Glossar

Evolutionäre Algorithmen

Entdecken Sie, wie Evolutionäre Algorithmen mit von der Natur inspirierten Strategien KI- und ML-Lösungen optimieren, von der Abstimmung von Hyperparametern bis zur Robotik.

Evolutionäre Algorithmen (EAs) sind eine faszinierende Untergruppe der künstlichen Intelligenz und des maschinellen Lernens, die Prinzipien der biologischen Evolution zur Lösung komplexer Optimierungsprobleme nutzen. In Anlehnung an die natürliche Selektion nach Darwin verfeinern diese Algorithmen iterativ eine Population von Lösungsvorschlägen, um das bestmögliche Ergebnis zu finden. Anstatt eine einzige Lösung zu verwenden, behalten EAs einen vielfältigen Pool potenzieller Antworten bei, so dass sie einen großen Suchraum erkunden und vermeiden können, in suboptimalen Lösungen stecken zu bleiben, was bei anderen Optimierungsalgorithmen häufig der Fall ist.

Wie evolutionäre Algorithmen funktionieren

Der Kernprozess einer EA ahmt die natürliche Evolution durch mehrere Schlüsselschritte nach:

  1. Initialisierung: Der Algorithmus beginnt mit der Erstellung einer Anfangspopulation von zufälligen Lösungsvorschlägen.
  2. Fitness-Bewertung: Jede Lösung in der Population wird anhand einer Fitnessfunktion bewertet, die misst, wie gut sie das Zielproblem löst. Beim Training eines Computer-Vision-Modells könnte die Fitness beispielsweise anhand der Genauigkeit des Modells gemessen werden.
  3. Auswahl: Die "fittesten" Individuen werden ausgewählt, um "Eltern" für die nächste Generation zu werden. Dieser Schritt ist vergleichbar mit dem "Überleben des Stärkeren".
  4. Fortpflanzung (Kreuzung und Mutation): Die ausgewählten Eltern erzeugen Nachkommen. Crossover kombiniert Teile von zwei Elternlösungen, um eine neue Lösung zu schaffen, während Mutation kleine, zufällige Änderungen an einer Lösung einführt. Diese Operationen führen neue Variationen in die Population ein und treiben die Suche nach besseren Lösungen voran.
  5. Beendigung: Dieser Zyklus wird über viele Generationen hinweg wiederholt, bis eine zufriedenstellende Lösung gefunden oder ein vordefiniertes Abbruchkriterium (z. B. die Anzahl der Generationen) erfüllt ist.

Zu den gängigen Arten von EAs gehören genetische Algorithmen (GAs), genetische Programmierung, Evolutionsstrategien (ES) und Differentialevolution (DE).

Anwendungen in der realen Welt

EAs sind äußerst vielseitig und werden zur Lösung von Problemen eingesetzt, bei denen der Suchraum groß, komplex oder schlecht verstanden ist.

  • Abstimmung der Hyperparameter für Modelle des maschinellen Lernens: Eine der häufigsten Anwendungen von ML ist die Suche nach den optimalen Hyperparametern (wie Lernrate oder Netzarchitektur) für ein Modell. Die Ultralytics-Bibliothek enthält eine Tuner Klasse, die die EAs nutzt, um automatisch die besten Einstellungen für die Ausbildung zu finden Ultralytik YOLO Modelle, ein Prozess, der in unserem Hyperparameter-Tuning-Leitfaden. Dies kann weiter skaliert werden durch Integrationen wie Ray Tune für verteilte Experimente, die mit Tools wie Ultralytics HUB.
  • Optimierung von Design und Technik: EAs werden eingesetzt, um optimale Entwürfe für komplexe Systeme zu erstellen. Ein berühmtes Beispiel ist der Einsatz von EAs durch die NASA beim Entwurf einer Antenne für ihr ST5-Raumschiff. Der Algorithmus entwickelte eine neuartige, hocheffiziente Antennenform, die für menschliche Ingenieure nicht intuitiv war. Dasselbe Prinzip gilt in der Robotik für die Entwicklung von Gangarten und in der KI in der Fertigung für die Optimierung von Produktionslinien.
  • KI im Gesundheitswesen: In der Medizin helfen KI bei komplexen Aufgaben wie der Einteilung des Krankenhauspersonals, um Ermüdungserscheinungen zu minimieren, oder der Optimierung von Strahlentherapieplänen. Sie werden auch in der Arzneimittelforschung eingesetzt, um in riesigen chemischen Räumen nach Molekülen mit spezifischen therapeutischen Eigenschaften zu suchen.

Evolutionäre Algorithmen im Vergleich zu verwandten Konzepten

Es ist hilfreich, EAs von anderen verwandten KI-Paradigmen abzugrenzen:

  • Schwarmintelligenz (SI): Beide sind von der Natur inspirierte, populationsbasierte Methoden. EAs konzentrieren sich jedoch auf die generationenübergreifende Verbesserung durch Selektion, Crossover und Mutation. Im Gegensatz dazu modelliert SI das kollektive Verhalten dezentraler Agenten (wie ein Vogelschwarm oder ein Ameisenvolk), die innerhalb einer einzigen Generation interagieren, um Probleme zu lösen.
  • Verstärkungslernen (RL): Beim Verstärkungslernen lernt ein einzelner Agent eine optimale Strategie, indem er mit einer Umgebung interagiert und Belohnungen oder Bestrafungen erhält. EA hingegen sind bevölkerungsbasierte Suchtechniken, die nicht notwendigerweise eine interaktive Umgebung oder ein explizites Belohnungssignal in gleicher Weise erfordern.
  • Gradientengestützte Optimierung: Algorithmen wie Stochastic Gradient Descent (SGD) und Adam basieren auf der Berechnung des Gradienten der Verlustfunktion, um die Modellparameter zu aktualisieren. EAs sind gradientenfrei, was sie sehr effektiv für Probleme macht, die nicht differenzierbar oder diskontinuierlich sind oder viele lokale Optima haben.

Werden Sie Mitglied der Ultralytics-Gemeinschaft

Beteiligen Sie sich an der Zukunft der KI. Vernetzen Sie sich, arbeiten Sie zusammen und wachsen Sie mit globalen Innovatoren

Jetzt beitreten
Link in die Zwischenablage kopiert