ما هي الخوارزمية التطورية؟ دليل سريع

للحصول على شرح مرئي للمفاهيم التي تتناولها هذه المقالة، شاهد الفيديو أدناه.

لقد تطورت الحياة على الأرض عبر ملايين السنين، ومن خلال هذه العملية تكيفت الكائنات الحية للبقاء والازدهار في بيئاتها. لنأخذ الزرافات على سبيل المثال؛ فقد طورت أعناقاً طويلة على مدار أجيال عديدة لتصل إلى أوراق الأشجار العالية حيث لا تستطيع الحيوانات الأخرى الوصول. وهذا مدفوع بالانتخاب الطبيعي، حيث تصبح السمات المفيدة أكثر شيوعاً نظراً لأن الكائنات التي تمتلكها تكون أكثر عرضة للبقاء.

ببساطة، الكائنات الأكثر ملاءمة لبيئتها المحيطة لديها فرصة أفضل للبقاء ونقل سماتها المفيدة إلى نسلها. وبمرور الوقت، تتراكم هذه التغييرات الصغيرة، مما يساعد الأنواع على التعامل مع أكثر الظروف تحدياً.

تندرج الخوارزميات التطورية (EA) تحت المظلة الشاملة لـ "Machine Learning". تماماً مثل التطور، تختار الخوارزميات التطورية أفضل الحلول من مجموعة ما، وتجري تغييرات طفيفة، وتتحقق مما إذا كانت هذه التغييرات تحسن النتائج. ومن خلال تكرار هذه العملية عبر أجيال عديدة، فإنها تعثر على أفضل الحلول للمشكلات المعقدة في مختلف المجالات.

بفضل تنوعها، تُعد الخوارزميات التطورية مجالاً بحثياً مثيراً للاهتمام، مع دراسات مستمرة تهدف إلى تطبيقها في مجالات مثل الهندسة، والطب، وعلوم البيئة. في هذا المقال، سنلقي نظرة فاحصة على الخوارزميات التطورية، وكيفية عملها، وأماكن استخدامها. لنبدأ!

Link to this sectionشرح الخوارزميات التطورية#

الخوارزميات التطورية هي تقنيات تحسين يمكن استخدامها ضمن مجال Machine Learning للعثور على أفضل حل أو نموذج ممكن لمهمة معينة. وهي تبدأ عادةً بمجموعة من الحلول المحتملة وتعمل على تحسينها عبر العديد من التكرارات بناءً على مدى نجاحها في حل المشكلة.

على سبيل المثال، تخيل أنك تحاول تصميم سيارة ذات كفاءة عالية في استهلاك الوقود. تبدأ الخوارزمية بمجموعة متنوعة من تصاميم السيارات، وتختبر كلاً منها لتقييم أدائها، ثم تحسن التصاميم تدريجياً من خلال دمج أفضل الميزات وإجراء تعديلات صغيرة على مدار جولات عديدة حتى تصل إلى أفضل تصميم ممكن.

هناك عدة أنواع من الخوارزميات التطورية، ولكل منها طريقتها الخاصة في تمثيل الحلول وتحسينها، ولكنها جميعاً تتبع هذا النهج الأساسي. فيما يلي بعض الأنواع الشائعة من الخوارزميات التطورية:

• الخوارزميات الجينية: في هذا النوع من الخوارزميات التطورية، يتم تمثيل الحلول كسلاسل مشفرة بسيطة، مثل تسلسلات من الأرقام أو الرموز. ويحدث التحسين عن طريق دمج أجزاء من حلين جيدين (مشابه لدمج سمات من الآباء) وإجراء تغييرات عشوائية صغيرة لإنشاء تنوعات جديدة.

• البرمجة الجينية: تركز على بناء الحلول كهياكل تشبه الأشجار. وهي مفيدة بشكل خاص عندما يتطلب الحل تسلسلاً من الخطوات أو التعليمات.

• استراتيجيات التطور: هنا، ينصب التركيز على تعلم حجم التغييرات (كبيرة أم صغيرة) التي يجب إجراؤها عند تحديث الحلول. وهذا يساعد الخوارزمية على تحسين نتائجها بكفاءة أكبر بمرور الوقت.

• التطور التفاضلي: باستخدام هذا النهج، يتم تشكيل حلول جديدة من خلال دمج أجزاء من حلول مختلفة موجودة بالفعل. وهي تعمل بشكل جيد بشكل خاص للمشكلات التي تكون فيها الإجابات أرقاماً يمكن أن تتغير بشكل مستمر.

Link to this sectionفهم كيفية عمل الخوارزميات التطورية#

تستخدم الخوارزميات التطورية عملية تكرارية للعثور على أفضل حل للمشكلة. يمكنك التفكير في الأمر على أنه طريقة الطبيعة في صقل الأنواع عبر الأجيال، حيث تساعد كل دورة في تحسين المجتمع.

على الرغم من وجود أنواع مختلفة من الخوارزميات التطورية، إلا أنها تتبع عموماً هذه الخطوات الرئيسية:

• التهيئة: تبدأ الخوارزمية بإنشاء مجموعة أولية من الحلول الممكنة. وهذا يشكل نقطة الانطلاق للعملية التطورية.

• تقييم اللياقة: يتم تقييم كل حل باستخدام دالة اللياقة التي تقيس مدى جودة حله للمشكلة. الحلول التي تؤدي أداءً أفضل تحصل على درجات أعلى ولديها فرصة أكبر لاختيارها للخطوات التالية.

• التكاثر: يتم إنشاء حلول جديدة من خلال طريقتين رئيسيتين: التقاطع والطفرة. يجمع التقاطع بين ميزات من حلين أصليين، بينما تقدم الطفرة تغييرات عشوائية صغيرة لاستكشاف احتمالات جديدة.

• الاستبدال: تحل الحلول التي تم إنشاؤها حديثاً محل بعض أو كل الحلول القديمة. تحدد هذه الخطوة أي الحلول ستستمر وتنتقل إلى الجيل التالي.

• الإنهاء: تستمر عملية التكاثر والاستبدال حتى يتم استيفاء شرط التوقف. قد يكون هذا الوصول إلى عدد معين من التكرارات، أو تحقيق مستوى لياقة مرضٍ، أو عدم رؤية أي تحسينات إضافية، أو الوصول إلى الحدود الحسابية.

الشكل 1. نظرة على كيفية عمل الخوارزميات التطورية. الصورة بواسطة المؤلف.

Link to this sectionنظرة على تطبيقات الخوارزميات التطورية#

الآن وبعد أن أصبح لدينا فهم أفضل لماهية الخوارزميات التطورية وكيفية عملها، دعنا نستعرض بعض تطبيقاتها الواقعية في صناعات مختلفة.

Link to this sectionالخوارزميات المستوحاة من الطبيعة المستخدمة في محطات طاقة الرياح#

أحد أكثر الجوانب أهمية في توليد طاقة الرياح هو وضع توربينات الرياح. يمكن أن تختلف كفاءة مزرعة الرياح بشكل كبير بناءً على كيفية وضع التوربينات بالنسبة لبعضها البعض وظروف الرياح. وغالباً ما تكافح طرق التصميم التقليدية للتعامل مع العديد من المتغيرات الخارجية المعنية.

تُعد الخوارزميات التطورية طريقة رائعة لابتكار واختبار الكثير من تصميمات مزارع الرياح المختلفة. فهي تنظر في أشياء مثل أنماط الرياح، وأنواع التوربينات، والأراضي المتاحة للعثور على أفضل إعداد. ومع كل جولة اختبار، يتحسن التصميم، مما يؤدي إلى مزيد من الطاقة، وتكاليف أقل، واستخدام أفضل للأرض. بعد عدة تكرارات، يمكن للتصميم النهائي أن يقدم مخرجات طاقة أفضل من تلك التي يتم إجراؤها يدوياً.

الشكل 2. محطة طاقة طواحين الهواء.

Link to this sectionتقنيات التحسين في تصميم المركبات#

يعد تصميم سيارات آمنة، وموفرة للوقود، وبأسعار معقولة أولوية رئيسية لشركات صناعة السيارات اليوم. يمكن للخوارزميات التطورية أن تساعد في تسريع هذه العملية من خلال اختبار العديد من خيارات التصميم وتحسينها تدريجياً للعثور على الأفضل. يمكن أن يساعد هذا المصنعين في العثور على التوازن الأمثل بين الأداء والكفاءة.

مثال مثير للاهتمام هو استخدام الخوارزميات التطورية لتصميم هيكل المركبة الأساسي، المعروف باسم Body-in-White (BIW). الهدف الرئيسي في عملية التصميم هذه هو تقليل وزن الهيكل مع الحفاظ على نفس المتانة والقوة.

يمكن للخوارزميات الجينية استكشاف تنوعات هيكلية مختلفة مع تغييرات طفيفة. يتم بعد ذلك اختبار هذه التصاميم بناءً على عوامل مثل القوة، والوزن، والمتانة، والمعايير التنظيمية لتحديد الخيار الأفضل.

الشكل 3. هيكل تصميم Body-in-White للمركبة (المصدر).

Link to this sectionاستراتيجيات التطور في الجدولة في المستشفيات#

يدرس الباحثون بنشاط كيف يمكن للخوارزميات التطورية المساعدة في الرعاية الصحية، مثل جدولة موظفي المستشفيات، وتحسين خطط العلاج، واكتشاف أدوية جديدة. تعمل هذه الخوارزميات بشكل جيد لأنها قادرة على التعامل مع كميات كبيرة من البيانات ومراعاة أمور مثل الإرهاق والضغط النفسي.

على سبيل المثال، تم اختبار الخوارزميات الجينية لتحسين جدولة الممرضات في المستشفيات. استخدمت إحدى الدراسات الرائعة مزيجاً من الخوارزميات الجينية وتقنيات البحث المحلي لإنشاء جداول تقلل من إرهاق الممرضات. أظهرت النتائج انخفاضاً بنسبة 10% في الإرهاق وجعلت عملية الجدولة أسرع بنسبة 98%، مما قلص الوقت من أكثر من ساعة إلى ما يزيد قليلاً عن دقيقة واحدة.

الشكل 4. الجدولة اليدوية مقابل استخدام خوارزمية جينية (GA) (المصدر).

Link to this sectionدور التقنيات التطورية في الرؤية الحاسوبية#

بخلاف تطبيقات Machine Learning، يمكن أيضاً استخدام الخوارزميات التطورية في مجالات مثل الرؤية الحاسوبية - وهو مجال الذكاء الاصطناعي الذي يمكّن الآلات من تفسير وتحليل البيانات المرئية مثل الصور ومقاطع الفيديو. تستكشف الأبحاث الجارية إمكاناتها في مهام مثل تجزئة الصور، واكتشاف الكائنات، واستخراج الميزات.

تعمل هذه الخوارزميات عن طريق اختبار العديد من الحلول الممكنة واختيار أفضلها، مما يجعلها مرنة وقادرة على التعامل مع البيانات المرئية المعقدة والمتنوعة. على سبيل المثال، استخدم الباحثون الخوارزميات التطورية لتحسين أنظمة الذكاء الاصطناعي التي تحلل الصور الطبية مثل أشعة الصدر السينية.

تعمل أنظمة الذكاء الاصطناعي هذه، المعروفة باسم الشبكات العصبية التلافيفية (CNNs)، مثل أطباء الأشعة الخبراء من خلال فحص الصور لاكتشاف علامات الأمراض مثل COVID-19. تساعد الخوارزمية التطورية من خلال التصميم والضبط التلقائي لهيكل وإعدادات الشبكة العصبية التلافيفية، واختبار العديد من الإصدارات، والاحتفاظ بأفضل النتائج، وإنشاء نماذج أكثر دقة تدريجياً. تؤدي هذه العملية إلى أدوات ذكاء اصطناعي يمكنها مساعدة الأطباء في تشخيص COVID-19 بشكل أسرع وأكثر دقة.

Link to this sectionإيجابيات وسلبيات الخوارزميات التطورية#

فيما يلي بعض المزايا الرئيسية التي توفرها الخوارزميات التطورية:

• القدرة على البحث الشامل: تستكشف الخوارزميات التطورية أجزاءً عديدة من مساحة الحل في وقت واحد، مما يقلل من احتمالية التعثر في حلول سيئة.
• المتانة: في البيئات غير المؤكدة والمتغيرة، تساعد العشوائية والحلول المتنوعة في الخوارزمية التطورية النظام على الحفاظ على أداء ثابت.
• المرونة: يمكن تعديل الخوارزميات التطورية لتعمل بشكل جيد في العديد من أنواع المشكلات المختلفة عن طريق تغيير كيفية تمثيل الحلول وكيفية قياس النجاح.

على الرغم من أن هذه الخوارزميات لها فوائد عديدة، إلا أنه من المهم أيضاً أن تكون على دراية بقيودها. فيما يلي بعض العيوب الشائعة للخوارزميات التطورية:

• التكلفة الحسابية: يمكن أن يتطلب تقييم العديد من الحلول الممكنة بشكل متكرر موارد حوسبة قوية ومكلفة، مما يجعلها بطيئة أو مكلفة لبعض التطبيقات.
• حساسية المعلمات: غالباً ما يعتمد نجاح الخوارزميات التطورية بشكل كبير على اختيار الإعدادات الأولية الصحيحة، مثل حجم المجتمع، ومعدل الطفرة، وطرق الاختيار. الاختيارات السيئة يمكن أن تضر بالأداء.
• التقارب البطيء: قد تتطلب العديد من التكرارات لتحسين الحلول، خاصة للمشكلات المعقدة للغاية، مما قد يؤدي إلى أوقات تشغيل أطول مقارنة بالطرق الأخرى.
• حساسية دالة اللياقة: يمكن أن يؤدي التصميم السيئ لدالة اللياقة إلى قيام الخوارزميات باستغلال العيوب بدلاً من حل المشكلة المقصودة، مما يضلل المطورين بشأن الأداء الفعلي.

Link to this sectionأبرز النقاط#

تعد الخوارزميات التطورية خياراً رائعاً لحل المشكلات الصعبة التي قد تجد الطرق الأخرى صعوبة في التعامل معها. أظهرت الأبحاث أنها تتحسن تدريجياً من خلال التكرار ويمكنها التكيف مع مجموعة واسعة من المهام. ومع استمرار تقدم وتطور الذكاء الاصطناعي، من المتوقع أن تلعب هذه الخوارزميات دوراً أكبر في تطوير تقنيات ذكية وفعالة وذاتية التعلم عبر العديد من التطبيقات المختلفة.

انضم إلى مجتمعنا المتنامي وتحقق من مستودع GitHub الخاص بنا للحصول على موارد الذكاء الاصطناعي. استكشف تطبيقات مختلفة لـ الرؤية الحاسوبية في الزراعة و الذكاء الاصطناعي في الخدمات اللوجستية على صفحات الحلول الخاصة بنا. اكتشف خيارات الترخيص لدينا لبدء مشاريع الرؤية الحاسوبية الخاصة بك.