최근 ML 연구에서는 추론 시 유전 알고리즘을 활용해 최적화 문제의 해를 반복적으로 개선합니다. 기존 유전 알고리즘과 달리 변이 및 교차 연산 방식이 크게 달라졌습니다. 변이는 무작위가 아닌 ML 알고리즘에 의해 목표 개선을 위해 이루어지고, 교차는 부모 해를 합성하는 최적화 기반 연산입니다.
본 연구에서는 유전 알고리즘의 일반 모델을 도입하고, 강화 학습 관점에서 최적화 문제를 쿼리 복잡도 문제로 공식화합니다. 특정 모델을 연구하여 일부 최적화 문제는 생성, 변이, 교차를 통해 해결 가능함을 보입니다.
다양성을 유지하는 것이 중요한 실제 ML 유전 알고리즘의 특징을 반영하여, 솔루션 풀 내 다양성의 역할을 정량적으로 분석하고 관련 알고리즘을 개발합니다.