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 Evolutionary algorithms (EA) تحت مصطلح «التعلم الآلي» الشامل. تماماً مثل التطور، تختار خوارزميات التطور أفضل الحلول من مجموعة ما، وتجري عليها تغييرات طفيفة، وتتحقق مما إذا كانت هذه التغييرات تحسن الأمور. ومن خلال تكرار هذه العملية عبر أجيال عديدة، تعثر على أفضل الحلول للمشكلات المعقدة في مختلف المجالات.

بفضل مرونتها، تُعد خوارزميات التطور مجالات بحثية مثيرة للاهتمام، مع وجود دراسات مستمرة تهدف إلى تطبيقها في مجالات مثل الهندسة، والطب، وenvironmental science. في هذا المقال، سنلقي نظرة أقرب على خوارزميات التطور، وكيفية عملها، وأماكن استخدامها. لنبدأ الآن!

شرح الخوارزميات التطورية#

خوارزميات التطور هي تقنيات optimization يمكن استخدامها في نطاق التعلم الآلي للعثور على أفضل حل أو نموذج ممكن لمهمة معينة. وهي تبدأ عادةً بمجموعة من الحلول المحتملة وتعمل على تحسينها عبر دورات تكرارية عديدة 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 solutions في هيئة هياكل شجرية. وتكون 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.

فهم 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. وقد يكون ذلك بالوصول إلى عدد محدد من التكرارات، أو تحقيق مستوى لياقة مرضٍ، أو عدم ملاحظة أي تحسينات إضافية، أو بلوغ computational limits.

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

نظرة على تطبيقات الخوارزميات التطورية#

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

الخوارزميات المستوحاة من الطبيعة المستخدمة في محطات طاقة الرياح#

يُعد تحديد مواقع توربينات الرياح أحد أهم جوانب wind energy generation. يمكن أن تتبدل كفاءة مزرعة الرياح بشكل ملحوظ بناءً على كيفية وضع التوربينات بالنسبة لبعضها البعض ولظروف الرياح. وعادةً ما تواجه طرق التصميم التقليدية صعوبة في التعامل مع المتغيرات الخارجية العديدة المتضمنة.

تُعد خوارزميات التطور وسيلة رائعة لابتكار واختبار العديد من تخطيطات مزارع الرياح المختلفة. وهي تدرس أموراً مثل أنماط الرياح، وأنواع التوربينات، والأراضي المتاحة للعثور على الإعداد الأنسب. ومع كل جولة اختبار، يتحسن التصميم، مما يؤدي إلى طاقة أكبر، وتكاليف أقل، واستخدام أفضل للأراضي. وبعد عدة تكرارات، يمكن للتصميم النهائي أن يقدم better energy output مقارنة بالتصميم المصنوع يدوياً.

الشكل 2. محطة طاقة طواحين الهواء.

تقنيات التحسين في تصميم المركبات#

يُعد تصميم السيارات الآمنة، والموفرة للوقود، والميسورة التكلفة أولوية أساسية لشركات تصنيع السيارات اليوم. يمكن لخوارزميات التطور أن تساعد في تسريع هذه العملية عن طريق اختبار العديد من خيارات التصميم وتحسينها تدريجياً للعثور على الخيار الأفضل. ويمكن أن يساعد ذلك manufacturers في إيجاد التوازن الأمثل بين الأداء والكفاءة.

ومن الأمثلة المثيرة للاهتمام استخدام خوارزميات التطور لتصميم الهيكل الأساسي للسيارة، والمعروف 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 جسم السيارة الأبيض (source).

استراتيجيات التطور في الجدولة في المستشفيات#

يدرس الباحثون باهتمام كيف يمكن لخوارزميات التطور أن تساعد في مجال healthcare، مثل جدولة طاقم المستشفيات، وتحسين خطط العلاج، واكتشاف أدوية جديدة. تعمل هذه الخوارزميات بشكل جيد لقدرتها على معالجة كميات كبيرة من البيانات والنظر في عوامل مثل الإرهاق والضغط.

على سبيل المثال، جُربت الخوارزميات الجينية لتحسين جدولة الممرضات في المستشفيات. استخدمت إحدى studies الرائعة مزيجاً من الخوارزميات الجينية وتقنيات البحث المحلي لإنشاء جداول تُقلل من إرهاق الممرضات. وأظهرت 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) (source).

دور التقنيات التطورية في الرؤية الحاسوبية#

إلى جانب تطبيقات التعلم الآلي، يمكن استخدام خوارزميات التطور أيضاً في مجالات مثل الرؤية الحاسوبية - وهو مجال الذكاء الاصطناعي الذي يمكن الآلات من تفسير وتحليل البيانات المرئية مثل الصور ومقاطع الفيديو. يستكشف البحث المستمر إمكانيات هذه الخوارزميات في مهام مثل تجزئة الصور، وobject detection، 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، والمعروفة باسم convolutional neural networks (CNNs)، مثل أخصائي أشعة خبراء من خلال فحص الصور لرصد علامات الأمراض مثل كوفيد-19. تساعد خوارزمية التطور عبر تصميم وضبط هيكل وإعدادات الشبكة العصبية التلافيفية تلقائياً، واختبار العديد من الإصدارات، والاحتفاظ بالأفضل أداءً، وإنشاء نماذج أكثر دقة تدريجياً. تؤدي هذه العملية إلى أدوات ذكاء اصطناعي يمكنها مساعدة الأطباء في diagnosing COVID-19 بسرعة ودقة أكبر.

إيجابيات 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.

أبرز 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 community النامى لدينا وتصفح GitHub repository الخاص بنا لموارد الذكاء الاصطناعي. استكشف التطبيقات المختلفة لمجال computer vision in agriculture وAI in logistics في صفحات الحلول الخاصة بنا. اكتشف licensing options الخاصة بنا لبدء مشاريع الرؤية الحاسوبية الخاصة بك.