🔠 0. 목차

Chapter 1 is the introductory chapter giving the basic principles of evolution.
챕터 1은 진화의 기본 원리를 소개하는 서론적인 장입니다.

It defines the genetic algorithm, the genetic algorithm’s nature, its applicability, and the pros and cons.
유전 알고리즘의 정의, 본질, 적용 가능성, 장점과 단점을 설명합니다.

---

Chapter 2 will discuss genetic algorithm architecture, its main logical concepts: individual, fitness function, population, selection, crossover, and mutation.
챕터 2에서는 유전 알고리즘의 구조와 주요 논리 개념인 개체, 적합도 함수, 개체군, 선택, 교차, 돌연변이를 다룹니다.

---

Chapter 3 will focus solely on the Selection method.
챕터 3은 선택 방법에만 집중합니다.

It explains the selection in the sense of evolution, how it works, and how it affects the evolution process.
선택이 진화 과정에서 어떻게 작용하는지, 그리고 어떻게 영향을 미치는지를 설명합니다.

We will cover the following selection methods: Tournament Selection, Proportional Selection, Stochastic Universal Sampling Selection, Rank Selection, Elite Selection.
다음과 같은 선택 방법을 다룹니다 : 토너먼트 선택, 비례 선택, 확률적 범용 샘플링 선택, 순위 선택, 엘리트 선택.

---

Chapter 4 concentrates only on the Crossover operation.
챕터 4는 교차 연산에만 집중합니다.

It describes the crossover, why it is important, how it works, and how it influences the solution search.
교차의 정의, 중요성, 작동 방식, 그리고 해 탐색에 미치는 영향을 설명합니다.

We will study the following crossover methods: One Point Crossover, N-Point Crossover, Uniform Crossover, Linear Combination Crossover, Blend Crossover, Order Crossover, and Fitness Driven Crossover.
다음과 같은 교차 방법을 연구합니다 : 단일 지점 교차, N-지점 교차, 균일 교차, 선형 조합 교차, 블렌드 교차, 순서 교차, 적합도 기반 교차.

---

Chapter 5 discusses the last evolution operation called Mutation.
챕터 5에서는 마지막 진화 연산인 돌연변이를 다룹니다.

Evolution would be impossible without Mutation, and it is one of the most crucial parts of the genetic algorithm.
돌연변이가 없다면 진화는 불가능하며, 이는 유전 알고리즘에서 가장 중요한 요소 중 하나입니다.

Following mutation methods are discussed: Random Deviation Mutation, Exchange Mutation, Shift Mutation, Bit Flip Mutation, Inversion Mutation, Shuffle Mutation, and Fitness Driven Mutation.
다음과 같은 돌연변이 방법을 다룹니다 : 무작위 편차 돌연변이, 교환 돌연변이, 이동 돌연변이, 비트 반전 돌연변이, 반전 돌연변이, 셔플 돌연변이, 적합도 기반 돌연변이.

---

Chapter 6 will explore a way to compare the effectiveness of architectures of genetic algorithms.
챕터 6에서는 유전 알고리즘 구조의 효과를 비교하는 방법을 탐구합니다.

It defines what the best individual is.
최적 개체의 정의를 다룹니다.

Explore the Genetic Algorithm as a random variable and cover the handy technique to compare two random variables called Monte-Carlo simulation.
유전 알고리즘을 확률 변수로 탐구하고, 몬테카를로 시뮬레이션이라는 확률 변수 비교 기법을 설명합니다.

---

Chapter 7 is the last theoretical chapter and is dedicated to parameter tuning.
챕터 7은 마지막 이론적 챕터이며, 매개변수 조정에 집중합니다.

It shows how global parameters like population size, crossover, and mutation probability govern genetic algorithm flow dynamics.
개체군 크기, 교차 확률, 돌연변이 확률과 같은 전역 매개변수가 유전 알고리즘의 흐름에 어떻게 영향을 미치는지 설명합니다.

It studies each parameter influence and explains how each parameter affects the algorithm intuitively.
각 매개변수가 미치는 영향을 연구하고, 이를 직관적으로 설명합니다.

---

Chapter 8 starts the practical section of real-world problems.
챕터 8부터는 실전 문제를 다루는 실용적인 섹션이 시작됩니다.

It covers one of the most common tasks - finding the black-box function’s maxima.
가장 일반적인 과제 중 하나인 블랙박스 함수의 최대값 찾기를 다룹니다.

It covers which types of individuals can be created and design genetic algorithm architecture for this task.
어떤 유형의 개체를 생성할 수 있는지 설명하고, 이 과제에 적합한 유전 알고리즘 구조를 설계합니다.

---

Chapter 9 covers the first type of combinatorial problems, named binary encoded combinatorial problems.
챕터 9에서는 첫 번째 조합 최적화 문제 유형인 이진 인코딩된 조합 최적화 문제를 다룹니다.

It designs the solution for the classical knapsack and schedule problem.
고전적인 배낭 문제와 일정 문제에 대한 해결책을 설계합니다.

And also, we will study a complex radar problem.
또한 복잡한 레이더 문제도 연구합니다.

---

Chapter 10 studies the second type of combinatorial problem called ordered encoded combinatorial problems.
챕터 10에서는 두 번째 조합 최적화 문제 유형인 순서 인코딩된 조합 최적화 문제를 연구합니다.

Here we will discuss the traditional traveling salesman problem; also, we will investigate an original football manager problem.
여기에서는 전통적인 외판원 문제를 다루며, 독창적인 축구 매니저 문제도 조사합니다.

---

Chapter 11 shows some other types of problems.
챕터 11에서는 기타 여러 유형의 문제를 소개합니다.

It shows how to solve the general system of equations using genetic algorithms and another common graph coloring problem.
유전 알고리즘을 활용해 일반적인 방정식 시스템을 해결하는 방법과 일반적인 그래프 색칠 문제를 설명합니다.

---

Chapter 12 brings the genetic algorithm to another level, from Machine Learning to Deep Learning.
챕터 12에서는 유전 알고리즘을 머신러닝에서 딥러닝으로 확장하는 방법을 다룹니다.

It shows how to design an adaptive genetic algorithm that can be used as a universal approach with self-tuning feature during the evolution process.
진화 과정에서 자동 조정 기능을 갖춘 적응형 유전 알고리즘을 설계하는 방법을 설명합니다.

---

Chapter 13 is all about performance.
챕터 13은 성능 최적화에 대한 내용입니다.

It shows how to speed up the genetic algorithm with various techniques.
유전 알고리즘을 가속화하는 다양한 기법을 소개합니다.

---

✨ 정리

▸ Chapter 1 - 유전 알고리즘 개요 (개념, 장단점)
▸ Chapter 2 - 유전 알고리즘 구조 (개체, 적합도, 선택, 교차, 돌연변이)
▸ Chapter 3 - 선택 방법 (토너먼트, 비례, 엘리트 등)
▸ Chapter 4 - 교차 방법 (단일 지점, 균일, 순서 등)
▸ Chapter 5 - 돌연변이 방법 (비트 반전, 셔플 등)
▸ Chapter 6 - 성능 비교 (몬테카를로 시뮬레이션)
▸ Chapter 7 - 매개변수 조정 (개체군 크기, 교차율, 돌연변이율)
▸ Chapter 8 - 블랙박스 함수 최적화
▸ Chapter 9 - 이진 인코딩 조합 문제 (배낭, 일정, 레이더 문제)
▸ Chapter 10 - 순서 인코딩 문제 (외판원, 축구 매니저 문제)
▸ Chapter 11 - 방정식, 그래프 문제 해결
▸ Chapter 12 - 유전 알고리즘 + 머신러닝/딥러닝
▸ Chapter 13 - 성능 최적화 기법