الخوارزميات التطورية

الخوارزميات التطورية (EAs) هي مجموعة فرعية رائعة من الذكاء الاصطناعي و التعلم الآلي التي تستخدم مبادئ التطور البيولوجي لحل مشاكل التحسين المعقدة. هذه الخوارزميات مستوحاة من نظرية الانتخاب الطبيعي لداروين، وتقوم بشكل متكرر بتحسين مجموعة من الحلول المرشحة للعثور على أفضل نتيجة ممكنة. بدلاً من استخدام حل واحد، تحتفظ الخوارزميات التطورية بمجموعة 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 لـ EA التطور الطبيعي من خلال عدة خطوات رئيسية:

1. التهيئة: تبدأ الخوارزمية بإنشاء مجموعة أولية من الحلول المرشحة العشوائية.
2. تقييم اللياقة: يتم تقييم كل حل في المجموعة السكانية باستخدام دالة لياقة تقيس مدى جودة حل المشكلة المستهدفة. على سبيل المثال، في تدريب نموذج رؤية الكمبيوتر، يمكن قياس اللياقة من خلال دقة النموذج.
3. الاختيار: يتم اختيار الأفراد "الأكثر لياقة" ليصبحوا "آباء" للجيل التالي. هذه الخطوة مماثلة لـ "البقاء للأصلح".
4. التكاثر (التهجين والطفرة): يقوم الأصل المحدد بإنشاء ذرية. يجمع التهجين أجزاء من حلول الأصل لإنشاء حل جديد، بينما تدخل الطفرة تغييرات صغيرة وعشوائية على الحل. تدخل هذه العمليات اختلافات جديدة في المجتمع، مما يدفع البحث عن حلول أفضل.
5. الإنهاء: تتكرر هذه الدورة لأجيال عديدة حتى يتم العثور على حل مُرضٍ أو يتم استيفاء معيار إيقاف محدد مسبقًا (مثل عدد الأجيال).

تشمل الأنواع الشائعة من الخوارزميات التطورية الخوارزميات الجينية (GAs)، والبرمجة الجينية، و استراتيجيات التطور (ES)، والتطور التفاضلي (DE).

تطبيقات واقعية

تتميز الخوارزميات التطورية بأنها متعددة الاستخدامات للغاية وتستخدم لمعالجة المشكلات حيث تكون مساحة البحث كبيرة أو معقدة أو غير مفهومة بشكل جيد.

• ضبط المعلمات الفائقة لنماذج تعلم الآلة: أحد التطبيقات الأكثر شيوعًا في تعلم الآلة هو إيجاد المعلمات الفائقة المثالية (مثل معدل التعلم أو بنية الشبكة) لنموذج ما. تتضمن مكتبة Ultralytics Tuner فئة تستفيد من الخوارزميات التطورية (EAs) للعثور تلقائيًا على أفضل الإعدادات للتدريب Ultralytics YOLO النماذج، وهي عملية مفصلة في دليل ضبط المعلمات الفائقة. يمكن توسيع نطاق ذلك بشكل أكبر باستخدام عمليات تكامل مثل Ray Tune للتجارب الموزعة التي تتم إدارتها بأدوات مثل Ultralytics HUB.
• تحسين التصميم والهندسة: تُستخدم الخوارزميات التطورية لإنشاء تصاميم مثالية للأنظمة المعقدة. ومن الأمثلة الشهيرة استخدام وكالة ناسا للخوارزميات التطورية لتصميم هوائي لمركبتها الفضائية ST5. طوّر الخوارزم شكلاً جديدًا وعالي الكفاءة للهوائي لم يكن بديهيًا للمهندسين البشريين. وينطبق هذا المبدأ نفسه على الروبوتات لتطوير طرق المشي وفي الذكاء الاصطناعي في التصنيع لتحسين خطوط الإنتاج.
• الذكاء الاصطناعي في الرعاية الصحية: في الطب، تساعد الخوارزميات التطورية في المهام المعقدة مثل جدولة موظفي المستشفى لتقليل الإرهاق أو تحسين خطط العلاج الإشعاعي. كما أنها تستخدم في اكتشاف الأدوية للبحث في المساحات الكيميائية الشاسعة عن جزيئات ذات خصائص علاجية محددة.

الخوارزميات التطورية مقابل المفاهيم ذات الصلة

من المفيد التمييز بين EAs ونماذج الذكاء الاصطناعي الأخرى ذات الصلة:

• ذكاء السرب (Swarm Intelligence (SI)): كلاهما طريقتان مستوحتان من الطبيعة وقائمتان على السكان. ومع ذلك، تركز الخوارزميات التطورية (EAs) على التحسين عبر الأجيال من خلال الاختيار والتهجين والطفرة. في المقابل، يمثل ذكاء السرب السلوك الجماعي للعوامل اللامركزية (مثل سرب من الطيور أو مستعمرة النمل) التي تتفاعل داخل جيل واحد لحل المشكلات.
• التعلم بالتعزيز (RL): يتضمن التعلم بالتعزيز (RL) وكيلاً واحدًا يتعلم سياسة مثالية من خلال التفاعل مع بيئة ما وتلقي المكافآت أو العقوبات. من ناحية أخرى، فإن الخوارزميات التطورية (EAs) هي تقنيات بحث قائمة على التعداد السكاني ولا تتطلب بالضرورة بيئة تفاعلية أو إشارة مكافأة صريحة بنفس الطريقة.
• التحسين المستند إلى التدرج: تعتمد الخوارزميات مثل التدرج العشوائي (SGD) و Adam على حساب تدرج دالة الخسارة لتحديث معلمات النموذج. إن خوارزميات التطور (EAs) خالية من التدرج، مما يجعلها فعالة للغاية للمشاكل غير القابلة للتفاضل أو غير المستمرة أو التي تحتوي على العديد من القيم المثالية المحلية.