En mi experiencia, las cosas son al revés.
En la academia, he visto numerosos artículos, especialmente en las especialidades de ingeniería fuera de la informática, que hablan sobre enfoques de algoritmos genéticos (GA) y otros enfoques metaheurísticos como el recocido simulado, la optimización de colonias de hormigas, etc. para resolver varios problemas que no escala bien con enfoques de solución exactos. Es una forma “favorita” de publicar investigaciones, en la que ejecuta puntos de referencia que muestran cómo GA escala mejor para obtener buenas soluciones a grandes problemas en poco tiempo, en comparación con los métodos exactos.
Sin embargo, en la industria, aplicamos soluciones GA muy raramente porque:
- ¿Algunas subdisciplinas de biología tienen mejores resultados académicos de posgrado que otras subdisciplinas de biología?
- Academia: ¿Qué se siente ser un profesor adjunto?
- ¿Cuáles son algunos consejos para las conferencias de grabación en cinta?
- ¿Quién es responsable de la gestión general de las audiencias de integridad académica?
- ¿Cuál es la duración de tiempo típica desde el comienzo de un profesor asistente hasta la decisión de evaluación de la tenencia?
Falta de reproducibilidad:
- Ejecutas el GA y obtienes una solución que crees que está bien. Al día siguiente, se lo está demostrando a alguien y obtiene una solución mucho más pobre (debido a la naturaleza aleatoria de GA).
- Digamos, por el bien de la discusión, decir que congela la semilla aleatoria (nunca haría eso fuera de la depuración, pero déjenos decir que sí). Entonces la objeción anterior es discutible. Pero aún así, si realiza un pequeño cambio en el conjunto de datos y vuelve a ejecutar el GA, la nueva solución no se parece en nada a la solución anterior, por lo que es imposible interpretar la solución en términos de las variables de decisión.
Falta de interpretabilidad:
- Las herramientas de diagnóstico están disponibles de forma inmediata para comprender por qué una solución es buena o mala, para la mayoría de los enfoques de optimización. Esto no es tan fácil para GA, generalmente tiene que crear sus propios diagnósticos.
Con la disponibilidad barata de potencia informática en estos días y la paralelización de los métodos de optimización tradicionales, el problema de escalabilidad no es tan grave como solía ser, y los enfoques de optimización exactos solo han aumentado en popularidad en la industria.
Las excepciones donde GA sigue siendo útil hoy en la industria son:
- Optimización de criterios múltiples: GA ofrece una gran cantidad de soluciones, por lo que para problemas de criterios múltiples, tiene un conjunto de soluciones “dominantes” listas para usar.
- Optimización combinatoria: muchos enfoques de optimización no están bien equipados para trabajar en problemas combinatorios (la programación de enteros mixtos, por ejemplo, se ajusta mal para problemas combinatorios)