الخوارزميات التطورية

الخوارزميات التطورية (EAs) هي مجموعة قوية من خوارزميات التحسين التي تحاكي المبادئ البيولوجية للانتقاء الطبيعي وعلم الوراثة لحل المشكلات الحسابية المعقدة. على عكس التقنيات الرياضية التقليدية التي تعتمد على المشتقات القائمة على حساب التفاضل والتكامل، مثل الانحدار العشوائي التدرجي (SGD)، تم تصميم الخوارزميات التطورية للتنقل في مساحات بحث واسعة أو وعرة أو غير مفهومة جيدًا. وهي تعمل عن طريق الحفاظ على مجموعة من الحلول المحتملة التي تتنافس وتتكاثر وتتحول بمرور الوقت. هذا النهج يجعلها فعالة بشكل خاص في مهام الذكاء الاصطناعي (AI) حيث يصعب تحديد "أفضل" حل تحليليًا، مما يسمح للأنظمة بالتطور بشكل متكرر نحو نتيجة مثالية.

الإلهام البيولوجي والآليات الأساسية

تستند وظيفة الخوارزمية التطورية إلى مفهوم البقاء للأصلح. تمر العملية بدورة من العمليات المصممة لتقليد التطور الجيني الطبيعي، حيث يتم تحسين الحلول المرشحة تدريجياً:

1. التهيئة: يقوم النظام بإنشاء مجموعة أولية من المرشحين العشوائيين. في سياق التعلم الآلي (ML)، قد يمثل هؤلاء المرشحون مجموعات مختلفة من معلمات النموذج.
2. تقييم اللياقة: يتم اختبار كل مرشح وفقًا لهدف محدد، يُعرف باسم وظيفة اللياقة. بالنسبة لنموذج الرؤية الحاسوبية (CV) ، عادةً ما تقوم هذه الوظيفة بتقييم مقاييس مثل الدقة أو متوسط الدقة (mAP).
3. الاختيار: يتم اختيار المرشحين ذوي درجات اللياقة البدنية الأعلى بشكل احتمالي ليكونوا آباء، لضمان الحفاظ على السمات الناجحة للجيل القادم.
4. Reproduction and Variation: New solutions are created through crossover (recombining traits from two parents) and mutation (introducing random changes). This introduction of genetic diversity is critical, as it prevents the algorithm from stagnating in a local optimum, helping it explore the search space for the global maximum.

تطبيقات العالم الحقيقي في الذكاء الاصطناعي

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

ضبط المعلمات الفائقة تلقائيًا

أحد أكثر التطبيقات العملية لـ EAs هو ضبط المعلمات الفائقة. تتطلب الشبكات العصبية الحديثة تكوين عشرات المعلمات — مثل معدل التعلم، وتضاؤل الوزن، والزخم — التي تؤثر بشكل كبير على الأداء. يمكن لـ EAs أتمتة عملية التجربة والخطأ المملة هذه من خلال تطوير إعدادات التكوين. على سبيل المثال، tune() تستخدم الطريقة في Ultralytics خوارزمية جينية لاكتشاف أفضل المعلمات الفائقة للتدريب من أجل يولو26 نماذج على مجموعات بيانات مخصصة .

البحث عن التصميم العصبي (NAS)

تعد EAs حجر الزاوية في البحث عن البنية العصبية (NAS). بدلاً من قيام المهندسين البشريين بتصميم بنية الشبكة العصبية (NN) يدويًا، يمكن للخوارزمية التطورية "تنمية" البنية. وهي تختبر تركيبات مختلفة من الطبقات والخلايا العصبية والوصلات، وتطور بنى فعالة توازن بين السرعة والدقة. وقد أدت هذه التقنية إلى إنشاء هياكل أساسية عالية الكفاءة ، مثل EfficientNet، والتي تم تحسينها لتلائم قيود الأجهزة المحددة.

الخوارزميات التطورية مقابل الذكاء الجماعي

على الرغم من أن كلاهما استراتيجيات تحسين مستوحاة من الطبيعة، فمن المفيد التمييز بين EAs و Swarm Intelligence (SI).

• الخوارزميات التطورية: تعتمد على التغيير الجيلي. الأفراد (الحلول) يعيشون، ويتكاثرون بناءً على اللياقة، ويموتون، ويحل محلهم ذريتهم. المحركات الأساسية هي المشغلات الجينية مثل الطفرة والتقاطع.
• ذكاء السرب: يحاكي التفاعل الاجتماعي داخل مجموعة، مثل قطيع من الطيور أو سرب من الأسماك. تتضمن خوارزميات مثل تحسين سرب الجسيمات (PSO) مجموعة من العوامل التي تتحرك عبر مساحة البحث وتعدل مواقعها بناءً على خبرتها الخاصة ونجاح جيرانها، دون استبدال الأجيال.

تنفيذ التحسين باستخدام Ultralytics

يمكن للممارسين الاستفادة من الخوارزميات الجينية مباشرةً لتحسين نماذج الكشف عن الأجسام. Ultralytics tune تقوم الطريقة بتشغيل عملية تطورية لتغيير المعلمات الفائقة على مدى 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 الآلي للمطورين تجاوز التخمين اليدوي. بالنسبة للفرق التي تعمل على توسيع نطاق عملياتها، يمكن تبسيط إدارة هذه التجارب وتتبع تطور أداء النموذج باستخدام Ultralytics التي تعرض مقاييس التدريب وتسهل نشر النموذج.