📝 1. 유전알고리즘의 개요

✨ 유전알고리즘의 개요

생물의 진화과정을 모방한 메타 휴리스틱 기법
특정한 문제를 해결하기 위한 고정된 알고리즘이 아니라, 최적화 문제를 해결하기 위한 하나의 탐색 기법으로 활용
일반적으로 문제가 전통적인 최적화 방법으로 해결하기 어려울 정도로 복잡할 경우 유전 알고리즘을 통하여 실제 최적해를 구하지는 못하더라도 최적해에 가까운 해(근사해)를 얻을 수 있음

💡 메타 휴리스틱 기법
▸ 최적화 문제를 해결하기 위해 사용되는 상위 개념의 탐색 알고리즘
▸ 완전 탐색(Exhaustive Search)이나 전통적인 수학적 최적화 기법(미분을 이용한 최적화, 동적 계획법 등)이 적용되기 어려운 복잡한 문제를 해결하는 데 활용됨

✨ 전통적인 최적화 기법과 유전알고리즘의 차이

비교 항목	전통적인 최적화 기법	유전알고리즘(GA)
접근 방식	수학적 해석 기반	생물 진화 모방 (탐색 기법)
탐색 방식	단일 해(Single Solution) 탐색	다중 해(Population) 기반 탐색
초기 조건 의존성	초기 해 선택 중요	초기 해가 랜덤이라 다양성 확보
전역 최적해 탐색	지역 최적해(Local Optimum)에 빠질 가능성 높음	돌연변이와 교차로 전역 최적해(Global Optimum) 가능성 증가
연속성/미분 가능성 요구	미분 가능 함수(Gradient-based) 필요	미분 불가능, 비연속적인 함수도 가능
계산 비용(속도)	비교적 빠름 (단, 복잡한 문제에서는 어려움)	반복적 연산(세대별 진화)으로 상대적으로 느릴 수 있음
적용 가능 문제	수학적으로 정의된 최적화 문제 (선형 계획법, 미분 가능 함수 최적화)	복잡한, 비선형, 비미분 가능, NP-문제 등에 강함
탐색 특징	주어진 정보 기반으로 점진적으로 개선	랜덤성과 자연 선택을 활용하여 탐색
해의 품질	수학적으로 정확한 최적해 도출 가능	최적해에 가까운 근사해 도출 가능

✨ 핵심 차이 정리

탐색 방식
전통적인 방법은 단일 해를 점진적으로 개선하지만, GA는 여러 개의 해(집단) 을 동시에 탐색.
전역 최적화 가능성
전통적인 방법은 지역 최적해에 빠질 가능성이 높지만, GA는 돌연변이, 교차 등을 통해 전역 최적해를 찾을 가능성이 기존의 방법에 비해 높다.
적용 가능성
전통적인 방법은 미분이 가능해야 하는 경우가 많지만 GA는 미분이 불가능하거나 복잡한 문제(비선형, NP-문제 등) 에서도 사용 가능.
계산 비용
전통적인 방법이 수렴 속도가 빠른 경우가 많지만 GA는 반복적인 세대 교체 과정이 필요해서 상대적으로 느릴 수 있음.

✨ 정리

유전알고리즘은 생물의 진화과정을 모방한 메타 휴리스틱 기법
언제 유전알고리즘을 사용해야 할까?

▸ 미분이 불가능하거나, 함수 형태가 불명확한 문제
▸ 탐색 공간이 복잡하고, 전통적인 방법으로 해결하기 어려운 최적화 문제
▸ 전역 최적해를 찾는 것이 중요한 문제 (예 : 신경망 하이퍼파라미터 튜닝, 경로 최적화 등)