https://www.researchgate.net/publication/2425017_A_Genetic_Algorithm_Tutorial

알고리즘이 가장 많이 쓰이는 분야는 역시 유전공학
그 속 홀랜드의 스키마가 데이터베이스에 쓰이고 sql까지 쓰인다.
이제 인공지능에 대해 어느정도 알고 호모데우스를 다시 읽고 나니
챕터 11 데이터교 부분이 정말 흥미로웠다.
그 중 '알고리즘'에 눈길이 유독 갔는데, 아마 okky에서 수도 없이 알고리즘 거리던 말을 봐서 더욱 눈에 들어왔었다. 거기까지 생각이 미치니, 알고리즘을 검색해보지 않을 수 없게 되었다.

구글 학술검색을 해보니 무려 4천회 넘게 인용이 된 a genetic algorithm tutorial을 알게 되었다. the joy of research에서 배운대로 abstract만 읽지 말고 일단 다 읽어...보라고 하니 읽는다.

Intro

---

1.1 Encodings and Optimization Problems

Usually there are only two main components of most genetic algorithms that are problem dependent:
the problem encoding and the evaluation function

problem encoding

정확히 뭘 말하는지 아직 모름

evaluation functions

The general approach for constructing evaluation functions is as a linear combination of various weighted terms determined to influence the value of a position. Each term may be considered to be composed of first order factors (those that depend only on the space and any piece on it), second order factors (the space in relation to other spaces), and nth-order factors (dependencies on history of the position).
--from wiki--

1.2 How Hard is Hard?

Assuming the interaction between parameters is nonlinear, the size of the search space is
related to the number of bits used in the problem encoding

Genetic algorithms are often described as a global search method that does not use
gradient information.

After creating an initial
population, each string is then evaluated and assigned a fittness value.

*fittness == evaluation

f is the average evaluation of all the strings in the population.