Los algoritmos evolutivos o genéticos son un enfoque muy heurístico, por lo que son más un último recurso o algo con lo que jugar en problemas de optimización.
Solo hay una clave correcta, por lo que la evolución no es realmente posible. Para un enfoque genético / evolutivo necesitaría una medida de mejora.
Tendría que poder seleccionar las mejores respuestas, pero en un cifrado adecuado solo hay la respuesta correcta y todas las respuestas incorrectas, por lo que usar algoritmos genéticos sería un enfoque de tipo de fuerza bruta menos eficiente.
- ¿Cuál es el progreso en visión artificial?
- Sin considerar el costo del conjunto de validación, ¿necesito muchos datos para reducir el costo del tren en la Red neuronal profunda?
- ¿Es mejor utilizar algoritmos basados en reglas o de aprendizaje automático para la clasificación en un dominio de respuesta a preguntas cerrado?
- ¿Cuáles son algunos marcos de aprendizaje profundo con solo CPU?
- ¿Cuál es una forma intuitiva de explicar los resultados de la PCA?
Un buen ejemplo para un problema en el que los algoritmos genéticos son buenos sería el diseño de turbinas eólicas. Puede crear formas aleatorias y medir su eficiencia como una turbina eólica mediante simulación. Seleccionas las mejores y las combinas / les agregas algo de aleatoriedad para crear la próxima generación y repetir el proceso.
Como la eficiencia se puede medir y más es mejor, podemos aplicar la “evolución” al problema.