الخوارزميات التطورية

تعد الخوارزميات التطورية (EAs) مجموعة فرعية رائعة من الذكاء الاصطناعي والتعلم الآلي التي تستخدم مبادئ التطور البيولوجي لحل مشاكل التحسين المعقدة. هذه الخوارزميات مستوحاة من الانتقاء الطبيعي الدارويني، حيث تقوم هذه الخوارزميات بشكل متكرر بتنقيح مجموعة من الحلول المرشحة للعثور على أفضل نتيجة ممكنة. وبدلاً من استخدام حل واحد، تحافظ خوارزميات الذكاء الاصطناعي على مجموعة متنوعة من الإجابات المحتملة، مما يسمح لها باستكشاف مساحة بحث واسعة وتجنب الوقوع في حلول دون المستوى الأمثل، وهي مشكلة شائعة في خوارزميات التحسين الأخرى.

كيف تعمل الخوارزميات التطورية

تحاكي العملية الأساسية للخبرة الاستشارية التطور الطبيعي من خلال عدة خطوات رئيسية:

1. التهيئة: تبدأ الخوارزمية بإنشاء مجموعة أولية من الحلول العشوائية المرشحة.
2. تقييم اللياقة البدنية: يتم تقييم كل حل في المجتمع الإحصائي باستخدام دالة لياقة تقيس مدى نجاحه في حل المشكلة المستهدفة. على سبيل المثال، في تدريب نموذج الرؤية الحاسوبية، يمكن قياس اللياقة البدنية من خلال دقة النموذج.
3. الاختيار: يتم اختيار الأفراد "الأصلح" ليصبحوا "آباء" للجيل القادم. وهذه الخطوة مماثلة لخطوة "البقاء للأصلح".
4. التكاثر (التهجين والطفرة): يقوم الوالدان المختاران بإنشاء نسل. يجمع التقاطع بين أجزاء من حلين من الأبوين لإنشاء حل جديد، بينما تُدخل الطفرة تغييرات عشوائية صغيرة على الحل. تُدخل هذه العمليات تغيرات جديدة في تعداد السكان، مما يؤدي إلى البحث عن حلول أفضل.
5. الإنهاء: تتكرر هذه الدورة لعدة أجيال إلى أن يتم العثور على حل مُرضٍ أو يتم استيفاء معيار توقف محدد مسبقاً (مثل عدد الأجيال).

تشمل الأنواع الشائعة من المستشارين الخبراء الخوارزميات الجينية (GAs) والبرمجة الجينية واستراتيجيات التطور (ES) والتطور التفاضلي (DE).

التطبيقات الواقعية

تتسم EAs بتنوعها الشديد وتستخدم لمعالجة المشاكل التي يكون فيها مساحة البحث كبيرة أو معقدة أو غير مفهومة جيدًا.

• ضبط المعلمة الفائقة لنماذج التعلم الآلي: أحد التطبيقات الأكثر شيوعًا في التعلّم الآلي هو العثور على المعلمات الفائقة المثلى (مثل معدل التعلم أو بنية الشبكة) لنموذج. تتضمن مكتبة Ultralytics Tuner الفئة التي تستفيد من المستشارين الخبراء الاستشاريين للعثور تلقائيًا على أفضل الإعدادات للتدريب أولتراليتيكس يولو النماذج، وهي عملية مفصلة في دليل ضبط البارامتر الفائق. يمكن توسيع نطاق ذلك باستخدام تكاملات مثل راي تيون للتجارب الموزعة المدارة بأدوات مثل Ultralytics HUB.
• التصميم والتحسين الهندسي: تُستخدم EAs لإنشاء التصاميم المثلى للأنظمة المعقدة. ومن الأمثلة الشهيرة على ذلك استخدام وكالة ناسا لخوارزميات EAs لتصميم هوائي لمركبتها الفضائية ST5. طورت الخوارزمية شكل هوائي جديد وفعال للغاية لم يكن بديهيًا للمهندسين البشر. وينطبق هذا المبدأ نفسه على الروبوتات لتطوير المشي وفي الذكاء الاصطناعي في التصنيع لتحسين خطوط الإنتاج.
• الذكاء الاصطناعي في الرعاية الصحية: في مجال الطب، يساعد الذكاء الاصطناعي في المهام المعقدة مثل جدولة موظفي المستشفى لتقليل الإرهاق أو تحسين خطط العلاج الإشعاعي. كما أنها تُستخدم في اكتشاف الأدوية للبحث في مساحات كيميائية واسعة عن جزيئات ذات خصائص علاجية محددة.

الخوارزميات التطورية مقابل المفاهيم ذات الصلة

من المفيد التفريق بين المستشارين الخبراء ونماذج الذكاء الاصطناعي الأخرى ذات الصلة:

• ذكاء السرب (SI): كلاهما من الأساليب المستوحاة من الطبيعة والقائمة على السكان. إلا أن ذكاء السرب يركز على التحسين الجيلي عن طريق الانتقاء والتقاطع والطفرة. وعلى النقيض من ذلك، فإن ذكاء السرب (SI) يمثل السلوك الجماعي للعوامل اللامركزية (مثل سرب الطيور أو مستعمرة النمل) التي تتفاعل ضمن جيل واحد لحل المشاكل.
• التعلم المعزز (RL): يتضمن التعلّم المعزز (RL) وكيلاً واحدًا يتعلم سياسة مثلى من خلال التفاعل مع بيئة ما وتلقي المكافآت أو العقوبات. من ناحية أخرى، فإن تقنيات التعلم المعزز هي تقنيات بحث تعتمد على السكان ولا تتطلب بالضرورة بيئة تفاعلية أو إشارة مكافأة صريحة بنفس الطريقة.
• التحسين القائم على التدرج: تعتمد خوارزميات مثل Stochastic Gradient Descent Descent (SGD) و Adam على حساب تدرج دالة الخسارة لتحديث معلمات النموذج. إن خوارزميات التحسين المستند إلى التدرج خالية من التدرج، مما يجعلها فعالة للغاية في المشاكل غير القابلة للاختلاف أو غير المتقطعة أو التي تحتوي على العديد من الحلول المثلى المحلية.