🔠 1. Introduction

✨ 1 - Introduction 서론

As we know, evolution is one of the most perfect adaptation mechanisms.
우리가 알고 있듯이, 진화는 가장 완벽한 적응 메커니즘 중 하나입니다.

It is a way to achieve extraordinary and complex solutions.
이는 놀랍고 복잡한 해결책을 얻는 하나의 방법입니다.

Understanding the principles of evolution gave us a new approach called genetic algorithms.
진화의 원리를 이해하는 것은 우리에게 유전 알고리즘이라는 새로운 접근 방식을 가져다주었습니다.

We will now explore this rather beautiful, simple, and effective approach to problem-solving.
이제 우리는 이 꽤나 아름답고, 단순하며, 효과적인 문제 해결 접근법을 탐구할 것입니다.

🔡 주요 단어

영어 단어	한글 뜻
evolution	진화
adaptation	적응
mechanism	메커니즘, 구조
extraordinary	놀라운, 비범한
complex	복잡한
solution	해결책
principle	원리, 원칙
approach	접근 방식
genetic algorithm	유전 알고리즘
problem-solving	문제 해결
simple	단순한
effective	효과적인

---

✨ 1 - Structure 구조

In this chapter, we will discuss the following topics :
이 장에서는 다음과 같은 주제들을 논의할 것입니다.

• Nature of genetic algorithm
  유전 알고리즘의 본질

• Applicability of genetic algorithms
  유전 알고리즘의 적용 가능성

• Pros and cons of genetic algorithms
  유전 알고리즘의 장단점

• Your first genetic algorithm
  당신의 첫 번째 유전 알고리즘

🔡 주요 단어

영어 단어	한글 뜻
structure	구조
discuss	논의하다
topic	주제
nature	본질, 특성
applicability	적용 가능성
pros and cons	장단점
first	첫 번째

---

✨ 1.1 - Nature of Genetic Algorithm 유전알고리즘의 본질

The rapid development in AI is made possible for humans to obtain solutions to abstract problems.
AI의 급속한 발전으로 인해 인간은 추상적인 문제에 대한 해결책을 얻을 수 있게 되었습니다.

Complex computational problems that are very difficult to solve by classical methods can now be solved by AI.
전통적인 방법으로 해결하기 매우 어려운 복잡한 연산 문제들도 이제 AI를 통해 해결할 수 있습니다.

One of the most powerful techniques to solve such complex problems is genetic algorithms (GA), which is based on the principle of an evolutionary approach.
이러한 복잡한 문제를 해결하는 가장 강력한 기법 중 하나는 유전 알고리즘(GA)으로, 이는 진화적 접근 방식의 원리에 기반을 둡니다.

In the late 60s, American researcher J. Holland proposed to find solutions to optimization problems using methods and evolution models of animal populations in nature.
1960년대 후반, 미국의 연구자 J. Holland는 자연에서 동물 집단의 진화 모델과 방법을 활용하여 최적화 문제의 해결책을 찾는 방법을 제안했습니다.

Since the evolution’s basic laws were investigated and described by genetics, the proposed approach was called genetic algorithms.
진화의 기본 법칙이 유전학에 의해 연구되고 설명되었기 때문에, 이 접근법을 유전 알고리즘이라고 명명하였습니다.

GA is a randomly directed search algorithm based on mechanisms of natural selection and natural genetics.
유전 알고리즘은 자연 선택과 자연 유전학의 메커니즘을 기반으로 한 무작위 탐색 알고리즘입니다.

It implements the principle of survival of the fittest, forming and changing the search algorithm based on evolutionary modeling.
이는 적자생존의 원칙을 구현하며, 진화적 모델링을 통해 탐색 알고리즘을 형성하고 변화시킵니다.

The basic steps in natural evolution are as follows :
자연 진화의 기본 과정은 다음과 같습니다.

• Selection : According to Charles Darwin, natural selection laws were formulated in the book On the Origin of Species.
  선택 : 찰스 다윈(Charles Darwin)에 따르면, 자연 선택의 법칙은 _종의 기원_이라는 책에서 정리되었습니다.

• The central postulate is that individuals who can better solve problems survive and reproduce more.
  핵심 원칙은 문제를 더 잘 해결할 수 있는 개체가 생존하고 더 많이 번식한다는 것입니다.

• In GAs, each individual is a solution to some problem.
  유전 알고리즘에서는 각 개체가 어떤 문제의 해결책을 나타냅니다

• According to this principle, individuals who solve the problem better have a greater chance of surviving and leaving offspring.
  이 원칙에 따라, 문제를 더 잘 해결하는 개체가 생존하고 후손을 남길 확률이 더 높아집니다.

  
  

  ---

  
  

• Crossover : This means that the offspring chromosome is made up of parts that are derived from the parents’ chromosomes.
  교차 : 이는 자손의 염색체가 부모의 염색체에서 일부를 가져와 형성됨을 의미합니다.

• This principle was discovered in 1865 by G. Mendel.
  이 원리는 1865년 G. 멘델(G. Mendel)에 의해 발견되었습니다.

  
  

  ---

  
  

• Mutation : In 1900, H. de Vries discovered the principle of random change.
  돌연변이 : 1900년, H. 드 브리스(H. de Vries)가 무작위 변화의 원리를 발견하였습니다.

• Initially, this term was used to describe significant changes in descendants’ properties that were not present in their parents.
  처음에는 이 용어가 부모에게 없었던 특성이 자손에게 나타나는 큰 변화를 설명하는 데 사용되었습니다.

• By analogy, genetic algorithms use a similar mechanism to change offspring’s properties, thereby increasing individuals’ diversity in a population.
  이를 유추하여, 유전 알고리즘은 개체군 내에서 개체들의 다양성을 증가시키기 위해 유사한 메커니즘을 사용합니다.

Genetic algorithms have the following characteristics :
유전 알고리즘은 다음과 같은 특징을 가집니다.

• Easy to implement
  구현이 용이함

• Used for a wide range of tasks
  다양한 문제에 적용 가능함

• They do not require any additional information about the nature of the problem
  문제의 본질에 대한 추가적인 정보가 필요 없음

• Easy and convenient to parallelize
  병렬 처리가 쉽고 편리함

🔡 주요 단어

영어 단어	한글 뜻
obtain	얻다, 획득하다
abstract	추상적인
classical	전통적인, 고전적인
optimization	최적화
evolution	진화
mechanism	메커니즘, 구조
natural selection	자연 선택
postulate	가정, 원칙
offspring	자손, 후손
chromosome	염색체
descendant	후손, 자손
analogy	유사, 비유
diversity	다양성
parallelize	병렬 처리하다
survival of the fittest	적자생존
formulation	공식화, 정리
mutation	돌연변이
crossover	교차
principle	원리, 원칙
implementation	구현, 실행
convenient	편리한
significant	중요한, 의미 있는
complexity	복잡성

---

✨ 1.2 - Applicability of genetic algorithms 유전 알고리즘의 적용 가능성

As a solution, the GA tries to find the extremum of some function that characterizes the quality of the solution to the problem.
유전 알고리즘(GA)은 문제의 해의 품질을 나타내는 어떤 함수의 극값을 찾으려고 시도합니다.

Generally, the GA does not guarantee that the solution found is the best of all that’s possible.
일반적으로, GA는 찾은 해가 가능한 모든 해 중에서 최적임을 보장하지 않습니다.

Usually, this is not required, but it is only important that the found solution satisfies the meaning of the problem being solved.
대부분의 경우, 이는 필수적이지 않으며, 중요한 것은 찾은 해결책이 해결하려는 문제의 의미를 충족하는 것입니다.

The areas of application of GAs include the following:
GA의 적용 분야는 다음과 같습니다.

• Search for extremum of various functions
  다양한 함수의 극값 탐색

• Finding the shortest paths (traveling salesman problem)
  최단 경로 찾기 (외판원 문제)

• Combinatorial optimization
  조합 최적화

• Tasks of placement and scheduling
  배치 및 일정 계획 문제

• Automatic programming tasks
  자동 프로그래밍 과제

• AI tasks (choosing the structure and parameters of artificial neural networks)
  AI 과제 (인공 신경망의 구조 및 매개변수 선택)

In real-time scenarios, GAs are used to develop AI systems, like designing tasks for aircraft routes at airports, finding the optimal behavior of robots, problems of constructing investment portfolios, and so on.
실제 상황에서 GA는 AI 시스템 개발에 사용되며, 공항에서 항공기의 최적 경로 설계, 로봇의 최적 행동 탐색, 투자 포트폴리오 구성 문제 등에 활용됩니다.

🔡 주요 단어

영어 단어	한글 뜻
solution	해결책, 해
extremum	극값
characterize	특징짓다, 정의하다
guarantee	보장하다
satisfy	만족시키다
application	적용, 응용
placement	배치
develop	개발하다
optimal	최적의
behavior	행동
construct	구성하다, 만들다

---

✨ 1.3 - Pros and cons of genetic algorithms 유전 알고리즘의 장단점

Like any other approach to problem-solving, GAs have their pros and cons as well.
다른 문제 해결 방법과 마찬가지로, 유전 알고리즘(GA)에도 장점과 단점이 존재합니다.

Understanding these features will allow you to solve practical problems in a better way.
이러한 특성을 이해하면 실질적인 문제를 더 효과적으로 해결할 수 있습니다.

The pros of genetic algorithms are as follows :
유전 알고리즘의 장점은 다음과 같습니다.

• A wide range of tasks to be solved : GA is successfully applied in the following areas – combinatorial optimization, finance (portfolio optimization), machine learning (feature extraction, neural network hyper-parameter optimization), code-breaking, game theory, natural sciences, and so on.

  
  해결 가능한 문제의 폭이 넓음 : GA는 조합 최적화, 금융(포트폴리오 최적화), 머신 러닝(특징 추출, 신경망 하이퍼파라미터 최적화), 코드 해독, 게임 이론, 자연 과학 등 다양한 분야에 성공적으로 적용됩니다.

  
  

  ---

  
  

• Ease of implementation : The algorithm implies the presence of steps – natural selection, crossing, and mutation. This conceptual simplicity makes this method available to a wide range of developers.

  
  구현이 용이함 : 이 알고리즘은 자연 선택, 교차, 돌연변이 등의 단계를 포함합니다. 이러한 개념적 단순성 덕분에 많은 개발자들이 쉽게 사용할 수 있습니다.

  
  

  ---

  
  

• Resistance to dynamic changes in problem conditions : The GA is able to retrain if the conditions of the problem change when searching for a solution.

  
  문제 조건의 동적 변화에 대한 저항성 : 문제 해결 과정에서 조건이 변화하더라도 GA는 재학습할 수 있습니다.

  
  

  ---

  
  

• The ability for self-adaptation : GAs are able, after a certain period of evolution, to adapt to the conditions of the problem being solved.

  
  자체 적응 능력 : GA는 일정한 진화 과정을 거친 후, 해결하려는 문제의 조건에 적응할 수 있습니다.

  
  

  ---

  
  

• Ease of scaling : Can easily be used on big data where the data is spread over distributed systems. GAs, as a highly parallel process, can be easily parallelized, which makes it possible to proportionally accelerate the finding of a solution with an increase in computing power.

  
  확장 용이성 : GA는 데이터가 분산 시스템에 분포된 빅데이터 환경에서도 쉽게 사용할 수 있습니다. GA는 병렬 처리에 적합하여 컴퓨팅 성능이 증가할수록 문제 해결 속도를 비례적으로 향상시킬 수 있습니다.

  
  

  ---

  
  

• Solving problems for which there is no solution experience : One of the biggest advantages of GAs is their ability to investigate problems for which there is no relevant solution experience. It should be noted that expert assessments are often used to solve difficult-to-formalize problems, but they sometimes give less acceptable solutions than automated methods

  
  해결 경험이 없는 문제 해결 가능 : GA의 가장 큰 장점 중 하나는 기존에 해결 경험이 없는 문제를 탐색할 수 있다는 점입니다. 일반적으로 전문가의 평가를 통해 형식화하기 어려운 문제를 해결하려 하지만, 그들은 가끔 자동화된 방법보다 만족스럽지 못한 해결책을 제공하기도 합니다.

The cons of genetic algorithms are as follows :
유전 알고리즘의 단점은 다음과 같습니다.

• The complexity of representing an individual in a population and determining the fitness function.
  

  개체를 어떻게 표현할 것인지, 그리고 적합도를 어떻게 평가할 것인지 결정하는 과정이 복잡할 수 있습니다.

• For real problems, it is initially not-at-all obvious in what form it is necessary to present a set of individual genes for a successful solution to the problem, and also determine the assessment of the quality of a particular individual.
  

  실제 문제에서는 개별 유전자 세트를 어떤 형태로 표현해야 성공적인 해결이 가능한지, 그리고 특정 개체의 품질을 어떻게 평가해야 할지 처음에는 명확하지 않을 수 있습니다.
  (개체 표현과 적합도 함수 설정의 복잡성)

  
  

  ---

  
  

• The choice of parameters of the architecture of the GA.
  

  GA를 구성하는 다양한 매개변수를 어떻게 선택해야 하는지에 대한 명확한 기준이 없습니다.
  (GA의 구조적 매개변수 선택 문제)

  
  

  ---

  
  

• There are no effective criteria for the termination of the algorithm.
  

  GA를 언제 멈춰야 하는지에 대한 명확한 기준이 없는 경우가 많습니다.
  (알고리즘 종료에 대한 효과적인 기준이 없음 )

  
  

  ---

  
  

• Not effective for finding an extremum for smooth functions with one extremum.
  

  GA는 다중 극값이 있는 문제에서 더 효과적이며, 극값이 하나만 있는 매끄러운 함수에서는 효율이 떨어질 수 있습니다.
  (다중 극값에 강하나, 단일 극값엔 비효율적)

  
  

  ---

  
  

• They require large enough computing resources.
  

  GA는 대규모 계산을 수행해야 하므로 상당한 컴퓨팅 자원을 요구할 수 있습니다.
  (많은 컴퓨팅 자원이 필요)

  
  

  ---

  
  

• When solving problems, there are cases of premature convergence, and therefore, generally, they do not guarantee in finding the global extremum.
  

  GA는 탐색 과정에서 조기에 최적해를 찾았다고 판단하여 더 나은 해를 찾는 탐색을 멈출 수 있으며, 이로 인해 전역 극값을 반드시 찾는다고 보장할 수 없습니다.
  (조기 수렴 문제 발생 가능성)

🔡 주요 단어

영어 단어	한글 뜻
extremum	극값
conceptual	개념적인
retrain	재학습하다
self-adaptation	자체 적응
distributed systems	분산 시스템
scalability	확장성
proportionally	비례적으로
computing power	계산 성능, 컴퓨팅 파워
formalize	형식화하다
assessment	평가
fitness function	적합도 함수
architecture (of GA)	구조, 설계 (GA의 구조)
termination	종료, 끝냄
premature convergence	조기 수렴
global extremum	전역 극값

---

✨ 1.4 - Your first genetic algorithm 당신의 첫 번째 유전 알고리즘

Well, let’s try to build our first GA solution.
자, 우리의 첫 번째 GA 솔루션을 만들어 보도록 하겠습니다.

We will start from a trivial example which shows us the basics.
기본을 보여주는 간단한 예제부터 시작하겠습니다.

Let’s say we have the following function, sin(x) - 0.2 * abs(x).
다음과 같은 함수가 있다고 가정해 봅시다: sin(x) - 0.2 * abs(x).

Refer to the following figure
다음 그림을 참고하세요.

We will find the maxima of the preceding function.
우리는 앞서 주어진 함수의 최댓값을 찾을 것입니다.

This function has several local maximums.
이 함수는 여러 개의 국소 최댓값을 가지고 있습니다.

All individuals in the population in our GA will try to climb as high as possible.
GA의 개체들은 가능한 한 높은 값을 찾으려고 할 것입니다.

Let’s see the GA in action.
GA가 작동하는 것을 살펴보겠습니다.

Execute the following code (we will cover the details in future chapters).
다음 코드를 실행하세요 (세부 사항은 이후 장에서 다룰 것입니다).

💡 코드에 대한 자세한 분석은 코드 폴더를 참고하세요

 
import random
from typing import List
import numpy as np
import matplotlib.pyplot as plt
 
 
def constraints(g, min_=-10, max_=10):
    if max_ and g > max_:
        g = max_
    if min_ and g < min_:
        g = min_
    return g
 
 
def crossover_blend(g1, g2, alpha):
    shift = (1 + 2 * alpha) * random.random() - alpha
    new_g1 = (1 - shift) * g1 + shift * g2
    new_g2 = shift * g1 + (1 - shift) * g2
 
    return constraints(new_g1), constraints(new_g2)
 
 
def mutate_gaussian(g, mu, sigma):
    mutated_gene = g + random.gauss(mu, sigma)
    return constraints(mutated_gene)
 
 
def select_tournament(population, size):
    new_offspring = []
    for _ in range(len(population)):
        candidates = [random.choice(population) for _ in range(size)]
        new_offspring.append(max(candidates, key=lambda ind: ind.fitness))
    return new_offspring
 
 
def func(x):
    return np.sin(x) - .2 * abs(x)
 
 
def get_best(population):
    best = population[0]
    for ind in population:
        if ind.fitness > best.fitness:
            best = ind
    return best
 
 
def plot_population(population, number_of_population):
    best = get_best(population)
    x = np.linspace(-10, 10)
    plt.plot(x, func(x), '--', color='blue')
    plt.plot(
        [ind.get_gene() for ind in population],
        [ind.fitness for ind in population],
        'o', color='orange'
    )
    plt.plot([best.get_gene()], [best.fitness], 's', color='green')
    plt.title(f"Generation number {number_of_population}")
    plt.show()
    plt.close()
 
 
class Individual:
 
    def __init__(self, gene_list: List[float]) -> None:
        self.gene_list = gene_list
        self.fitness = func(self.gene_list[0])
 
    def get_gene(self):
        return self.gene_list[0]
 
 
def crossover(parent1, parent2):
    child1_gene, child2_gene = crossover_blend(parent1.get_gene(), parent2.get_gene(), 1)
    return Individual([child1_gene]), Individual([child2_gene])
 
 
def mutate(ind):
    mutated_gene = mutate_gaussian(ind.get_gene(), 0, 1)
    return Individual([mutated_gene])
 
 
def select(population):
    return select_tournament(population, size=3)
 
 
def create_random():
    return Individual([random.uniform(-10, 10)])
 
 
random.seed(52)
# random.seed(16)  # local maximum
POPULATION_SIZE = 10
CROSSOVER_PROBABILITY = .8
MUTATION_PROBABILITY = .1
MAX_GENERATIONS = 10
 
first_population = [create_random() for _ in range(POPULATION_SIZE)]
plot_population(first_population, 0)
 
generation_number = 0
 
population = first_population.copy()
 
while generation_number < MAX_GENERATIONS:
 
    generation_number += 1
 
    # SELECTION
    offspring = select(population)
 
    # CROSSOVER
    crossed_offspring = []
    for ind1, ind2 in zip(offspring[::2], offspring[1::2]):
        if random.random() < CROSSOVER_PROBABILITY:
            kid1, kid2 = crossover(ind1, ind2)
            crossed_offspring.append(kid1)
            crossed_offspring.append(kid2)
        else:
            crossed_offspring.append(ind1)
            crossed_offspring.append(ind2)
 
    # MUTATION
    mutated_offspring = []
    for mutant in crossed_offspring:
        if random.random() < MUTATION_PROBABILITY:
            new_mutant = mutate(mutant)
            mutated_offspring.append(new_mutant)
        else:
            mutated_offspring.append(mutant)
 
    population = mutated_offspring.copy()
 
    plot_population(population, generation_number)

Now, let’s examine how individuals of each population behave during each generation.
이제 각 세대 동안 모집단의 개체들이 어떻게 행동하는지 살펴보겠습니다.

Refer to the following graphs:
다음 그래프를 참고하세요.

In the preceding figure, the first generation is just the random distribution of points on the curve.
위 그림에서 첫 번째 세대는 단순히 곡선 위에 무작위로 분포된 점들입니다.

We denote the green point as the highest.
우리는 녹색 점을 가장 높은 값으로 표시합니다.

The second generation, as shown in the preceding figure, produces an individual on the top of the highest hill.
이전 그림에서 볼 수 있듯이, 두 번째 세대는 가장 높은 언덕의 꼭대기에 있는 개체를 생성합니다.

But let’s see how other individuals will behave.
그러나 다른 개체들이 어떻게 행동할지 살펴봅시다.

The third generation, as shown in the preceding figure, shows an interesting situation.
이전 그림에서 볼 수 있듯이, 세 번째 세대는 흥미로운 상황을 보여줍니다.

The highest point moved a little bit right from the top.
가장 높은 지점이 꼭대기에서 약간 오른쪽으로 이동했습니다.

This behavior is typical for genetic algorithms.
이러한 행동은 유전 알고리즘에서 일반적으로 나타나는 현상입니다.

Evolution is the constant search for the best solution;
진화는 최상의 해결책을 지속적으로 탐색하는 과정입니다.

it always explores the nearest area trying to offer another slightly different mechanism that suits better.
항상 주변 영역을 탐색하며 더 적합한 새로운 메커니즘을 제안하려고 합니다.

In the fourth generation, as shown in the preceding figure, we see how the entire population begins to strive for the individual that is at the top.
이전 그림에서 볼 수 있듯이, 네 번째 세대에서는 전체 개체군이 꼭대기에 있는 개체를 향해 나아가기 시작하는 모습을 볼 수 있습니다.

The most successful individual in several generations managed to share their genes with other members of the population,
여러 세대 동안 가장 성공적인 개체는 자신의 유전자를 개체군의 다른 구성원들과 공유할 수 있었습니다.

which made them look like themselves.
그 결과, 다른 개체들도 그 개체와 비슷한 모습을 가지게 되었습니다.

Closer! Almost all population individuals have reached the top, as shown in the preceding figure.
거의 다 왔습니다! 이전 그림에서 볼 수 있듯이, 거의 모든 개체가 꼭대기에 도달했습니다.

After 10 generations, all individuals of the population are in the most optimal position for themselves, as shown in the preceding figure.
10세대 후, 개체군의 모든 개체가 이전 그림에서 보이는 것처럼 자신에게 가장 최적인 위치에 도달합니다.

NOTE : GA is random by its nature, and by itself, it cannot guarantee the best solution (that is, global maxima)!
참고 : GA(유전 알고리즘)는 본질적으로 무작위적이며, 자체적으로는 최적의 해(즉, 전역 최댓값)를 보장하지 않습니다!

We will cover different techniques trying to maximize this probability, but it is important to understand that GA finds local, but not global maxima.
이 확률을 극대화하는 다양한 기법을 다룰 예정이지만, GA는 전역 최댓값이 아니라 지역 최댓값을 찾는다는 점을 이해하는 것이 중요합니다.

Let’s see the random behavior of our solution, uncomment the following line in the preceding script :
우리의 해결책이 어떻게 무작위적으로 동작하는지 살펴보겠습니다. 이전 스크립트에서 다음 줄의 주석을 해제하십시오.

# random.seed(16) # local maximum

We have the following final distribution of population :
다음은 개체군의 최종 분포입니다.

In the case of our problem, this is very unlikely, but it can happen.
직역 : 우리 문제의 경우, 이는 매우 드문 일이지만 발생할 수 있습니다.
의역 : 우리의 경우에는 드문 일이지만, 랜덤 시드에 따라 지역 최적해에 갇힐 가능성이 있습니다.

In future chapters, we will cover the details of the algorithm we used here.
앞으로의 장에서 우리가 여기서 사용한 알고리즘의 세부 사항을 다룰 것입니다.

🔡 주요 단어

영어 단어	한글 뜻
trivial	사소한, 단순한
denote	나타내다, 표시하다
preceding	이전의, 앞선
distribution	분포
strive	노력하다, 애쓰다
mechanism	기제, 메커니즘
constantly	끊임없이, 지속적으로
suit	적합하다, 맞다
optimal	최적의
random	무작위의
maximize	극대화하다
global maxima	전역 최댓값
uncomment	주석을 해제하다
final distribution	최종 분포
unlikely	있을 법하지 않은, 가능성이 낮은

---

✨ 1 - Conclusion 결론

In this chapter, we began our acquaintance with genetic algorithms, how this approach relates to the principles of evolution and natural selection.
이번 장에서는 유전 알고리즘과의 첫 만남을 가지며, 이 접근법이 진화와 자연 선택의 원리와 어떻게 관련되는지에 대해 알아보았습니다.

We examined the operation of this algorithm in action with a specific example.
또한, 특정 예제를 통해 이 알고리즘이 어떻게 작동하는지를 살펴보았습니다.

In the next chapter, we will continue our study and consider the basic logical blocks and the structure of genetic algorithms.
다음 장에서는 연구를 계속 진행하며, 유전 알고리즘의 기본 논리 블록과 구조를 살펴볼 것입니다.

🔡 주요 단어

영어 단어	한글 뜻
acquaintance	친숙함, 첫 만남
relate to	~와 관련되다
examine	조사하다, 살펴보다
in action	실제로 작동하는 모습
specific example	특정 예제
logical block	논리 블록
structure	구조
consider	고려하다, 검토하다

---

✨ 1 - Questions 질문

Genetic algorithms always guarantee to find the best solution. Is it true?
유전 알고리즘은 항상 최적의 해를 찾는 것을 보장할까요?

One of the most important features of genetic algorithms is to find a solution to a problem without any accumulated experience. Is that true?
유전 알고리즘의 가장 중요한 특징 중 하나는 축적된 경험 없이 문제의 해결책을 찾는 것입니다. 이것이 사실일까요?

How would you formulate the basic principles of natural selection?
자연 선택의 기본 원리를 어떻게 정리할 수 있을까요?

🔡 주요 단어

영어 단어	한글 뜻
guarantee	보장하다
accumulate	축적하다
formulate	정리하다, 공식화하다
principle	원리, 원칙