Un algoritmo genético es una técnica de búsqueda y optimización inspirada en los principios de la selección natural, en la que una población de soluciones candidatas se evoluciona iterativamente mediante operaciones análogas a la mutación, el cruce (recombinación) y la selección, para mejorar la aptitud hacia un objetivo definido a lo largo de generaciones sucesivas. Los algoritmos genéticos pertenecen a la familia más amplia de métodos de computación evolutiva dentro de la inteligencia artificial y el aprendizaje automático.
Mecanismo
Un algoritmo genético comienza con una población de soluciones candidatas generada aleatoriamente, cada una típicamente codificada como una cadena o vector análogo a un cromosoma. Cada candidato se evalúa mediante una función de aptitud que puntúa cuán bien resuelve el problema objetivo. Los candidatos con puntuaciones más altas tienen más probabilidades de ser seleccionados como "padres", cuyas codificaciones se combinan mediante el cruce para producir descendencia, con mutaciones aleatorias introducidas ocasionalmente para mantener la diversidad y evitar una convergencia prematura hacia una solución subóptima. Este ciclo de evaluación, selección y recombinación se repite a lo largo de muchas generaciones, y la población en su conjunto tiende a mejorar en aptitud promedio con el tiempo, aunque no se garantiza encontrar un óptimo global.
Historia
Los fundamentos matemáticos del campo fueron formalizados por John Holland, cuyo libro de 1975 "Adaptation in Natural and Artificial Systems" introdujo los algoritmos genéticos como un marco general para la búsqueda adaptativa, basándose en experimentos anteriores de computación evolutiva de las décadas de 1950 y 1960. Los estudiantes y colaboradores de Holland, incluido David Goldberg, ampliaron la base teórica del marco y popularizaron aplicaciones prácticas durante las décadas de 1980 y 1990.
Aplicaciones
Los algoritmos genéticos se han aplicado a problemas de programación y enrutamiento, optimización de diseño en ingeniería, incluyendo formas de antenas y aerodinámicas evaluadas por la NASA y otros, síntesis automatizada de programas bajo el campo relacionado de programación genética, y búsqueda de hiperparámetros para sistemas de aprendizaje automático. Son particularmente favorecidos para problemas con espacios de búsqueda grandes, complejos y no diferenciables, donde los métodos basados en gradientes no están disponibles o son ineficaces, ya que los algoritmos genéticos solo requieren la capacidad de evaluar la aptitud de un candidato, no de calcular una derivada del objetivo.
Neuroevolución
Un área de aplicación notable, la neuroevolución, utiliza métodos evolutivos para diseñar o entrenar arquitecturas y pesos de redes neuronales, a veces combinados con aprendizaje por refuerzo para tareas de control y juegos. La neuroevolución se ha explorado como una alternativa o complemento a las redes entrenadas con retropropagación en la investigación de robótica y IA encarnada, donde la señal de recompensa es escasa o la topología de la red en sí, no solo sus pesos, es una variable de diseño.
Limitaciones y relevancia moderna
Los algoritmos genéticos escalan mal a los espacios de parámetros de muy alta dimensión de las redes profundas modernas en comparación con la optimización basada en descenso de gradiente como la retropropagación, y en gran medida retrocedieron de la investigación principal a medida que las arquitecturas de aprendizaje profundo entrenadas con retropropagación llegaron a dominar después de principios de la década de 2010. Sin embargo, siguen siendo utilizados activamente en dominios de optimización fuera del entrenamiento supervisado estándar, en nichos de neuroevolución, y como un punto de referencia conceptual para la investigación sobre enfoques de código abierto y evolutivos para generar soluciones diversas y novedosas en lugar de optimizar un único objetivo fijo.