ما هي الخوارزمية التطورية؟ دليل سريع

شرح الخوارزميات التطورية

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

على سبيل المثال، تخيل أنك تحاول تصميم السيارة الأكثر كفاءة في استهلاك الوقود. تبدأ الخوارزمية بمجموعة متنوعة من تصاميم السيارات، وتختبر كل واحد منها لترى مدى جودة أدائه، ثم تحسّن التصاميم تدريجياً من خلال الجمع بين أفضل الميزات وإجراء تعديلات صغيرة على مدى جولات عديدة حتى تجد أفضل تصميم ممكن.

هناك عدة أنواع من الخوارزميات التطورية، لكل منها طريقتها الخاصة في تمثيل الحلول وتحسينها، لكن جميعها 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 تسلسل الأرقام أو الرموز. ويحدث التحسين عن طريق مزج أجزاء من حلين جيدين (على غرار الجمع بين سمات من الأبوين) وإجراء تغييرات عشوائية صغيرة لإنشاء أشكال جديدة.

• البرمجة الجينية: تركز على بناء الحلول على شكل هياكل شبيهة بالأشجار. وهي مفيدة بشكل خاص عندما يتطلب الحل سلسلة من الخطوات أو التعليمات.

• استراتيجيات التطور: ينصب التركيز هنا على معرفة حجم التغييرات التي يجب أن تكون كبيرة أو صغيرة عند تحديث الحلول. وهذا يساعد الخوارزمية على تحسين نتائجها بكفاءة أكبر بمرور الوقت.

• التطور التفاضلي: باستخدام هذا النهج، يتم تكوين حلول جديدة من خلال دمج أجزاء من حلول موجودة مختلفة. وهو يعمل بشكل جيد بشكل خاص مع المشاكل التي تكون فيها الإجابات عبارة عن أرقام يمكن أن تتغير باستمرار.

فهم كيفية عمل الخوارزميات التطورية

تستخدم الخوارزميات التطورية عملية تكرارية لإيجاد أفضل حل لمشكلة ما. يمكنك التفكير فيها كطريقة الطبيعة في تحسين الأنواع على مر الأجيال، حيث تساعد كل دورة على تحسين تعداد السكان. 

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

• التهيئة: تبدأ الخوارزمية بتوليد مجموعة أولية من الحلول الممكنة. ويشكل ذلك نقطة البداية للعملية التطورية.

• تقييم اللياقة: يتم تقييم كل حل باستخدام دالة لياقة تقيس مدى نجاحه في حل المشكلة. تحصل الحلول التي تحقق أداءً أفضل على درجات أعلى وتحظى بفرصة أكبر للاختيار للخطوات التالية.

• التكاثر: يتم إنشاء حلول جديدة من خلال طريقتين رئيسيتين: التقاطع والطفرة. ويجمع التزاوج بين ميزات من حلين من الوالدين، بينما تُدخل الطفرة تغييرات عشوائية صغيرة لاستكشاف إمكانيات جديدة.

• الاستبدال: تحل الحلول المنشأة حديثًا محل بعض أو كل الحلول القديمة. تحدد هذه الخطوة الحلول التي تبقى وتنتقل إلى الجيل التالي.

• الإنهاء: تستمر عملية التكاثر والاستبدال حتى يتحقق شرط التوقف. قد يكون هذا هو الوصول إلى عدد محدد من التكرارات، أو تحقيق مستوى لياقة مُرضٍ، أو عدم رؤية أي تحسينات أخرى، أو الوصول إلى حدود حسابية.

‍

نظرة على تطبيقات الخوارزمية التطورية

والآن بعد أن أصبح لدينا فهم أفضل لماهية الخوارزميات التطورية وكيفية عملها، دعونا نستعرض بعض تطبيقاتها الواقعية في مختلف الصناعات.

خوارزميات مستوحاة من الخوارزميات الحيوية المستخدمة في محطات توليد الطاقة بالطواحين الهوائية

أحد أهم جوانب 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 تواجه طرق التصميم التقليدية صعوبة في التعامل مع العديد من المتغيرات الخارجية المعنية.

تعد الخوارزميات التطورية طريقة رائعة لابتكار واختبار الكثير من تخطيطات مزارع الرياح المختلفة. فهي تنظر إلى أشياء مثل أنماط الرياح، وأنواع التوربينات، والأرض المتاحة للعثور على أفضل إعداد. ومع كل جولة من الاختبارات، يتحسن التصميم، مما يؤدي إلى المزيد من الطاقة وانخفاض التكاليف واستخدام أفضل للأرض. بعد عدة تكرارات، يمكن أن يوفر التصميم النهائي ناتج طاقة أفضل من التصميم الذي يتم إجراؤه يدوياً.

‍

تقنيات التحسين في تصميم المركبات

يُعدّ تصميم سيارات آمنة وموفرة في استهلاك الوقود 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 أفضلها. يمكن أن يساعد ذلك الشركات المصنعة في إيجاد أفضل توازن بين الأداء والكفاءة.

أحد الأمثلة المثيرة للاهتمام هو استخدام الخوارزميات التطورية لتصميم الهيكل الأساسي للسيارة، والمعروف باسم الهيكل في الأبيض (BIW). يتمثل الهدف الرئيسي في عملية التصميم هذه في تقليل وزن الهيكل مع الحفاظ على المتانة والقوة نفسها. 

يمكن للخوارزميات الجينية استكشاف الاختلافات الهيكلية المختلفة مع تغييرات طفيفة. ثم يتم اختبار هذه التصميمات بناءً على عوامل مثل القوة والوزن والمتانة والمعايير التنظيمية لتحديد الخيار الأفضل.

‍

الاستراتيجيات التطورية في الجدولة في المستشفيات

يدرس الباحثون بنشاط كيف يمكن للخوارزميات التطورية أن تساعد في مجال الرعاية الصحية، مثل جدولة موظفي المستشفى، وتحسين خطط العلاج، واكتشاف أدوية جديدة. تعمل هذه الخوارزميات بشكل جيد لأنها قادرة على التعامل مع كميات كبيرة من البيانات ومراعاة أمور مثل التعب والإجهاد.

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

‍

دور التقنيات التطورية في الرؤية الحاسوبية

بخلاف تطبيقات التعلم الآلي، 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 إمكانياتها في مهام مثل تجزئة الصور واكتشاف الأجسام واستخراج السمات.

تعمل هذه الخوارزميات من خلال 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 صور الأشعة السينية للصدر. 

تعمل أنظمة الذكاء الاصطناعي هذه، والمعروفة باسم الشبكات العصبية التلافيفية (CNNs)، مثل أخصائيي الأشعة الخبراء من خلال مسح الصور لاكتشاف علامات الأمراض مثل كوفيد-19. وتساعد الخوارزمية التطورية من خلال تصميم وضبط بنية وإعدادات الشبكات العصبية التلافيفية (CNN) تلقائيًا، واختبار العديد من الإصدارات، والاحتفاظ بأفضلها أداءً، وإنشاء نماذج أكثر دقة تدريجيًا. تؤدي هذه العملية إلى أدوات الذكاء الاصطناعي التي يمكن أن تساعد الأطباء في تشخيص كوفيد-19 بسرعة ودقة أكبر.

إيجابيات الخوارزميات التطورية وسلبياتها

فيما يلي بعض المزايا الرئيسية التي تقدمها الخوارزميات التطورية:

• القدرة على البحث العالمي: تستكشف الخوارزميات التطورية أجزاء كثيرة من مساحة الحل في وقت واحد، مما يقلل من احتمالية تعثرها في الحلول الضعيفة.
  ‍
• المتانة: في البيئات غير المؤكدة والمتغيرة، تساعد عشوائية الخوارزمية التطورية وحلولها المتنوعة في الحفاظ على أداء ثابت للنظام.
  ‍
• المرونة: يمكن تعديل الخوارزميات التطورية لتعمل بشكل جيد على العديد من أنواع المشاكل المختلفة عن طريق تغيير كيفية تمثيل الحلول وكيفية قياس النجاح.

على الرغم من أن هذه الخوارزميات لها العديد من الفوائد، إلا أنه من المهم أيضًا أن تكون على دراية بحدودها. 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 المعلمة: غالبًا ما يعتمد نجاح الخوارزميات التطورية اعتمادًا كبيرًا على اختيار الإعدادات الأولية الصحيحة، مثل حجم السكان ومعدل الطفرات وطرق الاختيار. يمكن أن تؤدي الخيارات السيئة إلى الإضرار بالأداء.
  ‍
• التقارب البطيء: قد تتطلب العديد من التكرارات لتحسين الحلول، خاصة بالنسبة للمشاكل المعقدة للغاية، مما قد يؤدي إلى أوقات تشغيل أطول مقارنة بالطرق الأخرى.
  ‍
• حساسية دالة اللياقة البدنية: يمكن أن يؤدي التصميم السيئ لدالة اللياقة البدنية إلى استغلال الخوارزميات للعيوب بدلاً من حل المشكلة المقصودة، مما يضلل المطورين بشأن الأداء الفعلي.

الوجبات الرئيسية

تُعد الخوارزميات التطورية خيارًا رائعًا لحل المشاكل الصعبة التي قد تواجه الطرق الأخرى صعوبة في التعامل معها. وقد أظهرت الأبحاث أنها تتحسن تدريجياً من خلال التكرار ويمكنها التكيف مع مجموعة متنوعة من المهام. ومع استمرار تقدم الذكاء الاصطناعي وتطوره، من المتوقع أن تلعب هذه الخوارزميات دوراً أكبر في تطوير تقنيات ذكية وفعالة وذاتية التعلم في العديد من التطبيقات المختلفة.

انضم إلى مجتمعنا المتنامي وتحقق من مستودع GitHub الخاص بنا للحصول على موارد الذكاء الاصطناعي. استكشف التطبيقات المختلفة للرؤية الحاسوبية في الزراعة والذكاء الاصطناعي في مجال الخدمات اللوجستية على صفحات الحلول الخاصة بنا. اكتشف خيارات الترخيص لدينا لبدء مشاريع الرؤية الحاسوبية الخاصة بك.