ما الخوارزمية التطورية؟ دليل سريع

تطورت الحياة على الأرض على مدى ملايين السنين، ومن خلال هذه العملية تكيفت الكائنات الحية للبقاء والازدهار في بيئاتها. خذ الزرافات مثالًا؛ فقد طورت أعناقًا طويلة على مدى أجيال كثيرة لتصل إلى الأوراق المرتفعة في الأشجار، حيث لا تستطيع الحيوانات الأخرى الوصول. وينشأ ذلك عن الانتقاء الطبيعي، إذ تصبح السمات المفيدة أكثر شيوعًا لأن الكائنات التي تمتلكها تكون أرجح بقاءً.

ببساطة، تزداد فرص بقاء الكائنات الحية الأكثر ملاءمة لبيئتها ونقلها سماتها المفيدة إلى نسلها. ومع مرور الوقت، تتراكم هذه التغييرات الصغيرة، فتساعد الأنواع على التعامل حتى مع أصعب الظروف.

تندرج الخوارزميات التطورية (EA) ضمن المصطلح الشامل «الذكاء الحاسوبي». وعلى غرار التطور، تختار الخوارزمية التطورية أفضل الحلول من مجموعة، وتجري تغييرات صغيرة، ثم تتحقق مما إذا كانت تلك التغييرات تحسّن النتائج. ومن خلال تكرار هذه العملية على مدى أجيال كثيرة، تعثر على أفضل الحلول للمشكلات المعقدة في مجالات متنوعة.

بفضل تعدد استخداماتها، تُعد الخوارزميات التطورية مجالًا بحثيًا مثيرًا للاهتمام، إذ تتواصل الدراسات حول تطبيقها في مجالات مثل الهندسة والطب والعلوم البيئية. وسنتناول في هذه المقالة الخوارزميات التطورية بمزيد من التفصيل، وطريقة عملها، ومجالات استخدامها.

شرح الخوارزميات التطورية#

الخوارزميات التطورية هي تقنيات تحسين يمكن استخدامها في مجال التعلم الآلي للعثور على أفضل حل أو نموذج ممكن لمهمة محددة. وتبدأ عادةً بمجموعة من الحلول المحتملة، ثم تعمل على تحسينها عبر تكرارات عديدة استنادًا إلى مدى نجاحها في حل المشكلة.

لنفترض مثلًا أنك تحاول تصميم سيارة بأعلى كفاءة في استهلاك الوقود. تبدأ الخوارزمية بمجموعة متنوعة من تصميمات السيارات، وتختبر أداء كل منها، ثم تحسن التصميمات تدريجيًا بدمج أفضل السمات وإجراء تعديلات صغيرة على مدى جولات كثيرة، حتى تتوصل إلى أفضل تصميم ممكن.

توجد أنواع متعددة من الخوارزميات التطورية، ولكل منها طريقة خاصة لتمثيل الحلول وتحسينها، لكنها جميعًا تتبع هذا النهج الأساسي. إليك بعض الأنواع الشائعة من الخوارزميات التطورية:

• الخوارزميات الجينية: في هذا النوع من الخوارزميات التطورية، تُمثّل الحلول كسلاسل مشفرة بسيطة، مثل متتاليات من الأرقام أو الرموز. ويحدث التحسين بمزج أجزاء من حلين جيدين (على غرار دمج سمات الوالدين) وإجراء تغييرات عشوائية صغيرة لإنشاء تنويعات جديدة.
• البرمجة الجينية: تركز على بناء الحلول في هيئة تراكيب شجرية. وهي مفيدة على نحو خاص عندما يتطلب الحل تسلسلًا من الخطوات أو التعليمات.
• استراتيجيات التطور: ينصب التركيز هنا على تعلّم مقدار التغييرات التي ينبغي إجراؤها، سواء أكانت كبيرة أم صغيرة، عند تحديث الحلول. وهذا يساعد الخوارزمية على تحسين نتائجها بكفاءة أكبر بمرور الوقت.
• التطور التفاضلي: في هذا النهج، تُنشأ حلول جديدة بدمج أجزاء من حلول قائمة مختلفة. ويكون فعالًا خصوصًا في المسائل التي تكون إجاباتها أعدادًا قابلة للتغير باستمرار.

فهم كيفية عمل الخوارزميات التطورية#

تستخدم الخوارزميات التطورية عملية تكرارية لإيجاد أفضل حل لمشكلة ما. ويمكن تشبيه ذلك بالطريقة التي تصقل بها الطبيعة الأنواع عبر الأجيال، إذ تساعد كل دورة على تحسين الجماعة.

على الرغم من وجود أنواع مختلفة من الخوارزميات التطورية، فإنها تتبع عمومًا الخطوات الأساسية التالية:

• التهيئة: تبدأ الخوارزمية بإنشاء مجموعة أولية من الحلول الممكنة. وتشكل هذه المجموعة نقطة انطلاق العملية التطورية.
• تقييم الملاءمة: يُقيَّم كل حل باستخدام دالة ملاءمة تقيس مدى نجاحه في حل المشكلة. وتحصل الحلول الأفضل أداءً على درجات أعلى وتزداد فرص اختيارها في الخطوات التالية.
• التكاثر: تُنشأ حلول جديدة بطريقتين أساسيتين: العبور والطفرات. يجمع العبور السمات من حلَّيْن أبويَّيْن، بينما تُدخل الطفرات تغييرات عشوائية صغيرة لاستكشاف إمكانات جديدة.
• الاستبدال: تحل الحلول المنشأة حديثًا محل بعض الحلول القديمة أو كلها. وتحدد هذه الخطوة الحلول التي ستبقى وتنتقل إلى الجيل التالي.
• الإنهاء: تستمر عمليتا التكاثر والاستبدال حتى تحقق شرط التوقف. وقد يكون ذلك بلوغ عدد محدد من التكرارات، أو الوصول إلى مستوى ملاءمة مُرضٍ، أو عدم إحراز مزيد من التحسن، أو بلوغ الحدود الحاسوبية.

الشكل 1. نظرة على كيفية عمل الخوارزميات التطورية. الصورة من إعداد المؤلف.

نظرة على تطبيقات الخوارزميات التطورية#

بعد أن أصبح لدينا فهم أفضل لماهية الخوارزميات التطورية وكيفية عملها، لنستعرض بعض تطبيقاتها العملية في قطاعات مختلفة.

خوارزميات مستوحاة من الأحياء تُستخدم في محطات طاقة الرياح#

يُعد تحديد مواقع توربينات الرياح أحد أهم جوانب توليد طاقة الرياح. وقد تختلف كفاءة مزرعة الرياح اختلافًا كبيرًا بحسب مواضع التوربينات بعضها من بعض وظروف الرياح. وغالبًا ما تواجه أساليب التصميم التقليدية صعوبة في التعامل مع المتغيرات الخارجية العديدة.

تُعد الخوارزميات التطورية وسيلة رائعة لابتكار واختبار عدد كبير من التصاميم المختلفة لمزارع الرياح. فهي تأخذ في الحسبان عوامل مثل أنماط الرياح وأنواع التوربينات والأراضي المتاحة للعثور على أفضل تصميم. ومع كل جولة اختبار، يتحسن التصميم، مما يؤدي إلى إنتاج طاقة أكبر وتكاليف أقل واستغلال أفضل للأراضي. وبعد عدة تكرارات، يمكن أن يحقق التصميم النهائي إنتاجًا للطاقة يفوق تصميمًا أُعد يدويًا.

الشكل 2. مزرعة رياح.

تقنيات التحسين في تصميم المركبات#

يمثل تصميم سيارات آمنة وموفرة للوقود ومعقولة التكلفة أولوية أساسية لشركات صناعة السيارات اليوم. ويمكن للخوارزميات التطورية تسريع هذه العملية عبر اختبار خيارات تصميم كثيرة وتحسينها تدريجيًا لإيجاد الخيار الأفضل. وقد يساعد ذلك المصنّعين على تحقيق أفضل توازن بين الأداء والكفاءة.

ومن الأمثلة اللافتة استخدام الخوارزميات التطورية لتصميم الهيكل الأساسي للمركبة، المعروف باسم الهيكل الأبيض (BIW). ويتمثل الهدف الرئيسي من عملية التصميم هذه في تقليل وزن الهيكل مع الحفاظ على المتانة والقوة نفسيهما.

يمكن للخوارزميات الجينية استكشاف تنويعات هيكلية مختلفة بإجراء تغييرات طفيفة. ثم تُختبر هذه التصميمات وفق عوامل مثل القوة والوزن والمتانة والمعايير التنظيمية لتحديد الخيار الأفضل.

الشكل 3. تصميم الهيكل الأبيض للمركبة (المصدر).

الاستراتيجيات التطورية في جدولة العمل بالمستشفيات#

يدرس الباحثون بنشاط كيف يمكن للخوارزميات التطورية أن تساعد في الرعاية الصحية، مثل جدولة موظفي المستشفيات وتحسين خطط العلاج واكتشاف أدوية جديدة. وتؤدي هذه الخوارزميات أداءً جيدًا لأنها تستطيع التعامل مع كميات كبيرة من البيانات ومراعاة عوامل مثل الإرهاق والتوتر.

فعلى سبيل المثال، اختُبرت الخوارزميات الجينية لتحسين جدولة الممرضين في المستشفيات. واستخدمت دراسة مثيرة للاهتمام مزيجًا من الخوارزميات الجينية وتقنيات البحث المحلي لإنشاء جداول تقلل إرهاق الممرضين. وأظهرت النتائج انخفاض الإرهاق بنسبة 10% وتسريع عملية الجدولة بنسبة 98%، إذ تقلص الوقت من أكثر من ساعة إلى ما يزيد قليلًا على دقيقة.

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

دور التقنيات التطورية في الرؤية الحاسوبية#

تُستخدم الخوارزميات التطورية أيضًا في الرؤية الحاسوبية، وهي مجال من الذكاء الاصطناعي يمكّن الآلات من تفسير البيانات المرئية وتحليلها، مثل الصور ومقاطع الفيديو. وتبحث الدراسات الجارية في إمكاناتها في مهام مثل تجزئة الصور واكتشاف الكائنات واستخراج السمات.

تعمل هذه الخوارزميات باختبار العديد من الحلول الممكنة واختيار الأفضل منها، ما يمنحها مرونة وقدرة على التعامل مع البيانات المرئية المعقدة والمتنوعة. فعلى سبيل المثال، استخدم الباحثون الخوارزميات التطورية لتحسين أنظمة الذكاء الاصطناعي التي تحلل الصور الطبية، مثل صور الأشعة السينية للصدر.

تعمل أنظمة الذكاء الاصطناعي هذه، المعروفة باسم الشبكات العصبية الالتفافية (CNNs)، عمل اختصاصيي الأشعة الخبراء، إذ تفحص الصور بحثًا عن مؤشرات أمراض مثل COVID-19. وتساعد الخوارزمية التطورية على تصميم بنية CNN وإعداداتها وضبطهما الدقيق تلقائيًا، من خلال اختبار إصدارات عديدة والاحتفاظ بالأفضل أداءً وإنشاء نماذج أدق تدريجيًا. وتؤدي هذه العملية إلى أدوات ذكاء اصطناعي تساعد الأطباء على تشخيص COVID-19 بسرعة ودقة أكبر.

تظهر الأساليب التطورية أيضًا في تدريب النماذج اليومي. فعلى سبيل المثال، يستخدم ضبط المعلمات الفائقة في حزمة Ultralytics Python خوارزمية جينية تُحدث طفرات في إعدادات مثل معدل التعلم وأوزان الخسارة وقوة زيادة البيانات، ثم تحتفظ بالتكوينات الأفضل أداءً عبر عدد كبير من جولات التدريب القصيرة.

مزايا الخوارزميات التطورية وعيوبها#

فيما يلي بعض المزايا الأساسية التي تقدمها الخوارزميات التطورية:

• القدرة على البحث الشامل: تستكشف الخوارزميات التطورية أجزاء كثيرة من فضاء الحلول في الوقت نفسه، مما يقلل احتمال تعثرها في حلول ضعيفة.
• المتانة: في البيئات غير المستقرة والمتغيرة، تساعد العشوائية وتنوع الحلول في الخوارزمية التطورية النظام على الحفاظ على أداء ثابت.
• المرونة: يمكن تكييف الخوارزميات التطورية لتعمل بكفاءة مع أنواع كثيرة ومختلفة من المسائل، وذلك بتغيير طريقة تمثيل الحلول وكيفية قياس النجاح.

مع أن لهذه الخوارزميات فوائد عديدة، فمن المهم أيضًا الانتباه إلى قيودها. فيما يلي بعض العيوب الشائعة للخوارزميات التطورية:

• التكلفة الحاسوبية: قد يتطلب التقييم المتكرر لعدد كبير من الحلول الممكنة موارد حوسبة قوية ومكلفة، ما يجعل الخوارزميات بطيئة أو مرتفعة التكلفة في بعض التطبيقات.
• الحساسية للمعلمات: يعتمد نجاح الخوارزميات التطورية غالبًا بدرجة كبيرة على اختيار الإعدادات الأولية المناسبة، مثل حجم الجماعة ومعدل الطفرات وأساليب الاختيار. وقد تؤثر الخيارات غير المناسبة سلبًا في الأداء.
• بطء التقارب: قد تتطلب هذه الخوارزميات تكرارات كثيرة لتحسين الحلول، وخصوصًا في المسائل المعقدة جدًا، ما قد يؤدي إلى أوقات تشغيل أطول مقارنةً بأساليب أخرى.
• الحساسية لدالة الملاءمة: قد يؤدي سوء تصميم دالة الملاءمة إلى استغلال الخوارزميات لثغرات بدلًا من حل المشكلة المقصودة، ما يعطي المطورين انطباعًا مضللًا عن الأداء الفعلي.

أبرز النقاط#

تُعد الخوارزميات التطورية خيارًا ممتازًا لحل المسائل الصعبة التي قد تواجه الأساليب الأخرى صعوبة في معالجتها. وقد أظهرت الأبحاث أنها تتحسن تدريجيًا عبر التكرار، وتتكيف مع مجموعة واسعة من المهام. ومع استمرار تقدم الذكاء الاصطناعي وتطوره، يُتوقع أن تؤدي هذه الخوارزميات دورًا أكبر في تطوير تقنيات ذكية وفعالة وقادرة على التعلم الذاتي، عبر تطبيقات عديدة ومختلفة.

انضم إلى مجتمعنا المتنامي، واطّلع على مستودع GitHub للحصول على موارد الذكاء الاصطناعي. استكشف تطبيقات مختلفة لـالرؤية الحاسوبية في الزراعة والذكاء الاصطناعي في الخدمات اللوجستية في صفحات حلولنا. تعرّف على خيارات الترخيص لبدء مشاريعك في مجال الرؤية الحاسوبية.