연변이(상태 추가/삭제, 상태 전이 규칙 변경)를 일으키고, 가장 우수한 기계가 미래 세대에서 발전한다. 최종 유한 상태 기계는 예측 생성에 사용 가능하다. 진화 프로그래밍은 예측 문제, 시스템 식별, 자동 제어에 성공적으로 적용되었고, 시계열 데이터 처리와 게임 전략 진화 모델링으로 확장되었다.[3]

1964년 잉고 레헨베르크와 한스-파울 슈베펠은 독일에서 진화 전략 패러다임을 도입했다.[3] 경사 하강법 기법이 지역 최소값에 갇힐 수 있기 때문에, 무작위 돌연변이(해 벡터의 모든 매개변수에 적용)를 사용해 벗어날 수 있다고 제안했다. 자식 해는 부모 해에서 생성되고, 더 성공적인 것이 미래 세대에 유지되었다. 이 기법은 유체 역학 최적화 문제 해결에 사용되었다.[4] 초기에는 컴퓨터 없이 주사위로 무작위 돌연변이를 결정했고, 1965년부터 계산이 전적으로 기계로 수행되었다.[3]

존 헨리 홀랜드는 1960년대에 유전 알고리즘을 도입했고, 1970년대 미시간 대학교에서 발전시켰다.[5] 홀랜드는 문제 해결보다 적응 연구와 시뮬레이션 확인을 목표로 했다. 비트 문자열로 표현된 염색체 집단은 인공 선택으로 변환되어 특정 '대립 유전자' 비트를 선택했다. 염색체 간 상호작용은 DNA 재조합을 시뮬레이션했다. 홀랜드의 유전 알고리즘은 대규모 집단을 추적했다(여러 유기체가 각 세대에서 경쟁).

1990년대 존 코자 등이 옹호한 유전 프로그래밍이라는 새로운 접근 방식이 등장했다.[3] 진화 주제는 고급 프로그래밍 언어로 작성된 프로그램 자체였다(1958년 초 기계 코드 사용 시도는 실패). 코자의 프로그램은 리스프 S-표현식으로, 하위 표현식 트리로 생각할 수 있다. 하위 트리를 교환하여 유전적 혼합을 나타낸다. 프로그램은 작업 완료 점수에 따라 인공 선택에 사용된다. 시퀀스 유도, 패턴 인식, 계획은 유전 프로그래밍의 성공적인 응용이었다.

닐스 알 바리첼리가 1953년 진화 알고리즘과 인공 생명 기법을 사용하여 진화를 최초로 계산 시뮬레이션했고, 1954년 첫 결과가 발표되었다.[6] 1950년대 알렉스 프레이저는 인공 선택 시뮬레이션 논문을 발표했다.[7]

2. 2. 발전 과정

컴퓨터 등장 이전부터 진화 과정을 모방하여 문제를 해결하려는 개념은 존재했다. 예를 들어, 앨런 튜링은 1948년에 유전 알고리즘 검색 방법을 제안했다.[1] 튜링의 B형 유니버설 머신은 초기 인공 신경망과 유사하며, 뉴런 간 연결은 일종의 유전 알고리즘을 통해 학습되었다. P형 유니버설 머신은 강화 학습과 유사하게 쾌락과 고통 신호로 기계가 특정 행동을 학습하도록 유도했다. 그러나 튜링의 논문은 1968년까지 출판되지 않았고, 1954년에 사망했기에 초기 연구는 진화 컴퓨팅 분야에 큰 영향을 주지 못했다.[2]

1950년대와 1960년대에 진화 컴퓨팅 분야가 본격적으로 시작되었다.[1] 컴퓨팅에서 진화 과정을 사용하려는 여러 독립적인 시도가 약 15년간 별도로 발전했다. 진화 전략, 진화 프로그래밍, 유전 알고리즘의 세 가지 분야가 등장했고, 1990년대 초에 유전 프로그래밍이 등장했다. 1990년대까지 역사적인 분야 간 차이점이 모호해졌고, 1991년에 '진화 컴퓨팅' 용어가 네 가지 패러다임을 모두 포함하는 분야를 나타내는 용어로 만들어졌다.[3]

1962년 로렌스 J. 포겔은 미국에서 진화 프로그래밍 연구를 시작했는데, 이는 인공 지능 노력으로 간주되었다. 이 시스템에서는 유한 상태 기계를 사용하여 예측 문제를 해결했다. 이러한 기계는 돌연변이를 일으켜 가장 우수한 기계가 미래 세대에서 더욱 발전했다. 진화 프로그래밍 방법은 예측 문제, 시스템 식별 및 자동 제어에 성공적으로 적용되었고, 시계열 데이터 처리와 게임 전략 진화를 모델링하도록 확장되었다.[3]

1964년 잉고 레헨베르크와 한스-파울 슈베펠은 독일에서 진화 전략 패러다임을 도입했다.[3] 경사 하강법 기법의 문제점을 해결하기 위해 무작위 돌연변이를 사용했다. 자식 해는 부모 해에서 생성되었고, 둘 중 더 성공적인 것이 미래 세대에 유지되었다. 이 기법은 유체 역학의 최적화 문제를 해결하는 데 사용되었고, 처음에는 컴퓨터 없이 주사위로 무작위 돌연변이를 결정했으나, 1965년부터 계산이 전적으로 기계에 의해 수행되었다.[3][4]

존 헨리 홀랜드는 1960년대에 유전 알고리즘을 도입했고, 1970년대에 미시간 대학교에서 더욱 발전시켰다.[5] 문제 해결보다는 적응 연구와 시뮬레이션 확인을 목표로 했다. 비트 문자열로 표현된 염색체 집단은 인공 선택 과정을 통해 변환되었다. 재조합을 시뮬레이션하는 데 염색체 간 상호 작용이 사용되었다. 홀랜드의 유전 알고리즘은 대규모 집단을 추적했다.

1990년대까지 유전 프로그래밍이 진화 컴퓨팅에 대한 새로운 접근 방식으로 등장했는데, 존 코자 등이 옹호했다.[3] 진화의 주제는 고급 프로그래밍 언어로 작성된 프로그램 자체였다. 코자의 경우 프로그램은 리스프 S-표현식이었는데, 하위 표현식의 트리로 생각할 수 있다. 프로그램은 특정 작업을 얼마나 잘 완료하는지에 따라 점수가 매겨지며, 인공 선택에 사용되었다. 시퀀스 유도, 패턴 인식 및 계획은 유전 프로그래밍 패러다임의 성공적인 응용 프로그램이었다.

닐스 알 바리첼리는 1953년에 진화 알고리즘과 인공 생명 기법을 사용하여 진화를 최초로 계산적으로 시뮬레이션했으며, 첫 번째 결과는 1954년에 발표되었다.[6] 1950년대의 또 다른 선구자는 알렉스 프레이저였는데, 그는 인공 선택 시뮬레이션에 대한 일련의 논문을 발표했다.[7] 컴퓨터 성능의 향상으로 컴퓨터 프로그램의 자동 진화를 포함한 실용적인 응용 프로그램이 가능해졌다.[8] 진화 알고리즘은 현재 다차원 문제를 해결하고 시스템 설계를 최적화하는 데 사용된다.[9][10]

2. 3. 기타 선구자

앨런 튜링은 1948년에 유전 알고리즘 검색 방법을 제안했는데, 이는 컴퓨터 등장 이전부터 진화 과정을 모방하여 문제를 해결하려는 시도의 예이다.[1] 튜링의 B형 유니버설 머신은 초기 인공 신경망과 유사하며, 뉴런 간 연결은 유전 알고리즘을 통해 학습되었다. P형 유니버설 머신은 강화 학습과 유사하게 쾌락과 고통 신호로 특정 행동을 학습하도록 유도했다. 그러나 튜링의 논문은 1968년까지 출판되지 않았고 1954년에 사망했기 때문에, 이 연구는 진화 컴퓨팅 분야에 거의 영향을 미치지 못했다.[2]

닐스 알 바리첼리는 1953년에 진화 알고리즘과 인공 생명 기법을 사용하여 진화를 최초로 계산적으로 시뮬레이션했으며, 1954년에 첫 결과를 발표했다.[6] 1950년대의 또 다른 선구자인 알렉스 프레이저는 인공 선택 시뮬레이션에 대한 논문을 발표했다.[7]

3. 주요 기법

진화 연산의 주요 기법으로는 메타휴리스틱 최적화 알고리즘을 포함한다.

진화 알고리즘은 진화 컴퓨팅의 하위 집합으로, 생물 진화에서 영감을 받은 생식, 돌연변이, 재조합, 자연 선택, 적자생존 등의 기법을 구현한다. 최적화 문제에 대한 후보 솔루션은 집단 내 개체의 역할을 하고, 비용 함수(적합도 함수 참조)는 솔루션의 생존 환경을 결정한다. 이후 연산자를 반복 적용하여 집단의 진화가 일어난다.

이 과정에서 진화 시스템의 기반을 형성하는 두 가지 주요 요소는 다음과 같다.


  • '''재조합'''(예: '''교차''')과 '''돌연변이''': 다양성을 창출하고 혁신을 촉진한다.
  • '''선택''': 품질을 향상시킨다.


진화 과정은 여러 측면에서 확률적이다. 재조합과 돌연변이로 변경되는 정보는 무작위로 선택된다. 선택 연산자는 결정적이거나 확률적일 수 있다. 확률적인 경우, 적합도가 높은 개체가 낮은 개체보다 선택될 확률이 높지만, 약한 개체도 부모가 되거나 생존할 기회를 갖는다.

유전 알고리즘은 생물 시스템과 시스템 생물학을 모델링하여 시스템의 미래 상태를 예측하므로, 동역학 시스템 이론과 관련이 있다.

동역학 시스템과의 유추 외에도, 알고리즘, 정보학, 특히 계산 이론은 진화 자체를 이해하는 데 관련이 있다. 유기체는 세포 내/간 국소적 상호 작용의 결과로 발달하며, 세포 내 과정과 현대 컴퓨터의 저수준 작동 사이에는 밀접한 유추가 가능하다.[13] 따라서 생물 시스템은 다음 상태 계산을 위해 입력 정보를 처리하는 계산 기계와 같으므로, 고전적인 동역학 시스템보다 계산에 더 가깝다.[14]

계산 이론에 따르면, 생물 유기체의 미세 과정은 근본적으로 불완전하고 결정 불가능하다(완전성 (논리)). 이는 “세포와 컴퓨터 사이의 유추에는 단순한 은유 이상의 것이 있다”는 것을 의미한다.[15] 계산과의 유추는 유전 시스템과 생물학적 구조의 관계에도 확장되며, 이는 종종 생명의 기원을 설명하는 가장 시급한 문제 중 하나로 여겨진다.

3. 1. 주요 분야

진화 컴퓨팅 기법은 대부분 메타휴리스틱 최적화 알고리즘을 포함한다. 주요 분야는 다음과 같다.

분야
에이전트 기반 모델링
개미 집단 최적화
인공 면역 시스템
인공 생명 (디지털 유기체 참조)
문화 알고리즘
공진화 알고리즘
차분 진화
이중 단계 진화
분포 알고리즘 추정
진화 알고리즘
진화 프로그래밍
진화 전략
유전자 발현 프로그래밍
유전 알고리즘
유전 프로그래밍
문법적 진화
학습 가능한 진화 모델
학습 분류기 시스템
밈 알고리즘
신경 진화
입자 군집 최적화
딱정벌레 더듬이 탐색
자기 조직화 (예: 자기 조직화 지도, 경쟁 학습)
군집 지능



최근 제안된 많은 다른 알고리즘을 포함하는 자세한 목록은 [https://github.com/fcampelo/EC-Bestiary 진화 컴퓨팅 짐승 사전]에서 확인할 수 있다.[11] 그러나 이들 중 상당수는 실험적 검증이 부족하다는 점에 유의해야 한다.[12]

진화 알고리즘은 진화 컴퓨팅의 하위 집합으로, 생식, 돌연변이, 재조합, 자연 선택, 적자생존 등 생물 진화에서 영감을 받은 메커니즘을 구현하는 기법을 주로 포함한다. 최적화 문제에 대한 후보 솔루션은 개체군 내 개체의 역할을 하며, 비용 함수(적합도 함수 참조)는 솔루션이 "생존"하는 환경을 결정한다. 이후 위 연산자들을 반복 적용하여 개체군의 진화가 일어난다.

이 과정에서 진화 시스템의 기반을 형성하는 두 가지 주요 요소는 다음과 같다. '''재조합'''(예: '''교차''')과 '''돌연변이'''는 다양성 생성 및 혁신을 촉진하고, '''선택'''은 품질 향상을 유도한다.

이러한 진화 과정은 여러 측면에서 확률적이다. 재조합과 돌연변이로 변경되는 정보는 무작위로 선택된다. 선택 연산자는 결정론적이거나 확률적일 수 있다. 확률적인 경우, 적합도가 높은 개체가 낮은 개체보다 선택될 확률이 높지만, 약한 개체도 부모가 되거나 생존할 기회를 가질 수 있다.

3. 2. 진화 알고리즘과 생물학

진화 알고리즘은 생물 진화에서 영감을 받은 생식, 돌연변이, 재조합, 자연 선택, 적자생존 등의 기작을 구현하는 기법을 포함한다. 최적화 문제에 대한 후보 솔루션은 집단 내 개체의 역할을 하고, 비용 함수(적합도 함수)는 솔루션이 "생존하는" 환경을 결정한다. 이후 위의 연산자를 반복 적용하여 집단의 진화가 일어난다.

이 과정에서 진화 시스템의 기반을 형성하는 두 가지 주요 요소는 다음과 같다.

  • '''재조합'''(예: '''교차''')과 '''돌연변이''': 다양성을 창출하고 혁신을 촉진한다.
  • '''선택''': 품질을 향상시키는 힘으로 작용한다.


이러한 진화 과정은 여러 측면에서 확률적이다. 재조합과 돌연변이로 변경되는 정보 조각은 무작위로 선택된다. 선택 연산자는 결정적이거나 확률적일 수 있는데, 후자의 경우 적합도가 높은 개체가 낮은 개체보다 선택될 확률이 높지만, 약한 개체도 부모가 되거나 생존할 기회를 갖는다.

유전 알고리즘은 생물 시스템과 시스템 생물학을 모델링하여 시스템의 미래 상태를 예측하는 데 사용될 수 있으므로, 동역학 시스템 이론과 관련이 있다.

동역학 시스템과의 유추 외에도, 알고리즘, 정보학, 특히 계산 이론의 사용은 진화 자체를 이해하는 데 관련이 있다.

이러한 관점은 발달에 중앙 통제가 없다는 것을 인식한다는 장점이 있다. 유기체는 세포 내/간 국소적 상호 작용의 결과로 발달한다. 세포 내 과정과 현대 컴퓨터의 저수준 작동 사이에는 밀접한 유추가 가능하다.[13] 따라서 생물 시스템은 다음 상태 계산을 위해 입력 정보를 처리하는 계산 기계와 같으므로, 고전적인 동역학 시스템보다 계산에 더 가깝다.[14]

계산 이론에 따르면, 생물 유기체의 미세 과정은 근본적으로 불완전하고 결정 불가능하다(완전성 (논리)). 이는 “세포와 컴퓨터 사이의 유추에는 단순한 은유 이상의 것이 있다”는 것을 의미한다.[15]

계산과의 유추는 유전 시스템과 생물학적 구조의 관계에도 확장되며, 이는 종종 생명의 기원을 설명하는 가장 시급한 문제 중 하나로 여겨진다.

4. 주요 학술대회 및 연구회


  • 유전 알고리즘 및 진화 컴퓨팅 학회(GECCO)
  • IEEE 진화 컴퓨팅 학회(CEC)
  • 자연에서의 병렬 문제 해결(PPSN)
  • 유전 알고리즘 기초 워크숍 (FOGA)
  • 개미집단 최적화 및 군집 지능 워크숍 (ANTS)
  • Evo* 및 EuroGP 워크숍

5. 주요 학술지

진화 컴퓨팅 관련 논문은 여러 문헌에 널리 퍼져 있으며, 진화 컴퓨팅에 특화된 학술지도 다수 존재한다.


  • Evolutionary Computation (학술지) (1993년 창간)
  • Artificial Life (학술지) (1993년 창간)
  • IEEE Transactions on Evolutionary Computation (1997년 창간)
  • Genetic Programming and Evolvable Machines (2000년 창간)
  • Swarm Intelligence (2007년 창간)
  • Evolutionary Intelligence (2008년 창간)
  • Journal of Artificial Evolution and Applications (2008-2010년)
  • Memetic Computing (2009년 창간)
  • International Journal of Applied Evolutionary Computation (2010년 창간)
  • Swarm and Evolutionary Computation (2011년 창간)
  • International Journal of Swarm Intelligence and Evolutionary Computation (2012년 창간)

6. 저명한 연구자

다음은 진화 연산 분야의 저명한 연구자 목록이다. 2007년에 이 커뮤니티의 네트워크 분석이 발표되었다.[16]


  • 칼리안모이 데브(Kalyanmoy Deb)
  • 케네스 A. 드 용(Kenneth A De Jong)
  • 피터 J. 플레밍(Peter J. Fleming)
  • 데이비드 B. 포겔(David B. Fogel)
  • 스테파니 포레스트(Stephanie Forrest)
  • 데이비드 E. 골드버그(David E. Goldberg)
  • 존 헨리 홀랜드(John Henry Holland)
  • 테오 얀센(Theo Jansen)
  • 존 코자(John Koza)
  • 즈비그니에프 미할레비치(Zbigniew Michalewicz)
  • 멜라니 미첼(Melanie Mitchell)
  • 피터 노르딘(Peter Nordin)
  • 리카르도 폴리(Riccardo Poli)
  • 잉고 레헨베르크(Ingo Rechenberg)
  • 한스-파울 슈베펠(Hans-Paul Schwefel)

참조

[1] 논문 Evolutionary Computing: The Origins http://dx.doi.org/10[...] Springer Berlin Heidelberg 2022-05-06
[2] arXiv Evolutionary Turing in the Context of Evolutionary Machines 2013-04-12
[3] 서적 Evolutionary computation : the fossil record https://www.worldcat[...] IEEE Press 1998
[4] 논문 Kybernetische Systemanalyse Einer Tuchfabrik zur Einführung Eines Computergestützten Dispositionssystems der Fertigung http://dx.doi.org/10[...] Springer Berlin Heidelberg 2022-05-06
[5] 서적 An Introduction to Genetic Algorithms http://dx.doi.org/10[...] The MIT Press 1998
[6] 학술지 Esempi Numerici di processi di evoluzione 1954
[7] 학술지 Monte Carlo analyses of genetic models
[8] 서적 Genetic Programming: On the Programming of Computers by Means of Natural Selection MIT Press
[9] 서적 New Optimization Techniques in Engineering https://www.springer[...] Springer 2016-09-17
[10] 학술지 Tools for intelligent control: fuzzy controllers, neural networks and genetic algorithms
[11] 학술지 Ec Bestiary: A Bestiary Of Evolutionary, Swarm And Other Metaphor-Based Algorithms https://zenodo.org/r[...] 2018-06-20
[12] 학술지 A critical problem in benchmarking and analysis of evolutionary computation methods https://www.nature.c[...] 2022-12-12
[13] 웹사이트 The Stanford Encyclopedia of Philosophy Metaphysics Research Lab, Stanford University
[14] 학술지 Elastic Multi-scale Mechanisms: Computation and Biological Evolution
[15] 학술지 Bacteria as computers making computers
[16] arXiv Who is the best connected EC researcher? Centrality analysis of the complex network of authors in evolutionary computation


본 사이트는 AI가 위키백과와 뉴스 기사,정부 간행물,학술 논문등을 바탕으로 정보를 가공하여 제공하는 백과사전형 서비스입니다.
모든 문서는 AI에 의해 자동 생성되며, CC BY-SA 4.0 라이선스에 따라 이용할 수 있습니다.
하지만, 위키백과나 뉴스 기사 자체에 오류, 부정확한 정보, 또는 가짜 뉴스가 포함될 수 있으며, AI는 이러한 내용을 완벽하게 걸러내지 못할 수 있습니다.
따라서 제공되는 정보에 일부 오류나 편향이 있을 수 있으므로, 중요한 정보는 반드시 다른 출처를 통해 교차 검증하시기 바랍니다.

문의하기 : help@durumis.com