🔠 3. Selection

✨ 3 - Selection 선택

Selection is the choice of those individuals that will participate in creating offspring for the next population, that is, for the next generation.
선택은 다음 세대의 개체군을 생성하는 데 참여할 개체들을 선택하는 과정, 즉 다음 세대를 위한 개체들을 고르는 것을 의미합니다.

Such a choice is made by the principle of natural selection, according to which the most adapted individuals have the highest chances of participating in the creation of new individuals.
이러한 선택은 자연 선택의 원리에 따라 이루어지며, 이 원리에 따르면 가장 잘 적응한 개체들이 새로운 개체 생성에 참여할 가능성이 가장 높습니다.

As a result, an intermediate population (or parent pool) appears.
그 결과로 중간 개체군(또는 부모 풀)이 형성됩니다.

An intermediate population is a set of individuals that have acquired the right to breed.
중간 개체군은 번식할 권리를 획득한 개체들의 집합입니다.

Adapted individuals can be recorded there several times.
적응된 개체는 이 중간 개체군에 여러 번 포함될 수 있습니다.

The abandoned individuals will most likely not get there at all.
선택되지 않은 개체들은 대부분 이 집합에 포함되지 못할 것입니다.

NOTE : It is important to understand that the same individual can be selected several times by the selection method, which means it can repeatedly participate in the process of creating new individuals.
참고 : 동일한 개체가 선택 방식에 따라 여러 번 선택될 수 있다는 점을 이해하는 것이 중요하며, 이는 그 개체가 반복적으로 새로운 개체 생성 과정에 참여할 수 있다는 것을 의미합니다.

---

🔡 주요 단어

영어 단어	한글 뜻
participate	참여하다
intermediate population	중간 개체군
parent pool	부모 풀
right	권리
acquire	획득하다
breed	번식하다
abandoned	버려진, 선택되지 않은 개체
repeatedly	반복적으로

---

✨ 3 - Structure 구조

In this chapter, we will look at the following selection methods:
이번 장에서는 다음과 같은 선택 방법들을 살펴보겠습니다.

Tournament selection
토너먼트 선택

Proportional selection
비례 선택

Stochastic universal sampling selection
확률적 전역 샘플링 선택

Rank selection
순위 기반 선택

Elite selection
엘리트 선택

---

✨ 3 - Objectives 학습 목표

Introduce basic selection methods
기본적인 선택 방법들을 소개합니다.

Understand key features of each method
각 방법의 핵심 특징을 이해합니다.

Get practical examples
실용적인 예제들을 살펴봅니다.

---

✨ 3.1 Tournament selection 토너먼트 선택

Tournament selection is one of the simplest selection methods, and we will start with it.
토너먼트 선택은 가장 간단한 선택 방식 중 하나이며, 이번에는 이 방법부터 시작하겠습니다.

In tournament selection, a subgroup is selected in a population, and then the best individual in this subgroup is selected.
토너먼트 선택에서는 개체군 내에서 하나의 하위 집단을 선택한 다음, 그 중 가장 우수한 개체를 선택합니다.

Typically, the size of a subgroup is 2 or 3 individuals.
일반적으로 하위 집단의 크기는 2명 또는 3명입니다.

Tournament selection method can be illustrated by the following script
토너먼트 선택 방식은 다음과 같은 스크립트로 설명할 수 있습니다.

---

Import part

import random  
import pandas as pd  
import matplotlib.pyplot as plt  
from ch3.individual import Individual  

---

Tournament selection

POPULATION_SIZE = 10  
TOURNAMENT_SIZE = 3  
population = Individual.create_random_population(POPULATION_SIZE)  
candidates = [random.choice(population) for _ in range(TOURNAMENT_SIZE)]  
best = [max(candidates, key = lambda ind: ind.fitness)]  

---

Visualization

def plot_individuals(individual_set):  
    df = pd.DataFrame({  
        'name': [ind.name for ind in individual_set],  
        'fitness': [ind.fitness for ind in individual_set]  
    })  
    df.plot.bar(x = 'name', y = 'fitness', rot = 0)  
    plt.show()  
 
plot_individuals(population)  
plot_individuals(candidates)  
plot_individuals(best)  

---

Let’s take a look at the following figure 3.1 for visualization of random population with fitness function:
무작위 개체군과 적합도 함수를 시각화한 그림 3.1을 살펴보겠습니다.

Say, we have the population as shown in the preceding figure,
앞서 제시된 그림과 같은 개체군이 있다고 가정해봅시다.

and we randomly choose three individuals from it – A, I, D (refer to the following figure)
그리고 그 개체군에서 무작위로 A, I, D 세 개체를 선택합니다 (다음 그림을 참조하세요).

And as a result, the D individual is chosen.
그 결과로, D 개체가 선택됩니다.

The tournament selection can be implemented the following way:
토너먼트 선택은 다음과 같이 구현할 수 있습니다:

---

import random
 
def selection_tournament(individuals, group_size=2):
    selected = []
    for _ in range(len(individuals)):
        candidates = [random.choice(individuals) for _ in range(group_size)]
        selected.append(max(candidates, key=lambda ind: ind.fitness))
    return selected

---

NOTE: It is worth mentioning that if the group size is two, then the worst individual will never be selected; if the group size is three, then the two worst individuals will never be selected, and so on.
참고: 그룹 크기가 2라면 가장 나쁜 개체는 절대 선택되지 않으며, 그룹 크기가 3이면 가장 나쁜 두 개체는 절대 선택되지 않습니다. 이와 같은 방식으로 진행됩니다.

Let’s see this method in action
이제 이 방법을 실제로 실행해 봅시다.

---

import random
from ch3.selection_tournament import selection_tournament
from ch3.individual import Individual
 
POPULATION_SIZE = 5
random.seed(4)
 
population = Individual.create_random_population(POPULATION_SIZE)
selected = selection_tournament(population, group_size=3)
 
print(f"Population: {population}")
print(f"Selected: {selected}")

---

Result

Population: [A: 3, B: 4, C: 1, D: 6, E: 7]  
Selected: [B: 4, E: 7, B: 4, E: 7, B: 4]

---

As expected, two worst individuals, A and C were not selected.
예상대로, 가장 낮은 적합도를 가진 A와 C는 선택되지 않았습니다.

But we have one more interesting result – the individual D, which has the second fitness score, was also not selected.
하지만 흥미로운 점은, 두 번째로 높은 적합도를 가진 D 개체도 선택되지 않았다는 것입니다.

You always have to keep in mind that the tournament selection is a random process, and there is no 100% guarantee that the best individual will be selected.
토너먼트 선택은 항상 무작위적인 과정이라는 점을 기억해야 하며, 가장 좋은 개체가 반드시 선택된다는 보장은 없습니다.

---

🔡 주요 단어

영어 단어	한글 뜻
subgroup	하위 집단
typically	일반적으로
implement	구현하다
script	스크립트 (코드)
candidate	후보자, 후보 개체
guarantee	보장

---

✨ 3.2 Proportional selection 비례 선택

This method can be illustrated with a roulette wheel.
이 방법은 룰렛 휠을 통해 설명할 수 있습니다.

Each individual is assigned a sector of the roulette wheel, the value of which is set proportional to the value of the fitness function of a given individual;
각 개체는 룰렛 휠에서 하나의 구역을 할당받으며, 이 구역의 크기는 해당 개체의 적합도 값에 비례하여 결정됩니다.

therefore, the greater the value of the fitness function, the larger the sector on the roulette wheel.
따라서 적합도 값이 클수록 룰렛에서 차지하는 구역이 더 커집니다.

From this, it follows that the larger the sector on the roulette wheel, the higher the chance that this particular individual will be chosen.
이로 인해 구역이 클수록 해당 개체가 선택될 확률이 높아집니다.

Let’s examine the script showing the principle of this selection method
이 선택 방법의 원리를 보여주는 스크립트를 살펴봅시다.

---

Import part

import random
import pandas as pd
import matplotlib.pyplot as plt
from ch3.individual import Individual

---

Proportional selection

random.seed(4)
POPULATION_SIZE = 5
 
unsorted_population = Individual.create_random_population(POPULATION_SIZE)
population = sorted(unsorted_population, key=lambda ind: ind.fitness, reverse=True)
fitness_sum = sum([ind.fitness for ind in population])
 
fitness_map = {}
for i in population:
    i_prob = round(100 * i.fitness / fitness_sum)
    i_label = f'{i.name} | fitness: {i.fitness}, prob: {i_prob}%'
    fitness_map[i_label] = i.fitness

---

Visualization

index = ['Sectors']
df = pd.DataFrame(fitness_map, index=index)
df.plot.barh(stacked=True)
 
for _ in range(POPULATION_SIZE):
    plt.axvline(x=random.random() * fitness_sum, linewidth=5, color='black')
 
plt.tick_params(axis='x', which='both', bottom=False, top=False, labelbottom=False)
plt.show()

---

Consider the preceding example, as shown in figure where individual B has a fitness score of 9.
앞선 그림에서 B 개체의 적합도 점수가 9라고 가정해봅시다.

The total number of fitness scores is 17, the sector of individual B occupies 9/17 = 0.5294, that is, 53% of the entire roulette strip.
전체 적합도 합이 17일 때, B 개체는 룰렛 스트립의 53%에 해당하는 9/17 = 0.5294만큼의 구역을 차지합니다.

The lengths of sectors for other individuals are calculated in the same way.
다른 개체들의 구역 길이도 같은 방식으로 계산됩니다.

Black bars are the result of one roulette spin.
검은 막대들은 룰렛을 한 번 돌린 결과를 나타냅니다.

As a result, we have the following selection result: B, B, B, D, A
그 결과로 선택된 개체들은 다음과 같습니다: B, B, B, D, A

The proportional selection can be implemented in the following way:
비례 선택은 다음과 같이 구현할 수 있습니다:

import random
 
def selection_proportional(individuals):
    sorted_individuals = sorted(individuals, key=lambda ind: ind.fitness, reverse=True)
    fitness_sum = sum([ind.fitness for ind in individuals])
    selected = []
 
    for _ in range(len(sorted_individuals)):
        shave = random.random() * fitness_sum
        roulette_sum = 0
 
        for ind in sorted_individuals:
            roulette_sum += ind.fitness
            if roulette_sum > shave:
                selected.append(ind)
                break
 
    return selected

---

Let’s see this selection method in action
이 선택 방법을 실제로 실행해 봅시다.

---

import random
from ch3.selection_proportional import selection_proportional
from ch3.individual import Individual
 
POPULATION_SIZE = 5
random.seed(4)
 
population = Individual.create_random_population(POPULATION_SIZE)
selected = selection_proportional(population)
 
print(f"Population: {population}")
print(f"Selected: {selected}")

---

Result

Population: [A: 3, B: 4, C: 1, D: 6, E: 7]
Selected: [E: 7, E: 7, D: 6, A: 3, B: 4]

---

Proportional selection method has the possibility to select the worst individual, and also has the possibility to not select best individual.
비례 선택 방식은 성능이 가장 낮은 개체가 선택될 수 있고, 반대로 성능이 가장 좋은 개체가 선택되지 않을 수도 있습니다.

---

🔡 주요 단어

영어 단어	한글 뜻
roulette wheel	룰렛 휠
sector	구역, 영역
proportional	비례하는
assign	할당하다
occupy	차지하다

---

✨ 3.3 Stochastic universal sampling selection 확률적 보편 샘플링

Stochastic universal sampling selection method is an alternative method of proportional selection.
확률적 보편 샘플링(Stochastic Universal Sampling, SUS)은 비례 선택 방식의 대안입니다.

In this method, the entire roulette wheel is divided into N cutoffs with equal spacing.
이 방식에서는 전체 룰렛 휠이 동일한 간격을 갖는 N개의 구간으로 나뉩니다.

This method smooths out the elements of randomness which proportional selection has,
이 방법은 비례 선택이 가지는 무작위성을 완화시켜주며,

and ensures that the individuals are selected according to the following principle – many good individuals, some average individuals, and a few bad individuals.
좋은 개체는 많이, 평균 개체는 적당히, 나쁜 개체는 조금만 선택되도록 보장합니다.

---

It can be demonstrated as follows:
이 방식은 다음과 같이 구현할 수 있습니다:

---

Import part

import random
import pandas as pd
import matplotlib.pyplot as plt
from ch3.individual import Individual

---

Selection

POPULATION_SIZE = 5
random.seed(9)
 
unsorted_population = Individual.create_random_population(POPULATION_SIZE)
population = sorted(unsorted_population, key=lambda ind: ind.fitness, reverse=True)
fitness_sum = sum([ind.fitness for ind in population])
 
fitness_map = {}
for i in population:
    i_prob = round(100 * i.fitness / fitness_sum)
    i_label = f'{i.name} | fitness: {i.fitness}, prob: {i_prob}%'
    fitness_map[i_label] = i.fitness

---

Visualization

index = ['Sectors']
df = pd.DataFrame(fitness_map, index=index)
df.plot.barh(stacked=True)
 
distance = fitness_sum / POPULATION_SIZE
shift = random.random() * distance
 
for i in range(POPULATION_SIZE):
    plt.axvline(x=shift + distance * i, linewidth=5, color='black')
 
plt.tick_params(axis='x', which='both', bottom=False, top=False, labelbottom=False)
plt.show()

---

Let’s take a look at the following figure 3.4 for the visualization of Stochastic universal sampling selection:
확률적 보편 샘플링 선택 방식을 시각적으로 이해하기 위해 그림 3.4를 살펴봅시다.

The stochastic universal sampling selection can be implemented in the following way:
확률적 보편 샘플링 선택 방식은 다음과 같이 구현할 수 있습니다:

---

import random
 
def selection_stochastic_universal_sampling(individuals):
    sorted_individuals = sorted(individuals, key=lambda ind: ind.fitness, reverse=True)
    fitness_sum = sum([ind.fitness for ind in individuals])
    distance = fitness_sum / len(individuals)
    shift = random.uniform(0, distance)
    borders = [shift + i * distance for i in range(len(individuals))]
 
    selected = []
    for border in borders:
        i = 0
        roulette_sum = sorted_individuals[i].fitness
        while roulette_sum < border:
            i += 1
            roulette_sum += sorted_individuals[i].fitness
        selected.append(sorted_individuals[i])
 
    return selected

---

Let’s see the stochastic universal sampling selection method in action
이제 확률적 보편 샘플링 선택 방식을 실제로 실행해 봅시다.

---

import random
from ch3.selection_stochastic_universal_sampling import selection_stochastic_universal_sampling
from ch3.individual import Individual
 
POPULATION_SIZE = 5
random.seed(1)
 
population = Individual.create_random_population(POPULATION_SIZE)
selected = selection_stochastic_universal_sampling(population)
 
print(f"Population: {population}")
print(f"Selected: {selected}")

---

Result

Population: [A: 2, B: 9, C: 1, D: 4, E: 1]
Selected: [B: 9, B: 9, B: 9, D: 4, C: 1]

---

NOTE: As with the proportional selection method, the stochastic universal sampling selection has the possibility to select the worst individual, and also has the possibility to not select the best individual.
참고: 비례 선택 방식과 마찬가지로, 확률적 보편 샘플링도 최악의 개체가 선택될 수 있으며, 최상의 개체가 선택되지 않을 수도 있습니다.

Even if it seems contradictory, this approach shows very good results for a particular class of problems.
모순적으로 보일 수 있지만, 이 방식은 특정 유형의 문제들에서 매우 좋은 성능을 보입니다.

---

🔡 주요 단어

영어 단어	한글 뜻
stochastic	확률적인
universal	보편적인
sampling	샘플링, 표본 추출
alternative	대안
cutoff	경계선, 잘라지는 지점
smooth out	완화하다, 부드럽게 하다
randomness	무작위성
ensure	보장하다
sector	구역, 영역
border	경계 위치
contradictory	모순적인

---

✨ 3.4 Rank selection 순위 선택

Rank selection has the same principle as proportional selection, but individuals of the population are ranked according to the values of their fitness function.
순위 선택(Rank Selection)은 비례 선택과 같은 원리를 따르지만, 개체들을 적합도 값에 따라 순위로 정렬한다는 점에서 차이가 있습니다.

This can be thought of as a sorted list of individuals, ordered from the fittest to the least fit, in which each individual is assigned a number that determines its place in the list, called rank.
이 방식은 개체들을 가장 적합한 순서부터 덜 적합한 순서대로 정렬한 리스트로 생각할 수 있으며, 각 개체는 해당 순서를 나타내는 “순위(rank)“를 부여받습니다.

Rank selection smoothens out the large difference between individuals with high fitness values and individuals with low fitness values.
순위 선택은 높은 적합도와 낮은 적합도 사이의 큰 차이를 완화해주는 효과가 있습니다.

Let’s compare proportion selection with rank selection
비례 선택과 순위 선택을 비교해 봅시다.

---

Import part

import random
import pandas as pd
import matplotlib.pyplot as plt
from ch3.individual import Individual

---

Rank selection

POPULATION_SIZE = 5
random.seed(2)
 
unsorted_population = Individual.create_random_population(POPULATION_SIZE)
population = sorted(unsorted_population, key=lambda ind: ind.fitness, reverse=True)
fitness_sum = sum([ind.fitness for ind in population])
 
fitness_map = {}
for i in population:
    i_prob = round(100 * i.fitness / fitness_sum)
    i_label = f'{i.name} | fitness: {i.fitness}, prob: {i_prob}%'
    fitness_map[i_label] = i.fitness
 
proportional_df = pd.DataFrame(fitness_map, index=['Sectors'])
proportional_df.plot.barh(stacked=True)
plt.tick_params(axis='x', which='both', bottom=False, top=False, labelbottom=False)
plt.title('Fitness Proportional Sectors')
plt.show()

---

Rank-based probabilities and visualization

rank_step = 1 / POPULATION_SIZE
rank_sum = sum([1 - rank_step * i for i in range(len(population))])
 
rank_map = {}
for i in range(len(population)):
    i_rank = i + 1
    i_rank_proportion = 1 - i * rank_step
    i_prob = round(100 * i_rank_proportion / rank_sum)
    i_label = f'{population[i].name} | rank: {i_rank}, prob: {i_prob}%'
    rank_map[i_label] = i_rank_proportion
 
rank_df = pd.DataFrame(rank_map, index=['Sectors'])
rank_df.plot.barh(stacked=True)
plt.tick_params(axis='x', which='both', bottom=False, top=False, labelbottom=False)
plt.title('Rank Proportional Sectors')
plt.show()

---

We already saw that proportional selection uses the roulette sectors, as shown in the following figure.
우리는 이미 비례 선택이 룰렛 구역을 사용하는 방식을 앞선 그림에서 살펴본 바 있습니다.

But for the same population, rank selection will use the following roulette (as shown in the following figure): 하지만 동일한 개체군에 대해서, 순위 선택은 다음 그림과 같은 룰렛을 사용합니다.

We see that the best individual in rank selection has a lower chance of being selected than it has in the proportional selection,
순위 선택에서는 가장 우수한 개체가 비례 선택보다 선택될 확률이 더 낮습니다.

and on the contrary, the worst individual, which had no chance of being selected in proportional selection has some positive probability of being selected.
반대로, 비례 선택에서는 선택될 가능성이 없었던 최악의 개체도 순위 선택에서는 일정 확률로 선택될 수 있습니다.

---

How is rank selection calculated?
순위 선택 확률은 어떻게 계산될까요?

---

rank_shift := 1 / population_size = 1 / 5 = 0.2  
rank_weight_sum := (population_size + 1) / 2 = 3
 
Nth_individual_weight := (1 – (rank - 1) × rank_shift) / rank_weight_sum × 100%

---

For D we have (1 – (0 × 0.2)) / 3 × 100% = 33%
D의 경우: (1 – (0 × 0.2)) / 3 × 100% = 33%

For E we have (1 – (1 × 0.2)) / 3 × 100% = 27%
E의 경우: (1 – (1 × 0.2)) / 3 × 100% = 27%

For B we have (1 – (2 × 0.2)) / 3 × 100% = 20%
B의 경우: (1 – (2 × 0.2)) / 3 × 100% = 20%

---

Rank selection implementation

import random
 
def selection_rank(individuals):
    sorted_individuals = sorted(individuals, key=lambda ind: ind.fitness, reverse=True)
    rank_distance = 1 / len(individuals)
    ranks = [(1 - i * rank_distance) for i in range(len(individuals))]
    ranks_sum = sum(ranks)
 
    selected = []
    for _ in range(len(sorted_individuals)):
        shave = random.random() * ranks_sum
        rank_sum = 0
        for i in range(len(sorted_individuals)):
            rank_sum += ranks[i]
            if rank_sum > shave:
                selected.append(sorted_individuals[i])
                break
 
    return selected

---

Let’s examine how rank selection works
순위 선택이 어떻게 작동하는지 살펴봅시다.

---

import random
from ch3.selection_rank import selection_rank
from ch3.individual import Individual
 
POPULATION_SIZE = 5
random.seed(18)
 
population = Individual.create_random_population(POPULATION_SIZE)
selected = selection_rank(population)
 
print(f'Population: {population}')
print(f'Selected: {selected}')

---

Result

Population: [A: 2, B: 1, C: 10, D: 7, E: 5]
Selected: [C: 10, B: 1, E: 5, C: 10, C: 10]

---

🔡 주요 단어

영어 단어	한글 뜻
smoothen (smooth out)	완화하다, 부드럽게 만들다
comparison	비교
weight	가중치
probability formula	확률 공식
positive probability	0보다 큰 확률

---

✨ 3.5 Elite selection 엘리트 선택

As we have already seen, none of the selection methods that we have considered – tournament, proportional, stochastic universal sampling, and rank selection – guarantee the selection of the best individual.
지금까지 살펴본 토너먼트, 비례, 확률적 보편 샘플링, 순위 선택 방식 중 어느 것도 최상의 개체가 반드시 선택된다는 보장을 해주지 않습니다.

The genes of the best individual can be very valuable for the next generations, so there is an approach that protects the best individuals.
가장 우수한 개체의 유전자는 다음 세대에 매우 유용할 수 있으므로, 이들을 보호하는 접근 방식이 존재합니다.

This method is called elite selection.
이 방법을 엘리트 선택(Elite Selection) 이라고 합니다.

Elite selection can be based on another method, such as rank selection, but the main change in this method is the guaranteed inclusion of the best individuals in the selected population.
엘리트 선택은 순위 선택 같은 기존 선택 방식 위에 기반할 수 있지만, 핵심적인 차이는 가장 우수한 개체들을 반드시 다음 세대에 포함시킨다는 점입니다.

---

Elite selection implementation

import random
 
def selection_rank_with_elite(individuals, elite_size=0):
    sorted_individuals = sorted(individuals, key=lambda ind: ind.fitness, reverse=True)
    rank_distance = 1 / len(individuals)
    ranks = [(1 - i * rank_distance) for i in range(len(individuals))]
    ranks_sum = sum(ranks)
 
    selected = sorted_individuals[0:elite_size]
 
    for i in range(len(sorted_individuals) - elite_size):
        shave = random.random() * ranks_sum
        rank_sum = 0
        for i in range(len(sorted_individuals)):
            rank_sum += ranks[i]
            if rank_sum > shave:
                selected.append(sorted_individuals[i])
                break
 
    return selected

---

Let’s see this method in action
이제 이 방법을 실제로 실행해 봅시다.

---

import random
from ch3.selection_rank_with_elite import selection_rank_with_elite
from ch3.individual import Individual
 
POPULATION_SIZE = 5
random.seed(3)
 
population = Individual.create_random_population(POPULATION_SIZE)
selected = selection_rank_with_elite(population, elite_size=2)
 
print(f"Population: {population}")
print(f"Selected: {selected}")

---

Result

Population: [A: 3, B: 9, C: 8, D: 2, E: 5]
Selected: [B: 9, C: 8, A: 3, C: 8, C: 8]

---

As we see B and C are the two best individuals in population, they form the elite and are being selected by default.
위 결과에서 볼 수 있듯이, B와 C는 개체군에서 가장 우수한 두 개체이며, 엘리트로 간주되어 기본적으로 선택됩니다.

NOTE: Elite selection is a handy method of selection in conditions where an individual’s fitness may degenerate as a result of crossover or mutation.
참고: 엘리트 선택은 교차나 돌연변이로 인해 개체의 적합도가 떨어질 수 있는 상황에서 유용한 선택 방식입니다.

We need to protect the best individuals, and try to spread their genes among the population.
우리는 최상의 개체를 보호하고, 그들의 유전자를 개체군에 널리 퍼뜨려야 합니다.

---

🔡 주요 단어

영어 단어	한글 뜻
guarantee	보장하다
inclusion	포함
protect	보호하다
valuable	가치 있는
by default	기본적으로, 자동으로
degenerate	퇴화하다, 약화되다
handy	유용한

---

✨ 3 - Conclusion 결론

Selection is a very important part of the evolution process; every individual aims to generate an offspring.
선택은 진화 과정에서 매우 중요한 부분이며, 모든 개체는 자손을 남기는 것을 목표로 합니다.

The selection process is random by nature.
선택 과정은 본질적으로 무작위적입니다.

We have studied several selection methods, each of which has its pros and cons.
우리는 여러 가지 선택 방법들을 살펴보았고, 각각의 방식은 장단점을 가지고 있습니다.

You can use one of these methods or any modification.
이 중 하나의 방법을 사용할 수도 있고, 수정된 방식도 사용할 수 있습니다.

In the next chapter, we will study the next part of evolution called crossover.
다음 장에서는 진화의 다음 단계인 교차(crossover)에 대해 배워보겠습니다.

---

✨ 3 - Points to remember: 기억할 점

Each selection method has the following principle — adapted individuals have a higher possibility to be selected than the abandoned ones.
각 선택 방식은 다음 원칙을 따릅니다 — 더 적응된 개체가 그렇지 못한 개체보다 선택될 가능성이 더 높습니다.

Even abandoned individuals can have something valuable in their genes, so we have to leave a positive probability for them to be selected.
하지만 덜 적합한 개체들도 유전적으로 가치 있는 정보를 가질 수 있기 때문에, 그들이 선택될 수 있는 일정한 확률은 반드시 남겨두어야 합니다.

---

✨ 3 - Multiple choice questions 객관식 문제

1. Which selection method guarantees that the best individual will be selected?
어떤 선택 방식이 최상의 개체가 선택될 것을 보장하나요?

• Rank selection
  순위 선택
• Elite selection ✅
  엘리트 선택 ✅
• Tournament selection
  토너먼트 선택
• Proportional selection
  비례 선택

2. Which selection method guarantees that the worst individual will not be selected?
어떤 선택 방식이 최악의 개체가 선택되지 않을 것을 보장하나요?

• Rank selection
  순위 선택
• Elite selection
  엘리트 선택
• Tournament selection ✅
  토너먼트 선택 ✅
• Proportional selection
  비례 선택

3. Say we have the following population: A: 3, B: 9, C: 8, D: 2, E: 5.
다음과 같은 개체군이 있다고 가정합시다: A: 3, B: 9, C: 8, D: 2, E: 5

And we have selected population: B: 9, C: 8, A: 3, C: 8, C: 8.
선택된 개체군이 다음과 같다면: B: 9, C: 8, A: 3, C: 8, C: 8

What selection method have we used?
어떤 선택 방식이 사용되었을까요?

• Elite selection
  엘리트 선택

• Proportional selection
  비례 선택

• It’s impossible to answer this question, it can be any of selection methods ✅
  이 질문에는 답할 수 없습니다. 어떤 방식이든 가능성이 있습니다. ✅

• 최상위 개체 B와 C가 항상 포함되어 있는 것으로 보아 엘리트 선택일 가능성이 가장 큼