Evolutionary Algorithms

استكشف كيف تستخدم الخوارزميات التطورية (Evolutionary Algorithms) الانتقاء الطبيعي لحل مشاكل الذكاء الاصطناعي. تعلم تحسين المعاملات الفائقة (hyperparameters) لـ Ultralytics YOLO26 وتعزيز أداء النموذج.

الخوارزميات التططورية (EAs) هي مجموعة قوية من خوارزميات التحسين التي تحاكي المبادئ البيولوجية للانتخاب الطبيعي وعلم الوراثة لحل المشكلات الحسابية المعقدة. على عكس التقنيات الرياضية التقليدية التي تعتمد على المشتقات القائمة على التفاضل والتكامل، مثل الانحدار العشوائي للصدمات (SGD)، تم تصميم الخوارزميات التططورية للتنقل في مساحات بحث واسعة أو وعرة أو غير مفهومة جيداً. وهي تعمل عن طريق الحفاظ على مجتمع من الحلول المحتملة التي تتنافس وتتكاثر وتتطفر ب مرور الوقت. يجعل هذا النهج فعالاً بشكل خاص للمهام في الذكاء الاصطناعي (AI) حيث يصعب تحديد الحل "الأفضل" تحليلياً، مما يسمح للأنظمة بالتطور التكراري نحو نتيجة مثلى.

الإلهام البيولوجي والآليات الأساسية#

تستند وظيفة الخوارزمية التططورية إلى مفهوم البقاء للأصلح. تنتقل العملية عبر دورة من العوامل المصممة لتقليد التطور الجيني الطبيعي، مما يعمل تدريجياً على تنقيح الحلول المرشحة:

التهيئة: يولد النظام مجتمعاً أولياً من المرشحين العشوائيين. في سياق التعلم الآلي (ML)، قد تمثل هذه المرشحات مجموعات مختلفة من بارامترات النموذج.
تقييم اللياقة: يتم اختبار كل مرشح مقابل هدف محدد، يُعرف باسم دالة اللياقة البدنية. بالنسبة لنموذج رؤية الحاسوب (CV)، تقيم هذه الدالة عادة مقاييس مثل الدقة أو متوسط دقة التوسط (mAP).
الاختيار (Selection): يتم اختيار المرشحين ذوي درجات اللياقة الأعلى احتمالية ليكونوا آباء، مما يضمن الحفاظ على السمات الناجحة للجيل القادم.
التكاثر والتنوع: يتم إنشاء حلول جديدة من خلال التقاطع (إعادة تركيب السمات من الأبوين) والطفرة (إدخال تغييرات عشوائية). يُعد هذا الإدخال للتنوع الجيني أمراً بالغ الأهمية، لأنه يمنع الخوارزمية من الركود في الحد الأدنى المحلي، مما يساعدها في استكشاف مساحة البحث للحد الأقصى العالمي.

تطبيقات العالم الحقيقي في الذكاء الاصطناعي#

الخوارزميات التططورية متعددة الاستخدامات وقد تم تطبيقها بنجاح في مجالات مختلفة داخل التعلم العميق (DL) والهندسة.

ضبط المعاملات الفائقة الآلي#

يُعد أحد أكثر التطبيقات العملية للخوارزميات التططورية هو ضبط المعلمات الفائقة. تتطلب الشبكات العصبية الحديثة تكوين العشرات من البارامترات - مثل معدل التعلم، وتضاؤل الوزن، والزخم - التي تؤثر بشكل كبير على الأداء. يمكن للخوارزميات التططورية أتمتة هذه العملية المملة للتجربة والخطأ من خلال تطوير إعدادات التكوينات. على سبيل المثال، تستخدم طريقة tune() في مكتبة Ultralytics خوارزمية جينية لاكتشاف أفضل المعلمات الفائقة للتدريب لنماذج YOLO26 على مجموعات البيانات المخصصة.

البحث عن بنية الشبكة العصبية (NAS)#

تُعد الخوارزميات التططورية حجر الزاوية في بحث بنية الشبكات العصبية (NAS). بدلاً من قيام المهندسين البشريين بتصميم هيكل الشبكة العصبية (NN) يدوياً، يمكن لخوارزمية تططورية "تنمية" البنية. وهي تختبر مجموعات مختلفة من الطبقات والخ الخلايا العصبية والاتصالات، لتطور هياكل فعالة توازن بين السرعة والدقة. وقد أدت هذه التقنية إلى إنشاء عظام خلفية عالية الكفاءة، مثل EfficientNet، والتي تم تحسينها لقيود الأجهزة المحددة.

الخوارزميات التطورية مقابل ذكاء السرب#

في حين أن كلاهما استراتيجيتان تحسين مستوحاة من الطبيعة، فمن المفيد التمييز بين الخوارزميات التططورية وذكاء السرب (SI).

الخوارزميات التطورية: تعتمد على التغيير الجيلي. الأفراد (الحلول) يعيشون، ويتكاثرون بناءً على اللياقة، ويموتون، ويتم استبدالهم بنسلهم. المحركات الأساسية هي المعاملات الجينية مثل الطفرات والتقاطع.
ذكاء السرب: يقلد التفاعل الاجتماعي داخل مجموعة، مثل سرب من الطيور أو أسراب الأسماك. تتضمن خوارزميات مثل تحسين سرب الجسيمات (PSO) مجموعة من الوكلاء الذين يتحركون عبر مساحة البحث ويعدلون مواضعهم بناءً على تجربتهم الخاصة ونجاح جيرانهم، دون استبدال الأجيال.

تنفيذ التحسين باستخدام Ultralytics#

يمكن للممارسين الاستفادة من الخوارزميات الجينية مباشرة لتحسين نماذج اكتشاف الكائنات الخاصة بهم. تقوم طريقة Ultralytics tune بتشغيل عملية تططورية لتحور المعلمات الفائقة على مدار عدة أجيال، وتحديد الإعدادات التي تسجل أعلى أداء تلقائياً 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)

يسمح هذا التحسين التلقائي للمطورين بتجاوز التخمين اليدوي. بالنسبة للفرق التي توسع عملياتها، يمكن تبسيط إدارة هذه التجارب وتتبع تطور أداء النموذج باستخدام منصة Ultralytics، التي تصور مقاييس التدريب وتسهل نشر النموذج.