الخوارزميات التطورية

الخوارزميات التطورية (EAs) هي فئة من تقنيات التحسين والبحث المستوحاة من مبادئ التطور البيولوجي، مثل الانتقاء الطبيعي والطفرة والتكاثر. وهي فعالة بشكل خاص في حل المشكلات المعقدة التي قد تواجه خوارزميات التحسين التقليدية صعوبات في حلها، مثل تلك التي تحتوي على مساحات بحث غير خطية أو غير قابلة للاختلاف أو عالية الأبعاد. تحتفظ خوارزميات EAs بمجموعة من الحلول المحتملة وتقوم بتنقيحها بشكل متكرر على مدى أجيال، بهدف إيجاد الحلول المثلى أو القريبة من المثلى بناءً على معيار لياقة محدد. هذا النهج يجعلها أدوات قيمة في مختلف المجالات، بما في ذلك الذكاء الاصطناعي (AI) والتعلم الآلي (ML).

كيف تعمل الخوارزميات التطورية

عادةً ما تتضمن العملية الأساسية للخوارزمية التطورية الخطوات التالية، التي تحاكي التطور البيولوجي:

1. التهيئة: يتم توليد مجموعة من الحلول المرشحة (غالبًا ما تسمى الأفراد أو الكروموسومات)، عادةً بشكل عشوائي عبر فضاء البحث.
2. تقييم الملاءمة: يتم تقييم كل حل في المجموعة التعدادية باستخدام دالة لياقة (تشبه دالة الخسارة) تقيس جودته أو مدى نجاحه في حل المشكلة المستهدفة.
3. الاختيار: يتم اختيار الحلول بناءً على درجات ملاءمتها. يكون للحلول الأكثر ملاءمة احتمالية أكبر لاختيارها لتمرير خصائصها إلى الجيل التالي، مما يحاكي مبدأ "البقاء للأصلح". توجد استراتيجيات اختيار مختلفة، مثل اختيار البطولة أو اختيار عجلة الروليت.
4. التكاثر (المشغلات الوراثية):
   • التزاوج (إعادة التركيب): تقوم حلول أبوية مختارة بتبادل المعلومات (أجزاء من بنيتها) لتكوين حلول نسل جديدة، تجمع بين سمات مفيدة محتملة.
   • الطفرات: يتم إدخال تغييرات صغيرة وعشوائية على حلول النسل للحفاظ على التنوع داخل المجموعة السكانية واستكشاف مناطق جديدة من مساحة البحث، مما يمنع التقارب المبكر إلى حلول دون المستوى الأمثل.
5. الإحلال: يحل النسل الجديد محل بعض أو كل السكان الأكبر سناً، ويشكلون الجيل التالي.
6. الإنهاء: تتكرر العملية من خطوة تقييم اللياقة البدنية حتى يتم استيفاء شرط الإنهاء، مثل الوصول إلى الحد الأقصى لعدد الأجيال، أو إيجاد حل مُرضٍ، أو عدم ملاحظة أي تحسن ملحوظ في اللياقة البدنية.

الملاءمة في الذكاء الاصطناعي والتعلم الآلي

تُعد أدوات EAs أدوات قوية في الذكاء الاصطناعي والتعلم الآلي، خاصةً للمهام التي تنطوي على التحسين على مساحات معقدة حيث تكون معلومات التدرج غير متوفرة أو غير موثوقة. تشمل التطبيقات الرئيسية ما يلي:

• ضبط المعلمات الفائقة: يمكن ل EAs العثور تلقائيًا على المعلمات الفائقة المثلى (على سبيل المثال، معدل التعلم، وحجم الدُفعات، ومعلمات بنية الشبكة) لنماذج التعلم الآلي، مما يحسن مقاييس الأداء مثل الدقة أو mAP. تستخدم Ultralytics EAs لهذا الغرض، كما هو مفصل في دليل الضبط الفائق للمعاملات.
• البحث عن البنى العصبية (NAS): يمكن أن تستكشف البنى المعمارية العصبية مساحات واسعة من البنى الممكنة للشبكات العصبية لتصميم نماذج عالية الأداء مصممة تلقائيًا ومصممة خصيصًا لمهام محددة، وغالبًا ما تتفوق على البنى المصممة من قبل الإنسان(مثال بحثي).
• اختيار الميزات/الهندسة: يمكن أن تحدد EAs المجموعة الفرعية الأكثر ملاءمة من الميزات من مجموعة بيانات كبيرة لتدريب النموذج، مما يقلل من الأبعاد وربما يحسن تعميم النموذج.
• التعلم المعزز: يمكن استخدام أدوات التعلّم المعزز لتطوير السياسات أو سلوكيات الوكيل بشكل مباشر، خاصةً في البيئات المعقدة(مثال الدراسة).

الخوارزميات التطورية مقابل طرق التحسين الأخرى

على الرغم من أن خوارزميات EAs هي نوع من خوارزميات التحسين، إلا أنها تختلف اختلافًا كبيرًا عن الأساليب القائمة على التدرج مثل نزول التدرج أو نزول التدرج العشوائي (SGD):

• معلومات التدرج: لا تتطلب المستشارون الخبراء معلومات التدرج، مما يجعلها مناسبة للمشاكل غير القابلة للاختلاف أو غير المتقطعة حيث يفشل نزول التدرج.
• استراتيجية البحث: تُجري EAs بحثًا عالميًا باستخدام مجموعة من الحلول، مما يقلل من احتمالية تعثرها في الحلول المثلى المحلية مقارنةً بالبحث المحلي لنسب التدرج بناءً على ميل دالة الخسارة. ومع ذلك، غالبًا ما يأتي هذا الاستكشاف العالمي بتكلفة حسابية أعلى.
• نوع المشكلة: عادةً ما يُفضل نزول التدرج لتحسين المعلمات في نماذج التعلم العميق مع دوال خسارة سلسة وقابلة للتفاضل، بينما تتفوق المستشارات الخبيرات في التحسين التوافقي وتحسين المعلمات في مناظر اللياقة المعقدة والتحسين متعدد الأهداف.

التطبيقات الواقعية

وبعيدًا عن التحسين النظري، تجد المستشارين الخبراء الخبراء استخدامًا عمليًا في:

1. تحسين نماذج التعلم الآلي: كما ذكرنا، فإن إيجاد أفضل المعلمات الفائقة لنماذج مثل Ultralytics YOLO هو تطبيق رئيسي. إن Ultralytics Tuner الفئة يوفر تطبيقًا باستخدام المستشارين الخبراء الاستشاريين لتحسين نموذج YOLO التدريب [المرجع: مسرد مصطلحات الضبط الفائق للمعرفات]. التكامل مع أدوات مثل راي تيون زيادة تعزيز قدرات الضبط الموزعة.
2. الروبوتات وأنظمة التحكم: تُستخدم EAs لتطوير حركات الروبوتات، ومعلمات التحكم في الأنظمة المستقلة، واستراتيجيات تخطيط المسار، خاصةً في مجال الروبوتات.
3. الجدولة واللوجستيات: حل مشاكل الجدولة المعقدة مثل جدولة متجر العمل، أو إنشاء الجداول الزمنية، أو تحسين طرق التسليم(موارد مشكلة توجيه المركبات).
4. تحسين التصميم: يُستخدم في مجالات الهندسة والتصميم لتحسين الهياكل أو المواد أو الأشكال الديناميكية الهوائية (على سبيل المثال، أبحاث ناسا حول تصميم الهوائي).
5. اكتشاف الأدوية: يمكن لأجهزة EAs استكشاف مساحات كيميائية واسعة لتحديد العقاقير المحتملة المرشحة ذات الخصائص المرغوبة، مما يساعد في الأبحاث الصيدلانية.

المزايا والعيوب

المزايا:

• فعالة في التحسين الشامل، وأقل عرضة للتحسين المحلي.
• تنطبق على مجموعة واسعة من المشاكل، بما في ذلك المشاكل غير القابلة للتمييز والمعقدة.
• قابلة بطبيعتها للتوازي بطبيعتها، حيث يمكن إجراء تقييمات اللياقة البدنية بشكل مستقل.
• قوية في البيئات الصاخبة أو غير المؤكدة.

العيوب:

• يمكن أن يكون مكلفاً حسابياً بسبب البحث القائم على تعداد السكان وتقييمات اللياقة البدنية.
• يمكن أن يكون الأداء حساسًا لاختيار معلمات EA (حجم المجتمع السكاني، ومعدلات الطفرة، وما إلى ذلك).
• لا يكون التقارب إلى المستوى الأمثل العالمي مضمونًا دائمًا.
• قد يتطلب ضبطاً كبيراً لمشاكل محددة.

تمثل الخوارزميات التطورية مجموعة قوية ومتعددة الاستخدامات من الأدوات في مجال الذكاء الاصطناعي والتعلم الآلي، حيث تقدم مزايا فريدة لمعالجة تحديات التحسين المعقدة التي تواجهها الأبحاث والصناعة، بما في ذلك تحسين أحدث نماذج الرؤية الحاسوبية باستخدام منصات مثل Ultralytics HUB.