Evolutionary Algorithms

الخوارزميات التطورية (EAs) هي عائلة قوية من خوارزميات التحسين تحاكي المبادئ البيولوجية للانتقاء الطبيعي وعلم الوراثة لحل المشكلات الحاسوبية المعقدة. وعلى خلاف التقنيات الرياضية التقليدية التي تعتمد على المشتقات القائمة على التفاضل، مثل الانحدار المتدرج العشوائي (SGD)، صُممت الخوارزميات التطورية لاستكشاف فضاءات بحث واسعة أو وعرة أو سيئة الفهم. وهي تعمل من خلال الحفاظ على مجموعة من الحلول المحتملة التي تتنافس وتتكاثر وتتحور بمرور الوقت. ويجعل هذا النهج الخوارزميات التطورية فعالة بصفة خاصة في مهام الذكاء الاصطناعي (AI) التي يصعب فيها تحديد الحل «الأفضل» تحليليًا، مما يتيح للأنظمة التطور تكراريًا نحو نتيجة مثلى.

الإلهام البيولوجي والآليات الأساسية#

تستند وظيفة الخوارزمية التطورية إلى مفهوم بقاء الأصلح. تمر العملية بدورة من العوامل المصممة لمحاكاة التطور الجيني الطبيعي، مع تحسين الحلول المرشحة تدريجيًا:

1. التهيئة: ينشئ النظام مجموعة أولية من المرشحين العشوائيين. وفي سياق التعلم الآلي (ML)، قد تمثل هذه المرشحات مجموعات مختلفة من معلمات النموذج.

2. تقييم الملاءمة: يُختبر كل مرشح مقابل هدف محدد يُعرف باسم دالة الملاءمة. وبالنسبة إلى نموذج الرؤية الحاسوبية (CV)، تقيّم هذه الدالة عادةً مقاييس مثل الدقة أو متوسط الدقة المتوسطة (mAP).

3. الانتقاء: يُختار المرشحون ذوو درجات الملاءمة الأعلى احتماليًا للعمل كآباء، مما يضمن الحفاظ على السمات الناجحة للجيل التالي.

4. التكاثر والتنوع: تُنشأ حلول جديدة من خلال العبور (إعادة دمج السمات من والدين) والطفرات (إدخال تغييرات عشوائية). ويُعد إدخال التنوع الجيني أمرًا بالغ الأهمية، إذ يمنع الخوارزمية من الركود عند حل أمثل محلي، ويساعدها على استكشاف فضاء البحث بحثًا عن القيمة العظمى العالمية.

التطبيقات الواقعية في الذكاء الاصطناعي#

تتميز الخوارزميات التطورية بالمرونة، وقد طُبقت بنجاح في مجالات متنوعة ضمن التعلم العميق (DL) والهندسة.

الضبط التلقائي للمعلمات الفائقة#

يُعد ضبط المعلمات الفائقة أحد أكثر التطبيقات العملية للخوارزميات التطورية. تتطلب الشبكات العصبية الحديثة تهيئة عشرات المعلمات—مثل معدل التعلم، واضمحلال الأوزان، والزخم—التي تؤثر تأثيرًا كبيرًا في الأداء. ويمكن للخوارزميات التطورية أتمتة عملية التجربة والخطأ المرهقة هذه من خلال تطوير إعدادات التهيئة. فعلى سبيل المثال، تستخدم طريقة tune() في مكتبة Ultralytics خوارزمية جينية لاكتشاف أفضل معلمات التدريب الفائقة لنماذج YOLO26 على مجموعات بيانات مخصصة.

البحث عن بنية الشبكات العصبية (NAS)#

تُعد الخوارزميات التطورية ركيزة أساسية في البحث عن بنية الشبكات العصبية (NAS). فبدلًا من أن يصمم المهندسون البشريون بنية الشبكة العصبية (NN) يدويًا، يمكن لخوارزمية تطورية أن «تنمّي» البنية. وهي تختبر مجموعات مختلفة من الطبقات والخلايا العصبية والوصلات، وتطور بنيات فعالة توازن بين السرعة والدقة. وقد أفضت هذه التقنية إلى إنشاء شبكات أساسية عالية الكفاءة، مثل EfficientNet، المحسّنة لقيود عتادية محددة.

الخوارزميات التطورية مقابل ذكاء السرب#

مع أن كليهما استراتيجيتان للتحسين مستوحاتان من الطبيعة، فمن المفيد التمييز بين الخوارزميات التطورية وذكاء السرب (SI).

• الخوارزميات التطورية: تعتمد على التغير عبر الأجيال. يعيش الأفراد (الحلول) ويتكاثرون بناءً على الملاءمة ثم يموتون، ويحل نسلهم محلهم. وتتمثل المحركات الأساسية في العوامل الجينية مثل الطفرة والعبور.
• ذكاء السرب: يحاكي التفاعل الاجتماعي داخل مجموعة، مثل سرب من الطيور أو مجموعة من الأسماك. وتتضمن خوارزميات مثل تحسين سرب الجسيمات (PSO) مجموعة من العوامل التي تتحرك عبر فضاء البحث وتعدل مواضعها بناءً على خبرتها الخاصة ونجاح جيرانها، من دون استبدال الأجيال.

تنفيذ التحسين باستخدام Ultralytics#

يمكن للممارسين الاستفادة من الخوارزميات الجينية مباشرةً لتحسين نماذج اكتشاف الأجسام الخاصة بهم. وتشغّل طريقة tune في Ultralytics عملية تطورية لتحوير المعلمات الفائقة عبر عدة أجيال، وتحدد تلقائيًا الإعدادات التي تحقق أعلى أداء على بيانات التحقق الخاصة بك.

from ultralytics import YOLO

# Load the standard YOLO26 model
model = YOLO("yolo26n.pt")

# Run hyperparameter tuning using a genetic algorithm approach
# The tuner evolves parameters (lr, momentum, etc.) over 30 generations
model.tune(data="coco8.yaml", epochs=10, iterations=30, plots=False)

يتيح هذا التحسين التلقائي للمطورين تجاوز التخمين اليدوي. وبالنسبة إلى الفرق التي توسّع عملياتها، يمكن تبسيط إدارة هذه التجارب وتتبع تطور أداء النموذج باستخدام منصة Ultralytics، التي تعرض مقاييس التدريب وتسهّل نشر النموذج.