🔠 2. Genetic Algorithm Flow

✨ 2 - Genetic Algorithm Flow 유전알고리즘의 흐름

The modern understanding of evolution is based on the Darwin theory and genetics.
현대의 진화에 대한 이해는 다윈 이론과 유전학에 기반하고 있습니다.

The mechanism of natural selection is known as the process of ensuring the stability and adaptation of species.
자연 선택의 메커니즘은 종의 안정성과 적응을 보장하는 과정으로 알려져 있습니다.

Strong and viable individuals survive, leaving offspring, to whom their characteristics are passed on.
강하고 생존 가능한 개체는 살아남아 자손을 남기며, 이들에게 자신의 특성이 전달됩니다.

💡 whom : who는 주어 역할을 할 때 사용하고 whom은 목적어 역할을 할 때 사용
ㅤ 위 문장에서는 강하고 생존 가능한 개체의 특성을 전달받는 ‘offspring(자손)‘을 목적어로 지칭

Weak individuals, on the contrary, perish without participating in reproduction.
반면에 약한 개체는 번식에 참여하지 못하고 소멸됩니다.

💡 on the contrary : 반대로, 반면에

A genetic algorithm is an approach that mimics the evolutionary search process.
유전 알고리즘은 이러한 진화적 탐색 과정을 모방한 접근 방식입니다.

But what is evolution? What steps and stages does it consist of?
하지만 진화란 무엇일까요? 그것은 어떤 단계들로 이루어져 있을까요?

In this chapter, we will look at the basic logical blocks of the genetic algorithm flow.
이번 장에서는 유전 알고리즘 흐름의 기본 논리 블록들을 살펴보겠습니다.

---

🔡 주요 단어

영어 단어	한글 뜻
modern	현대의
evolution	진화
Darwin theory	다윈 이론
genetics	유전학
natural selection	자연 선택
stability	안정성
adaptation	적응
viable	생존 가능한
offspring	자손
characteristic	특성
perish	소멸하다, 죽다
reproduction	번식
mimic	모방하다
evolutionary	진화의
flow	흐름
logical block	논리 블록
genetic algorithm	유전 알고리즘
approach	접근 방식
stage	단계

---

✨ 2 - Structure 구조

In this chapter, we will discuss the following topics:
이번 장에서는 다음 주제들에 대해 다룰 것입니다:

• Individual
  개체

• Fitness function
  적합도 함수

• Population
  개체군

• Selection
  선택

• Crossover
  교차

• Mutation
  돌연변이

• Genetic algorithm flow
  유전 알고리즘 흐름

---

✨ 2.1 - Individual 개체

An individual is an object that represents a solution to a problem.
개체(individual)는 문제에 대한 하나의 해결책을 나타내는 객체입니다.

The response parameters are determined by the genes that are contained in the individual.
개체에 포함된 유전자에 의해 반응 파라미터가 결정됩니다.

💡 be determined by ~: ~에 의해 결정되다

Usually, there are two ways to create individuals:
보통 개체를 생성하는 방법은 두 가지가 있습니다:

• Random generation of an individual
  개체를 무작위로 생성하는 방법

• Creating an individual with a specified set of genes
  특정 유전자 세트를 사용해 개체를 생성하는 방법

In the case of our problem from Chapter 1, an individual is represented as follows:
CHAPTER 1에서의 문제에서는 개체가 다음과 같이 표현됩니다:

---

Import part

import random
from ch2.fitness import fitness
from ch2.settings import MIN_BORDER, MAX_BORDER

---

Individual class

class Individual:
    def __init__(self, gene_list, fitness_function) -> None:
        self.gene_list = gene_list
        self.fitness = fitness_function(self.gene_list[0])
 
    def __str__(self) -> str:
        return f"{self.gene_list[0]:.2f} -> {self.fitness:.2f}"
 
    def get_gene(self):
        return self.gene_list[0]

---

Individual creation

def create_random_individual():
    return Individual([random.uniform(MIN_BORDER, MAX_BORDER)], fitness)
 
def create_individual(gene):
    return Individual([gene], fitness)

---

ch2/settings.py

MIN_BORDER = -10
MAX_BORDER = 10

---

Here are some examples of typical problems and their solutions presented by individuals.
다음은 일반적인 문제들과 개체가 갖는(표현하는) 해결책의 예시입니다.

💡 presented by : ~에 의해 제시된, 발표된, 제공된

---

Let’s say we have a two-variables function, $f(x,y)$, as shown in the following figure.
두 개의 변수를 가진 함수 $f(x,y)$가 아래 그림과 같이 주어졌다고 가정해봅시다.

If we are going to find the maxima of this function, then an individual will be represented as a pair
이 함수의 최댓값을 찾으려는 경우, 개체는 (x, y)로 이루어진 쌍으로 표현됩니다.

💡 maxima, minima : maximum, minimum의 복수형
ㅤ 라틴어나 그리스어 계열 단어들은 ‘원래 복수형’과 영어식 ‘-(e)s’ 복수형을 모두 가질 수 있습니다.
ㅤ 일반적으로 학술적, 전문적인 맥락에서는 ‘원래 복수형’을, ㅤ 일상적인 맥락에서는 ‘-(e)s’ 복수형을 사용하는 경향이 있습니다.
ㅤ ‘-um’으로 끝나는 라틴어들은 ’-um’을 ‘-a’로 바꾸어 복수형을 만듭니다.

---

Traveling Salesman Problem - 외판원 문제

We have seven cities on the map, as shown in the following figure.
다음 그림과 같이 지도 위에 7개의 도시가 있다고 가정해봅시다.

💡 as shown in ~ : ~에 나타난 대로, ~에서 보여지는 것처럼

If we need to find the shortest way to visit all seven cities, then an individual will be represented as a sequence of numbers (1, 2, 3, 4, 5, 6, 7).
7개의 도시를 모두 방문하는 가장 짧은 경로를 찾아야 한다면, 개체는 (1, 2, 3, 4, 5, 6, 7)과 같은 숫자의 순서로 표현됩니다.

💡 be represented as ~ : ~로 표현되다, ~로 나타내어지다

For example, this individual (7, 2, 3, 6, 1, 4, 5) is describing this route, as shown in the following figure.
예를 들어 (7, 2, 3, 6, 1, 4, 5)라는 개체는 다음 그림과 같은 경로를 나타냅니다.

Each task requires the formation of its own individual.
각 문제는 그에 맞는 개체 구조를 필요로 합니다.

Sometimes the structure of an individual can be quite complex.
때로는 개체의 구조가 꽤 복잡할 수 있습니다.

---

🔡 주요 단어

영어 단어	한글 뜻
typical	전형적인, 대표적인, 흔한
specified	명시된
representation	표현
describing	설명하는, 묘사하는
creation	생성
uniform	균일한, 고르게 분포된
maximum (maxima)	최댓값 (복수형: maxima)
traveling salesman problem	외판원 문제
sequence	순서, 시퀀스
complex	복잡한
quite	꽤, 상당히

---

✨ 2.2 - Fitness Function 적합도 함수

The fitness function is equivalent to the natural concept of the fitness of a living organism.
적합도 함수는 생물 유기체의 자연적인 적합성 개념에 해당합니다.

💡 equivalent to ~ : ~에 해당하는, ~와 동등한, 상응하는

This function characterizes how well an individual is adapted to the environment.
이 함수는 개체가 환경에 얼마나 잘 적응했는지를 나타냅니다.

Depending on the problem to be solved, the best individual is considered to be the one whose objective function is maxima or minima.
해결하고자 하는 문제에 따라, 최적의 개체는 목적 함수가 최댓값 또는 최솟값을 가지는 개체로 간주됩니다.

💡 Depending on ~ : ~에 따라
💡 is considered to be : ~라고 간주된다

For our problem of finding the maxima of sin(x) − 0.5 |x|, the best individual will be the one with the maxima fitness function.
우리가 다루는 $\sin (x)-0.5|x|$의 최댓값을 찾는 문제에서는, 적합도 함수의 값이 가장 큰 개체가 최적의 개체가 됩니다.

Let’s consider an example of calculating the fitness function
적합도 함수를 계산하는 예제를 살펴보겠습니다.

---

Fitness function

def fitness(x):
    return np.sin(x) - .2 * abs(x)

---

Fitness of an individual

if __name__ == '__main__':
    from ch2.individual import Individual
    ind = Individual([1], fitness)
    print(f"Individual fitness: {ind.fitness}")

---

Result

0.6414709848078965

---

🔡 주요 단어

영어 단어	한글 뜻
adapted	적응된, 적합한
characterize	~의 특징을 나타내다

---

✨ 2.3 - Population 개체군

A population is just a set of individuals.
개체군은 단순히 개체들의 집합입니다.

When we say that we are creating a random population, it means that we are simply creating a certain number of random individuals.
무작위 개체군을 생성한다고 할 때, 이는 일정 수의 무작위 개체들을 생성한다는 의미입니다.

💡 a certain number of ~ : 일정한 수의 ~, 어떤 수의 ~

For each population, the following characteristics can be obtained:
각 개체군에 대해 다음과 같은 특성들을 얻을 수 있습니다:

• Best individual: 가장 높은 적합도 값을 가진 개체
• Best fitness: 가장 우수한 개체의 적합도 값
• Average fitness: 개체군 전체의 평균 적합도 값

Let’s build a population of 10 random individuals and evaluate its characteristics
무작위로 10개의 개체를 생성하고, 개체군의 특성들을 평가해보겠습니다.

---

Import part

import random
import numpy as np
import matplotlib.pyplot as plt
 
from ch2.individual import create_random_individual
from ch2.fitness import fitness
from ch2.settings import MIN_BORDER, MAX_BORDER

---

Population methods

def get_best_individual(population):
    return max(population, key=lambda ind: ind.fitness)
 
def get_average_fitness(population):
    return sum([i.fitness for i in population]) / len(population)

---

Plotting the population on fitness curve

def plot_population(population):
    # best individual from the population
    best_ind = get_best_individual(population)
    # fitness of the best individual
    best_fitness = best_ind.fitness
    # average fitness of the population
    average_fitness = get_average_fitness(population)
 
    # plotting fitness curve
    x = np.linspace(MIN_BORDER, MAX_BORDER)
    plt.plot(x, fitness(x), '--', color='blue')
 
    # plotting whole population
    plt.plot(
        [ind.get_gene() for ind in population],
        [ind.fitness for ind in population],
        'o', color='orange'
    )
 
    # plotting best individual
    plt.plot(
        [best_ind.get_gene()], [best_ind.fitness],
        's', color='green'
    )
 
    # population average fitness
    plt.plot(
        [MIN_BORDER, MAX_BORDER],
        [average_fitness, average_fitness],
        color='grey'
    )
 
    plt.title(f"Best Individual: {best_ind}, Best Fitness: {best_fitness:.2f}\n"
              f"Average Population Fitness: {average_fitness:.2f}")
    plt.show()

---

Initialization of population

if __name__ == '__main__':
    # PARAMETER: the size of initial population
    POPULATION_SIZE = 10
    random.seed(22)
 
    # Generating random population
    population = [create_random_individual() for _ in range(POPULATION_SIZE)]
 
    # plotting the distribution of the population on fitness curve
    plot_population(population)

---

Let’s take a look at the following figure to understand the visualization of random population: 무작위 개체군의 시각화를 이해하기 위해 다음 그림을 살펴봅시다.

---

🔡 주요 단어

영어 단어	한글 뜻
population	개체군, 개체 집합
random	무작위의
characteristic	특성
best individual	최우수 개체
best fitness	최고 적합도
average fitness	평균 적합도
evaluate	평가하다
distribution	분포
gene	유전자 (개체를 표현하는 값)
plot	시각화하다, 그래프를 그리다
border	경계, 범위
initialization	초기화

---

✨ 2.4 - Selection 선택

Selection is necessary to select more adapted individuals for crossing.
선택은 교배에 참여할 더 적응력이 높은 개체들을 고르기 위해 필요합니다.

NOTE: Selection is the first genetic operation to be performed on a population.
참고: 선택은 개체군에 대해 수행되는 첫 번째 유전 연산입니다.

As a result of selection, the individuals that are selected will participate in the process of generating a new population.
선택 결과로, 선택된 개체들이 새로운 개체군을 생성하는 과정에 참여하게 됩니다.

Selection itself does not generate the new population; it is only responsible for selecting individuals that can leave the offspring.
선택 자체는 새로운 개체군을 생성하지 않으며, 단지 자손을 남길 수 있는 개체들을 선택하는 역할만 수행합니다.

As an example, consider tournament selection, where one must choose three different random individuals from the population, and from these three, they choose the best one.
예를 들어 토너먼트 선택 방법에서는 개체군에서 세 개의 무작위 개체를 선택한 뒤, 이들 중 가장 우수한 개체를 고릅니다.

Details of the selection mechanisms will be discussed in Chapter 3.
선택 메커니즘의 세부 사항은 3장에서 다룰 예정입니다.

---

Tournament selection method

def select_tournament(population, tournament_size):
    new_offspring = []
    for _ in range(len(population)):
        candidates = [random.choice(population) for _ in range(tournament_size)]
        new_offspring.append(max(candidates, key=lambda ind: ind.fitness))
    return new_offspring

---

Applying selection to random population

if __name__ == '__main__':
    random.seed(29)
    # PARAMETER: the size of initial population
    POPULATION_SIZE = 5
 
    # Generating random population
    generation_1 = [create_random_individual() for _ in range(POPULATION_SIZE)]
 
    # Population after applying selection
    generation_2 = select_tournament(generation_1, 3)
 
    # Printing results
    print("Generation 1")
    [print(ind) for ind in generation_1]
 
    print("Generation 2")
    [print(ind) for ind in generation_2]

---

Result

Generation 1  
0.96 -> 0.63  
-3.08 -> -0.67  
6.90 -> -0.80  
-4.23 -> 0.04  
0.21 -> 0.16  
 
Generation 2  
-4.23 -> 0.04  
0.96 -> 0.63  
-4.23 -> 0.04  
0.96 -> 0.63  
0.21 -> 0.16  

---

As you can see from the example, the most adapted individuals were admitted to selection.
예제에서 볼 수 있듯이, 더 적합한 개체들이 선택되어 다음 세대로 이어졌습니다.

💡 admit to ~ : ~에 허용되다, 받아들여지다
were admitted to selection : 선택 과정에 포함되었다

---

🔡 주요 단어

영어 단어	한글 뜻
selection	선택
genetic operation	유전 연산
adapted	적응된, 적합한
offspring	자손, 후손
candidate	후보
mechanism	메커니즘, 작동 방식
generation	세대
participate	참여하다
responsible for	~을 담당하는, 책임지는

---

✨ 2.5 - Crossover 교차

Crossover is the process of generating new offspring.
교차(crossover)는 새로운 자손을 생성하는 과정입니다.

The main purpose of crossover is the exchange of genetic information, and to transfer the accumulated experience to the offspring.
교차의 주요 목적은 유전 정보를 교환하고, 부모의 축적된 경험을 자손에게 전달하는 것입니다.

The child should not be very different from the parents.
자손은 부모와 크게 다르지 않아야 합니다.

Crossover mechanisms will be discussed in detail in Chapter 4.
교차 메커니즘에 대한 자세한 내용은 4장에서 다룹니다.

Consider an example of crossover, in which we take the gene of both parents and randomly select the gene of the child in the range that is determined by the genes of the parents.
다음은 부모 양쪽의 유전 정보를 활용하여, 그 범위 내에서 자손의 유전자를 무작위로 선택하는 교차 예제입니다.

💡in which : 그 안에서, 그 과정에서, 그 상황에서

---

Import part

import random
import numpy as np
import matplotlib.pyplot as plt
 
from ch2.individual import create_random_individual, create_individual
from ch2.fitness import fitness
from ch2.settings import MIN_BORDER, MAX_BORDER

---

Crossover implementation

def gene_constraints(g, min_=MIN_BORDER, max_=MAX_BORDER):
    """
    Limits gene value inside interval [min_, max_]
    """
    if max_ and g > max_:
        g = max_
    if min_ and g < min_:
        g = min_
    return g
 
def crossover_blend(g1, g2, alpha=0.3):
    """
    Gene blending. Explained in Chapter 4.
    """
    shift = (1. + 2. * alpha) * random.random() - alpha
    new_g1 = (1. - shift) * g1 + shift * g2
    new_g2 = shift * g1 + (1. - shift) * g2
    return gene_constraints(new_g1), gene_constraints(new_g2)
 
def crossover(ind1, ind2):
    """
    Individual crossover
    """
    offspring_genes = crossover_blend(ind1.get_gene(), ind2.get_gene())
    return [create_individual(offspring_genes[0]),
            create_individual(offspring_genes[1])]

---

Applying crossover to random individuals

if __name__ == '__main__':
    random.seed(30)
    # Pair of random individuals
    p_1 = create_random_individual()
    p_2 = create_random_individual()
 
    # Offspring of individuals
    offspring = crossover(p_1, p_2)
    c_1 = offspring[0]
    c_2 = offspring[1]
 
    # Visualization
    x = np.linspace(MIN_BORDER, MAX_BORDER)
    plt.plot(x, fitness(x), '--', color='blue')
 
    plt.plot(
        [p_1.get_gene(), p_2.get_gene()],
        [p_1.fitness, p_2.fitness],
        'o', markersize=15, color='orange'
    )
 
    plt.plot(
        [c_1.get_gene(), c_2.get_gene()],
        [c_1.fitness, c_2.fitness],
        's', markersize=15, color='green'
    )
 
    plt.title("Circle: Parents, Square: Children")
    plt.show()

---

Let’s take a look at the following figure to understand crossover:
이제 그림 2.5를 통해 교차 과정을 시각적으로 이해해봅시다.

---

🔡 주요 단어

영어 단어	한글 뜻
crossover	교차 (자손 생성 과정)
offspring	자손, 후손
gene	유전자
genetic information	유전 정보
blending	혼합, 블렌딩
exchange	교환
constraints	제약 조건, 제한
accumulate	축적하다
randomly	무작위로
range	범위
visualization	시각화
square	사각형 (여기선 자손을 의미하는 그래픽)
circle	원형 (여기선 부모를 의미하는 그래픽)

---

✨ 2.6 - Mutation 돌연변이

Mutation is a random change that an individual’s genes undergo.
돌연변이는 개체의 유전자가 겪는 무작위적인 변화입니다.

💡 undergo : (어떤 과정, 변화, 경험 등을) 겪다, 받다, 경험하다

Mutation is the factor that drives the development of evolution.
돌연변이는 진화를 이끄는 주요한 원동력입니다.

Each child contains something that neither of his parents has.
각 자손은 부모 중 누구에게도 없는 무언가를 가질 수 있습니다.

💡 neither of A and B : A와 B 둘 다 ~아니다, 어느 쪽도 ~아니다
💡 neither of A = A 둘 중 어느 쪽도 아니다

If the trees begin to grow taller then a child of a horse, whose neck is slightly longer than its parents, will be able to find food for itself more easily, which means it will be more adapted to life and will be able to pass on this feature to its offspring.
나무가 더 키가 커지기 시작하면, 목이 부모보다 약간 더 긴 말의 자손은 스스로 더 쉽게 먹이를 찾을 수 있게 되고, 이는 그 자손이 삶에 더 잘 적응하게 되며 이 특징을 자손에게 물려줄 수 있다는 뜻입니다.

This is exactly how, by accumulating positive mutations from generation to generation, a horse can evolve into a giraffe.
바로 이렇게 세대를 거쳐 유익한 돌연변이를 축적함으로써, 말이 기린으로 진화할 수 있는 것입니다.

More on the mechanisms of mutations will be discussed in Chapter 5.
돌연변이 메커니즘의 자세한 설명은 5장에서 다룹니다.

---

Import part

import random
import numpy as np
import matplotlib.pyplot as plt
 
from ch2.individual import create_random_individual, create_individual
from ch2.fitness import fitness
from ch2.settings import MIN_BORDER, MAX_BORDER

---

Mutation implementation

def gene_constraints(g, min_=MIN_BORDER, max_=MAX_BORDER):
    """
    Limits gene value inside interval [min_, max_]
    """
    if max_ and g > max_:
        g = max_
    if min_ and g < min_:
        g = min_
    return g
 
def mutate_gaussian(g, mu, sigma):
    """
    Gaussian Mutation. Explained in Chapter 5.
    """
    mutated_gene = g + random.gauss(mu, sigma)
    return gene_constraints(mutated_gene)
 
def mutate(ind):
    """
    Mutation of Individual
    """
    return create_individual(mutate_gaussian(ind.get_gene(), 0, 1))

---

Applying mutation to random individual

if __name__ == '__main__':
    random.seed(37)
    # Random Individual
    individual = create_random_individual()
 
    # Mutated Individual
    mutated = mutate(individual)
 
    # Visualization
    x = np.linspace(MIN_BORDER, MAX_BORDER)
    plt.plot(x, fitness(x), '--', color='blue')
 
    plt.plot(
        [individual.get_gene()],
        [individual.fitness],
        'o', markersize=20, color='orange'
    )
 
    plt.plot(
        [mutated.get_gene()],
        [mutated.fitness],
        's', markersize=20, color='green'
    )
 
    plt.title("Circle: Before Mutation, Square: After Mutation")
    plt.show()

---

Let’s take a look at the following figure of mutation (Figure 2.6) for an understanding.
그림 2.6을 통해 돌연변이의 과정을 시각적으로 이해해봅시다.

---

🔡 주요 단어

영어 단어	한글 뜻
mutation	돌연변이
gene	유전자
random change	무작위 변화
evolution	진화
offspring	자손, 후손
develop	발달하다, 발전하다
solution	해법
constraint	제약, 제한
gaussian mutation	가우시안 돌연변이 (정규분포 기반 변화)
mutate	돌연변이 시키다
mutated individual	돌연변이된 개체
before / after	이전 / 이후
visualization	시각화

---

✨ 2.7 - Genetic Algorithm Flow

Let’s put this all together!
이제 지금까지 배운 내용을 모두 합쳐봅시다!

The whole GA flow looks like how it appears in the following figure (Figure 2.7).
유전 알고리즘(GA)의 전체 흐름은 아래의 그림 2.7처럼 구성됩니다.

There are various conditions for stopping the GA, for example:
GA(유전 알고리즘)를 중단하는 조건에는 여러 가지가 있습니다.

Finding an acceptable solution
수용 가능한 해를 찾았을 때

Reaching a certain number of generations
일정한 세대 수에 도달했을 때

Decrease in qualitative improvements in the population
개체군의 질적 향상이 감소할 때

In our example, GA will simply stop after 10 generations.
우리 예제에서는 GA가 10세대 후에 단순히 종료됩니다.

Genetic algorithm has special parameters:
유전 알고리즘은 몇 가지 특별한 매개변수를 가집니다.

Crossover probability: The probability of crossing.
교차 확률: 두 개체가 교차할 확률입니다.

Mutation probability: The probability of mutation.
돌연변이 확률: 개체가 돌연변이를 겪을 확률입니다.

---

Import part

import random
 
from ch2.crossover import crossover
from ch2.individual import create_random_individual
from ch2.mutate import mutate
from ch2.population import plot_population
from ch2.selection import select_tournament

---

Example of genetic algorithm flow

if __name__ == '__main__':
    # PARAMETERS
    POPULATION_SIZE = 10
    CROSSOVER_PROBABILITY = 0.8
    MUTATION_PROBABILITY = 0.1
    MAX_GENERATIONS = 10
 
    random.seed(29)
 
    # Initial random population
    population = [create_random_individual() for _ in range(POPULATION_SIZE)]
 
    for generation_number in range(MAX_GENERATIONS):
        # SELECTION OPERATION
        selected = select_tournament(population, 3)
 
        # CROSSOVER
        crossed_offspring = []
        for ind1, ind2 in zip(selected[::2], selected[1::2]):
            if random.random() < CROSSOVER_PROBABILITY:
                # Applying crossover to pair of individuals
                children = crossover(ind1, ind2)
                crossed_offspring.append(children[0])
                crossed_offspring.append(children[1])
            else:
                # Passing individuals further without crossover
                crossed_offspring.append(ind1)
                crossed_offspring.append(ind2)
 
        # MUTATION
        mutated = []
        for ind in crossed_offspring:
            if random.random() < MUTATION_PROBABILITY:
                # Applying mutation to an individual
                mutated.append(mutate(ind))
            else:
                # Passing individual further without mutation
                mutated.append(ind)
 
        # Next generation
        population = mutated
 
        # Visualize population for current generation
        plot_population(population)

---

The preceding figure (2.8) shows the result of the genetic algorithm.
그림 2.8은 유전 알고리즘의 결과를 보여줍니다.

As expected, after 10 generations, all individuals settled in the most favorable place for them.
예상대로 10세대가 지난 후, 모든 개체들은 자신들에게 가장 유리한 위치에 자리잡았습니다.

The best solution to our problem is approximately 1.4, at which point the function sin(x) - 0.5 |x| reaches a value of 0.71.
우리 문제의 최적 해는 대략 1.4이며, 이 지점에서 함수 sin(x) - 0.5 |x|의 값은 0.71에 도달합니다.

---

🔡 주요 단어

영어 단어	한글 뜻
stopping condition	중단 조건
acceptable solution	만족할 만한 해
qualitative improvement	질적 향상
parameter	매개변수, 파라미터
crossover probability	교차 확률
mutation probability	돌연변이 확률
select (selection)	선택하다 / 선택
crossover	교차 (자손 생성)
mutate (mutation)	돌연변이 시키다 / 돌연변이
offspring	자손, 후손
favorable	유리한
visualize	시각화하다
settled	자리잡다, 정착하다

---

✨ 2 - Conclusion 결론

We examined step by step what a genetic algorithm is.
우리는 유전 알고리즘이 무엇인지 단계별로 살펴보았습니다.

We covered evolutionary concepts – individual, fitness function, population, selection, crossing, mutation.
개체, 적합도 함수, 개체군, 선택, 교차, 돌연변이 같은 진화 개념들을 다루었습니다.

And as a result, we have found the solution to the problem of finding the maxima of the function sin(x) - 0.5 |x| using a genetic algorithm.
그리고 그 결과, 유전 알고리즘을 사용하여 함수 sin(x) - 0.5 |x|의 최댓값을 찾는 문제를 해결할 수 있었습니다.

In the following chapters, we will take a closer look at the operations – selection, crossing, and mutation.
다음 장들에서는 선택, 교차, 돌연변이 연산에 대해 좀 더 자세히 살펴볼 것입니다.

---

✨ 2 - Points to remember: 기억할 점

GA flow consists of the following steps: Initialization of random population, selection, crossover, and mutation.
GA의 흐름은 다음 단계들로 구성됩니다: 무작위 개체군 초기화, 선택, 교차, 그리고 돌연변이.

GA has the following tunable parameters: Population size, crossover probability, mutation probability, and maximum number of generations.
GA는 다음과 같은 조정 가능한 매개변수들을 가집니다: 개체군 크기, 교차 확률, 돌연변이 확률, 그리고 최대 세대 수.

---

✨ 2 - Multiple choice questions 객관식 문제

1. We want to find the minima of the function sin(x) – 0.5 |x|. What will the fitness function look like?
우리는 함수 sin(x) – 0.5 |x|의 최솟값을 찾고자 합니다. 적합도 함수는 어떤 형태일까요?

• sin(x)
• ✅ sin(x) – 0.5 |x|
• |x|
• sin(x) + 0.5 |x|

2. We want to find the minima of the function sin(x) – 0.5 |x|. How will we determine the best individual?
우리는 함수 sin(x) – 0.5 |x|의 최솟값을 찾고자 합니다. 최적의 개체는 어떻게 결정할까요?

• Individual with highest fitness function: sin(x) – 0.5 |x|
  적합도 함수 값이 가장 높은 개체 : sin(x) – 0.5 |x|
• ✅ Individual with lowest fitness function: sin(x) – 0.5 |x| 적합도 함수 값이 가장 낮은 개체 : sin(x) – 0.5 |x|

3. What is the correct sequence of steps in GA flow?
유전 알고리즘 흐름에서 올바른 단계 순서는 무엇인가요?

• crossover, selection, mutation
  교차, 선택, 돌연변이
• mutation, crossover, selection
  돌연변이, 교차, 선택
• ✅ selection, crossover, mutation 선택, 교차, 돌연변이
• selection, mutation, crossover
  선택, 돌연변이, 교차

---

✨ 2 - Questions 질문

1. Say we have two individuals ind1 and ind2. And ind1.fitness is lower than ind2.fitness. After tournament selection ind1 is selected, but ind2 is not. Is this possible?
두 개체 ind1과 ind2가 있다고 가정합시다. ind1의 적합도(fitness)가 ind2보다 낮습니다. 그런데 토너먼트 선택 후 ind1이 선택되고, ind2는 선택되지 않았습니다. 이런 일이 가능할까요?

✔️ 토너먼트 선택은 무작위로 선택된 후보들 중에서 가장 적합한 개체를 고르는 방식입니다.
ㅤ 만약 ind2가 토너먼트에 포함되지 않았고, ind1이 포함되어 다른 약한 개체들과 경쟁했다면 ㅤ ind1이 선택될 수 있습니다.

2. What happens if we remove the mutation from our genetic algorithm? (MUTATION_PROBABILITY = 0) How will the search process change?
우리의 유전 알고리즘에서 돌연변이를 제거하면 어떻게 될까요? (MUTATION_PROBABILITY = 0) 탐색 과정은 어떻게 달라질까요?

✔️ 돌연변이는 새로운 해를 만들어내는 역할을 합니다.
ㅤ 돌연변이를 제거하면, 개체군은 기존 유전자 안에서만 교차하게 되어 탐색 영역이 제한됩니다.
ㅤ 결과적으로 전역 최적해에 도달하지 못하고 국소 최적해에 머물 가능성이 높아집니다.