Local Search and Optimization
2014.04.02
부산대학교 인공지능연구실
김민호
(karma@pusan.ac.kr)
Outline

Local search techniques and optimization
– Hill-climbing
– Simulated annealing
– Genetic algorithms
– Issues with local search
Local search and optimization

Previously: systematic exploration of search space.
–

YET, for some problems path is irrelevant.
–

Path to goal is solution to problem
E.g 8-queens
Different algorithms can be used
–
Local search
Local search and optimization

Local search
– Keep track of single current state
– Move only to neighboring states
– Ignore paths

Advantages:
–
–

Use very little memory
Can often find reasonable solutions in large or infinite (continuous) state spaces.
“Pure optimization” problems
– All states have an objective function
– Goal is to find state with max (or min) objective value
– Does not quite fit into path-cost/goal-state formulation
– Local search can do quite well on these problems.
“Landscape” of search
Hill-climbing search
function HILL-CLIMBING( problem) return a state that is a local maximum
input: problem, a problem
local variables: current, a node.
neighbor, a node.
current  MAKE-NODE(INITIAL-STATE[problem])
loop do
neighbor  a highest valued successor of current
if VALUE [neighbor] ≤ VALUE[current] then return STATE[current]
current  neighbor
Hill-climbing search
start
2 8 3
1 6 4
7
5
-5
h = -4
-5
2 8 3
1
4 h = -3
7 6 5
-3
h = -3
goal
1 2 3
8
4 h=0
7 6 5
-2
1 2 3
8 4 h = -1
7 6 5
-4
2
3
1 8 4
7 6 5
2 3
1 8 4 h = -2
7 6 5
-4
f (n) = -(number of tiles out of place)
Hill-climbing search

“a loop that continuously moves in the direction of increasing value”
–
–
terminates when a peak is reached
Aka greedy local search

Value can be either
– Objective function value
– Heuristic function value (minimized)

Hill climbing does not look ahead of the immediate neighbors of the current state.

Can randomly choose among the set of best successors, if multiple have the best value

Characterized as “trying to find the top of Mount Everest while in a thick fog”
Hill climbing and local maxima

When local maxima exist, hill climbing is suboptimal

Simple (often effective) solution
– Multiple random restarts
Hill-climbing example

8-queens problem, complete-state formulation
– All 8 queens on the board in some configuration

Successor function:
– move a single queen to another square in the same column.

Example of a heuristic function h(n):
– the number of pairs of queens that are attacking each other (directly or indirectly)
– (so we want to minimize this)
Hill-climbing example
Current state: h=17
Shown is the h-value for each possible successor in each column
A local minimum for 8-queens
A local minimum in the 8-queens state space (h=1)
A local minimum for 8-puzzle
start
1 2 5
8 7 4
6 3
f = -6
move
up
1 2 5
7 4
8 6 3
f = -7
goal
1 2 3
8
4 f=0
7 6 5
move
right
1 2 5
8 7 4
6
3
f = -7
f = -(manhattan distance)
Other drawbacks

Ridge = sequence of local maxima difficult for greedy algorithms to navigate

Plateau = an area of the state space where the evaluation function is flat.
Possible solution…sideways moves

If no downhill (uphill) moves, allow sideways moves in hope that algorithm can escape
– Need to place a limit on the possible number of sideways moves to avoid infinite loops

For 8-queens
– Now allow sideways moves with a limit of 100
– Raises percentage of problem instances solved from 14 to 94%
– However….
• 21 steps for every successful solution
• 64 for each failure
Hill-climbing variations
 Stochastic hill-climbing
–
–
Random selection among the uphill moves.
The selection probability can vary with the steepness of the uphill move.
 First-choice hill-climbing
–
–
stochastic hill climbing by generating successors randomly until a better one is found
Useful when there are a very large number of successors
 Random-restart hill-climbing
–
Tries to avoid getting stuck in local maxima.
Hill-climbing with random restarts

Different variations
– For each restart: run until termination v. run for a fixed time
– Run a fixed number of restarts or run indefinitely

Analysis
– Say each search has probability p of success
• E.g., for 8-queens, p = 0.14 with no sideways moves
– Expected number of restarts?
– Expected number of steps taken?
Search using Simulated Annealing

Simulated Annealing = hill-climbing with non-deterministic search

Basic ideas:
– like hill-climbing identify the quality of the local improvements
– instead of picking the best move, pick one randomly
– say the change in objective function is d
– if d is positive, then move to that state
– otherwise:
• move to this state with probability proportional to d
• thus: worse moves (very large negative d) are executed less often
– however, there is always a chance of escaping from local maxima
– over time, make it less likely to accept locally bad moves
– (Can also make the size of the move random as well, i.e., allow “large” steps in state space)
Physical Interpretation of Simulated Annealing

A Physical Analogy:
• imagine letting a ball roll downhill on the function surface
– this is like hill-climbing (for minimization)
• now imagine shaking the surface, while the ball rolls, gradually reducing the amount of shaking
– this is like simulated annealing

Annealing = physical process of cooling a liquid or metal until particles achieve a certain frozen crystal
state
• simulated annealing:
– free variables are like particles
– seek “low energy” (high quality) configuration
– get this by slowly reducing temperature T, which particles move around randomly
Simulated annealing
function SIMULATED-ANNEALING( problem, schedule) return a solution state
input: problem, a problem
schedule, a mapping from time to temperature
local variables: current, a node.
next, a node.
T, a “temperature” controlling the probability of downward steps
current  MAKE-NODE(INITIAL-STATE[problem])
for t  1 to ∞ do
T  schedule[t]
if T = 0 then return current
next  a randomly selected successor of current
∆E  VALUE[next] - VALUE[current]
if ∆E > 0 then current  next
else current  next only with probability e∆E /T
More Details on Simulated Annealing
– Lets say there are 3 moves available, with changes in the objective function of d1 = -0.1, d2 = 0.5, d3
= -5. (Let T = 1).
– pick a move randomly:
• if d2 is picked, move there.
• if d1 or d3 are picked, probability of move = exp(d/T)
• move 1: prob1 = exp(-0.1) = 0.9,
– i.e., 90% of the time we will accept this move
• move 3: prob3 = exp(-5) = 0.05
– i.e., 5% of the time we will accept this move
– T = “temperature” parameter
• high T => probability of “locally bad” move is higher
• low T => probability of “locally bad” move is lower
• typically, T is decreased as the algorithm runs longer
– i.e., there is a “temperature schedule”
Simulated Annealing in Practice
– method proposed in 1983 by IBM researchers for solving VLSI layout problems (Kirkpatrick et al,
Science, 220:671-680, 1983).
• theoretically will always find the global optimum (the best solution)
– useful for some problems, but can be very slow
– slowness comes about because T must be decreased very gradually to retain optimality
• In practice how do we decide the rate at which to decrease T? (this is a practical problem with this
method)
다윈의 진화론

다산  생존경쟁  변이  자연선택  진화
e.g.) 똑똑한 토끼가 살아 남는다?
초기 토끼집단
 느리고 영리하지 못한 토끼
 빠르고 영리한 토끼
진화된 토끼집단
History of Genetic Algorithm (1/3)


1965년 Rechenberg(독일)
– 진화전략(Evolutionary Strategy) 발표
– 단 두개의 해로 이루어진 해 집단 사용
– 교차 연산자 사용 안함
1966년 Fogel, Owens, Walsh
– 진화 프로그램 제안
– 교차 연산이 없는 변이만을 사용
History of Genetic Algorithm (2/3)

Developed by John Holland in the early 70’s
– 유전 알고리즘의 대부
– 해 집단에 근거, 교차와 변이를 포함한 GA의 골격 마련
– 1975년 역사적 저서 [Adaptation in Natural and Artificial Systems] 발표
– 1984년 산타페 연구소에 합류, 연구 방향을 [Complex System]에서 [Adaptive Complex System]으
로 선회
History of Genetic Algorithm (3/3)



1985년 제 1회 International Conference on Genetic Algorithms 개최
90년대 많은 주목을 받은 Artificial Life의 주된 도구로 활용됨
1997년 IEEE Transactions on Evolutionary Computing 개설
유전자 알고리즘 (GA: Genetic Algorithm)

진화의 원리를 문제 풀이 또는 모의 실험에 이용하는 연구의 한 방법
– Solutions are encoded as chromosomes
– Search proceeds through maintenance of a population of solutions
– Reproduction favors “better” chromosomes
– New chromosomes are generated during reproduction through processes of mutation and cross over,
etc.
Genetic Algorithm


GA가 필요 없는 문제
– 잘 정의된 Algorithm이 존재하는 문제
– 최단 경로 탐색 문제, Sorting 등
GA의 적용이 효과적인 문제
– Traveling salesman problem (TSP)
– 함수 값을 최대화하는 변수
– NP Complete 문제
Basic Terminology in Biology





DNA, Chromosome : 염색체, 유전물질
유전자(gene) : 염색체 상의 각 인자
유전자형(genotype) : 유전자의 조합
표현형(phenotype) : 관찰되는 형질
생물학적 진화
– 개체는 교차에 의해 염색체를 부분 결합과 돌연변이에 의해 새로운 염색체를 가진 새로운 개체
생성
– 환경에 적응하기 유리한 개체만이 선택적으로 번성
Basic Terminology in GA





염색체 (chromosome) : 임의의 solution
해집단 (population) : 정해진 개수의 염색체 집단
유전자 (gene) : 염색체의 인자 하나
유전자 형 : 염색체 자체
표현형 : 유전자형에 대응하는 해의 모양
유전자 알고리즘의 구조
selection
Search
space
A
0
1
0
0
0
B
1
0
1
1
0
C
1
1
0
1
0
0
1
0
1
1
D
cross over
1
0
1
1
0
1
0
0
1
1
0
1
0
1
1
0
1
1
1
0
mutation
Fitness
evaluation
population
1
0
0
1
1
0
1
1
1
0
reproduction
Substitution
유전자 알고리즘
function GENETIC-ALGORITHM(population, FITNESS-FN) returns an individual
input: population, a set of individuals
FITNESS-FN, a function that measures the fitness of an individual
repeat
parents  SELECTION(population,FITNESS-FN)
population  REPRODUCTION(parents)
until some individual is fit enough
return the best individual in population, according to FITNESS-FN
% REPRODUCTION
= cross-over + mutation
유전자 알고리즘의 구성요소




개체 표현 방법 (Encoding Scheme)
– 문제의 해가 될 가능성이 있는 것의 유전자적 표현 방법
적합도 함수 (Fitness Function)
– 유전자를 평가하는 함수
– Solution에 가까운 유전자일 수록 높게 평가
유전 연산자 (Genetic Operators)
– 자손의 합성을 변화시키는 유전 연산자들
알고리즘 제어 파라미터 (Parameter Setting)
– 유전자 알고리즘이 사용하는 여러 가지 매개변수의 값
– 개체 집단의 크기, 유전 연산자를 적용시키는 확률 등
개체 표현 방법 (Encoding Scheme)



문제의 해가 될 가능성이 있는 것을 유전자로 표현하는 것
전형적인 표현 양식은 이진수 0과 1을 이용한 일차원적 표현
표현 양식이 결정된 후 이에 맞는 교차 연산자 및 변이 연산자 결정
스키마 (Schema)

염색체에 들어 있는 패턴
– 1101에는 1***, *1**,…11**, 1*0*, …, 110*, *101, ..., 1101, ****의 16개 스키마가 포함됨
– * : don’t care symbol
– 1 또는 0 : specific symbol
– 유전 알고리즘이란 초기의 작은 스키마가 결합하여 점점 더 큰 스키마를 이루어가는 과정
– 마지막 return value는 하나의 거대한 스키마
1. 이진수 표현, k진수 표현




Binary Encoding, n-ary Encoding
010101100010101100001001 vs. 562409
이진수 표현할 경우 교차시 자름 선 위치가 많아져 추가 변이 효과 발생
– 교차의 다양성 제공
k진수의 경우 의미 있는 스키마 보존 가능성 높음
– 교차의 다양성은 시뮬레이션으로 가능
2. Gray Coding




0000, 0001, 0011, 0010, 0110, 0111, 0101, 0100, 1100, …
2진수 표현의 한 변형
인접한 수는 단 한 비트만 차이가 나도록 하는 코드 체계
의미상으로 유사한 두 해가 문제 공간에서 가까이 위치하도록 만든 코드
체계
0000
0001
0011
0010
0110
0111
0101
0100
1100
1101
1111
1110
1010
1011
1001
1000
3. 순열 표현 (Permutation Encoding)




1234, 1243, 1324, 1342, 1423, 1432, 2134, 2143, 2314, …
순열을 유전자형으로 가짐
순서 기반형 표현
Traveling salesman problem (TSP)
4. 실수 표현 (Value Encoding)





독일의 진화 전략 그룹
– 교차 연산자를 사용 안 함
– 이진연산자 사용 불필요, 실수 사용
Bremermann이 교차 연산에 실수를 처음 사용
실수 하나를 하나의 유전자로 사용
크기의 개념을 연산자에 적용 가능
– 부모의 값을 평균하여 자식의 값에 적용시키는 산술 교차를 사용할 수 있음
Finding weights for neural network
5. 가변 표현





대부분의 GA는 수행이 완료될 때까지 표현 방식을 바꾸지 않음
표현상의 비효율로 인한 한계 극복 불가능
표현 방식을 미리 고정하지 않고 알고리즘 수행 중 표현 방식을 변화하는 방법 고안
역치, 메시 유전 알고리즘, 유전 프로그래밍
유전자 재배열
개체 표현 방법 정리

여러가지 표현형태들
– Binary Encoding
e.g.)
1
– Permutation Encoding
e.g.)
1
1
0
0
1
1
1
1
5
3
2
6
8
4
7
– Value Encoding
e.g.)
1.2 5.3 0.4 2.3 5 3.1 06 7.2
A

B
D
J
E
D
주로 0과 1의 Binary encoding을 많이 사용
I
B
적합도 함수 (Fitness Function)

염색체의 해(solution)로서의 적합도를 평가
e.g.)
적합도
염색체
0
1
1
0
1
64
1
1
0
0
0
361
0
1
0
0
0
169
1
0
0
1
1
576
유전 연산자
유전 연산자 (Operators of GA)




선택 연산자 (Selection)
– 교차를 위해 해집단(population)에서 2개의 염색체를 선택
– 우수한 해에게 선택 가능성을 높게 해 준다
교차 연산자 (Crossover)
– 선택된 두개의 parent로부터 하나의 offspring을 생성
– GA의 대표적 연산자
변이 연산자 (Mutation)
– 해를 임의로 변환
대치 연산자 (Substitution)
– 부모의 염색체를 생성된 염색체로 대치
선택 연산자 (1/2)

Roulette wheel selection
– 각 염색체의 적합도에 비례하는 만큼 roulette의 영역을 할당한 다음, roulette을 돌려 화살표가
가리키는 영역의 염색체를 선택
– 적합도가 높은 것은 선택될 확률이 그만큼 많고 적합도가 낮을 것은 선택될 확률이 상대적으로
낮다
e.g.)
% of total
염색체
적합도
A
B
C
D
01000
10011
01101
11000
64
361
169
576
5.5
30.9
14.4
49.2
Roulette Wheel

Elitist preserving selection
선택 연산자 (2/2)


Expected-value selection
: 적합도에 대한 각 개체의 확률적인 재생 개체수를 구하여 선택
적합도
6
1
10
11
17
32
4
12
5
2
기대치
0.6
0.1
1
1.1
1.7
3.2
0.4
1.2
0.5
0.2
재생수
1
0
1
1
2
3
0
1
1
0
Ranking selection
: 적합도의 크기 순서에 따라 순위를 매기고 순위에 따라 확률을 결정
적합도
32
17
12
11
10
6
5
4
2
1
순위
1
2
3
4
5
6
7
8
9
10
재생수
2
2
2
1
1
1
0
0
0
0
교배 연산자 (1/4)



두 부모의 염색체를 부분적으로 바꾸어 자식의 염색체를 생성
Single point crossover
1
1
0
0
1
0
1
1
1
1
0
0
1
1
1
1
1
1
0
1
1
1
1
1
1
1
0
1
1
0
1
1
1
1
0
0
1
0
1
1
1
1
0
0
1
1
1
1
1
1
0
1
1
1
1
1
1
1
0
1
1
0
1
1
Two point crossover
교배 연산자 (2/4)

Uniform crossover (균등 교차)
– 자름 선을 이용하지 않음
– 스키마의 결합 형태가 다양
– 스키마 내의 특정 기호의 위치가 거의 영향을 미치지 않음
– 교란의 정도가 크므로 수렴 시간이 오래 걸림
Initialize threshold P0 ;
for each gene in chromosome {
generate random number t ;
if (t < P0)
copy the gene from S1 ;
else
copy the gene from S2 ; }
유전 연산자
교배 연산자 (3/4)

균등 교차의 예
S1 : a b c d
S2 : k l m n
t
e f g h i j
o p q r s t
: .83 .27 .33 .89 .91 .66 .44 .72 .42 .19 P0 = 0.6
O : a
l
m d
e f
q
h
s t
교배 연산자 (4/4)

Arithmetic crossover (산술적 교차)
– 실수 표현(Value Encoding)일 경우 사용 가능
– 염색체의 각 위치에 대해 두 부모 염색체의 유전자의 평균값을 내어
자식 유전자로 삼는다.
– 매우 빠른 수렴을 보이므로, 변이 등을 적절히 조절하여 설익은 수렴
이 되지 않도록 주의하여야 한다.
s1 :
s2 :
1.98 3.31 20.43 12.01 -2.34 8.34 98.86
11.28 2.21 12.39 1.44 2.45 3.55 87.44
offspring :
6.63 2.76 16.41 6.73 0.06 5.95 93.15
변이 연산자 (1/2)

유전자를 일정한 확률로 변화시키는 조작
1

1
0
0
1
0
1
1
1
0
0
0
1
0
1
1
개체군의 다양성 유지
– 돌연변이가 없는 경우 초기 유전자 조합 이외의 공간을 탐색할 수 없
어 초기 조합에 적절한 해가 없을 경우 원하는 해를 구할 수 없다.
 local optimum 방지
cf.
Hill-climbing Method
GA Search Method
변이 연산자 (2/2)




부모 해에 없는 속성을 도입하여 탐색 공간을 넓힘
전형적 변이
– 난수를 발생시켜 변이
비균등 변이
– 초기에는 품질이 좋지 않은 해가 많으므로 변이의 강도를 높임
– 후반에는 변이가 강할 경우 품질 향상이 일어나지 않으므로 변이의 강도를 낮춤
변이의 확률이 높아지면
– 다양한 해 생성에 의해 GA의 역동성이 높아짐
– 수렴성이 떨어져 수행 시간이 많이 걸림
– 개선의 속도가 느려짐
대치 연산자 (1/3)



대치가 GA성능을 크게 좌우
Steady state GA :
– 가장 성능이 낮은 해를 선택 대치하는 것이 가장 보편적
• 빠른 수렴 보장
• 설익은 수렴 가능성
Generational GA :
– 가장 우수한 해만을 제외한 나머지 전부 대치 (Elitism)
대치 연산자 (2/3)

그 이외의 것들
– 두 부모 해 중 품질이 나쁜 해와 대치 (preselection)
• 해집단의 다양성 유지에 좋다
– 부모 해 중 하나보다 폼질이 좋을 경우 부모 해와 대치하고 그렇지 않을 경우 해집단에서 가장
나쁜 해와 대치
– 부모 해보다 품질이 좋을 경우 대치, 그렇지 않으면 대치 포기
• 수렴에 시간이 너무 오래 걸린다.
– 해집단 전체를 비교하여 자신과 가장 가까운 해를 대치
– 해집단 중 일부를 임의로 선정, 이 중 가장 닮은 해를 대치(군집 대치, crowding)
대치 연산자 (3/3)

대치 연산자의 선택
– 해집단의 다양성을 합리적으로 유지시킬 수 있는 연산자의 선택이 중요
– 교차, 변이 연산자와 연관하여 결정
– perturbation이 강할 경우
• 교차, 변이 연산자 쌍이 부모 해를 많이 변형시킬 경우
• 수렴성이 강한 대치 연산자 사용
– perturbation이 약할 경우
• 수렴성 보다는 해집단의 다양성을 유지시키도록 하는 대치 연산자를 선택
알고리즘 제어 파라미터

개체군의 크기 (Population size)
– How many chromosomes are in population
• Too few chromosome  small part of search space
• Too many chromosome  GA slow down
– Recommendation : 20-30, 50-100

교배 확률 (Probability of crossover)
– How often will be crossover performed
– Recommendation : 80% -95%

돌연변이 확률 (Probability of mutation)
– How often will be parts of chromosome mutated
– Recommendation : 0.5% - 1%

http://cs.felk.cvut.cz/~xobitko/ga/params.html
Questions
1. 개체 표현 방식은 어떤 것이 좋은가?
–
–
문제를 잘 고려 하여 선택한다.
이것을 잘 선택하면 문제의 반은 푼 것이다.
2. 개체군의 크기는 어느 정도로 정할까?
3. 적합도 함수는 어떻게 정의할까?
4. 선택 연산자는 무엇을 사용할까?
5. 교배 확률을 어느 정도로 정할까?
6. 돌연변이 확률은 어느 정도로 정할까?
7. 대치 연산자는 어떻게 정할까?
– 교배 연산자와 변이 연산자를 고려하여 선택
일차원 vs. 다차원

많은 경우 1차원 표현 과정에서 정보의 손실이 일어남


1986, Cohoon 등이 VLSI 회로 최적 재배치 문제에서 2차원 격자형 염색체 사용
2차원 배열, Tree Encoding
개체 표현 방식
위치기반 vs. 순서기반 (1/2)


위치 기반
– 유전자의 위치가 유전자의 속성을 결정
– n번째 유전자는 n번째 속성을 결정
– 한 해에 대해 유일한 염색체를 갖는 장점이 있으나 유전자의 배치로 인한 한계 극복에 어려움
순서 기반
– 유전자 값의 상대적 순서가 의미를 가짐
– 동일한 해에 대해 n개의 표현이 존재
– 밀접한 관계를 갖는 염색체가 인접하여 교차시 생존 확률이 높음
개체 표현 방식
위치기반 vs. 순서기반 (2/2)
순서기반
2
0
0134857962
1348579620
…
2013485796
1
6
3
4
5
8
7
9
Traveling Salesman Problem
위치기반
1304872956
예2 : Traveling Salesman Problem

http://cs.felk.cvut.cz/~xobitko/ga/tspexample.html
유전자 알고리즘의 특성

어려운 비선형 문제에서 최적 해를 찾는데 적합하다.
– 선로 라우팅, 적응제어, 게임놀이, 인지 모델링, 운송문제, 순회 판매원문제, 최적제어문제, …

Local optima를 피해갈 능력이 있는 메커니즘을 가지고 있다.

해를 나타내는 파라미터를 염색체 형태로 코드화하여 이용한다.

점(point)이 아닌 다점(multi points) 탐색 방법이다.

탐색에 적합도 함수(fitness function)을 이용하며 blind search를 한다.

결정론적인 규칙이 없고 확률적 연산자를 사용하여 수행된다.
Genetic algorithms

Different approach to other search algorithms

–
A state is represented as a string over a finite alphabet (e.g. binary)
–
A successor state is generated by combining two parent states
–
8-queens
• State = position of 8 queens each in a column
=> 8 x log(8) bits = 24 bits (for binary representation)


Start with k randomly generated states (population)

Evaluation function (fitness function).

–
–
–
Higher values for better states.
Opposite to heuristic function, e.g., # non-attacking pairs in 8-queens
Produce the next generation of states by “simulated evolution”
–
–
–
–
Random selection
Crossover
Random mutation
Genetic algorithms






Fitness function: number of non-attacking pairs of queens (min = 0, max = 8 × 7/2 = 28)
24/(24+23+20+11) = 31%
23/(24+23+20+11) = 29% etc
4 states for
8-queens
problem
2 pairs of 2 states randomly
selected based on fitness.
Random crossover points
selected
New states
after crossover
Random
mutation
applied
Genetic algorithms
Has the effect of “jumping” to a completely different new
part of the search space (quite non-local)
Genetic algorithm pseudocode
function GENETIC_ALGORITHM( population, FITNESS-FN) return an individual
input: population, a set of individuals
FITNESS-FN, a function which determines the quality of the individual
repeat
new_population  empty set
loop for i from 1 to SIZE(population) do
x  RANDOM_SELECTION(population, FITNESS_FN)
RANDOM_SELECTION(population, FITNESS_FN)
child  REPRODUCE(x,y)
if (small random probability) then child  MUTATE(child )
add child to new_population
population  new_population
until some individual is fit enough or enough time has elapsed
return the best individual
y

Comments on genetic algorithms

Positive points
– Random exploration can find solutions that local search can’t
• (via crossover primarily)
– Appealing connection to human evolution
• E.g., see related area of genetic programming

Negative points
– Large number of “tunable” parameters
• Difficult to replicate performance from one problem to another
– Lack of good empirical studies comparing to simpler methods
– Useful on some (small?) set of problems but no convincing evidence that GAs are better than hillclimbing w/random restarts in general