Algoritmos evolutivos

Los algoritmos evolutivos (EA) son un fascinante subconjunto de la inteligencia artificial y el aprendizaje automático que utilizan principios de la evolución biológica para resolver complejos problemas de optimización. Inspirados en la selección natural darwiniana, estos algoritmos refinan iterativamente una población de soluciones candidatas para encontrar el mejor resultado posible. En lugar de utilizar una única solución, los EA mantienen un conjunto diverso de posibles respuestas, lo que les permite explorar un amplio espacio de búsqueda y evitar quedarse atascados en soluciones subóptimas, un problema habitual en otros algoritmos de optimización.

Cómo funcionan los algoritmos evolutivos

El proceso central de una EA imita la evolución natural a través de varios pasos clave:

1. Inicialización: El algoritmo comienza creando una población inicial de soluciones candidatas aleatorias.
2. Evaluación de la aptitud: Cada solución de la población se evalúa utilizando una función de aptitud que mide lo bien que resuelve el problema objetivo. Por ejemplo, en el entrenamiento de un modelo de visión por ordenador, la aptitud podría medirse por la precisión del modelo.
3. Selección: Los individuos "más aptos" son seleccionados para convertirse en "padres" de la siguiente generación. Este paso es análogo a la "supervivencia del más apto".
4. Reproducción (cruce y mutación): Los padres seleccionados crean descendencia. El cruce combina partes de dos soluciones parentales para crear una nueva, mientras que la mutación introduce pequeños cambios aleatorios en una solución. Estas operaciones introducen nuevas variaciones en la población, impulsando la búsqueda de mejores soluciones.
5. Terminación: Este ciclo se repite durante muchas generaciones hasta que se encuentra una solución satisfactoria o se cumple un criterio de parada predefinido (como el número de generaciones).

Los tipos más comunes de EA son los algoritmos genéticos (AG), la programación genética, las estrategias de evolución (EE) y la evolución diferencial (ED).

Aplicaciones reales

Las EA son muy versátiles y se utilizan para abordar problemas en los que el espacio de búsqueda es grande, complejo o poco conocido.

• Ajuste de hiperparámetros para modelos de aprendizaje automático: Una de las aplicaciones más comunes en ML es encontrar los hiperparámetros óptimos (como ritmo de aprendizaje o arquitectura de red) para un modelo. La biblioteca Ultralytics incluye un Tuner clase que aprovecha los EA para encontrar automáticamente la mejor configuración para la formación Ultralytics YOLO modelos, un proceso que se detalla en nuestro Guía de ajuste de hiperparámetros. Esto puede ampliarse aún más utilizando integraciones como Ray Tune para experimentos distribuidos gestionados con herramientas como HUB de Ultralytics.
• Optimización del diseño y la ingeniería: Las EA se utilizan para crear diseños óptimos de sistemas complejos. Un ejemplo famoso es el uso que hizo la NASA de los EA para diseñar una antena para su nave espacial ST5. El algoritmo desarrolló una forma de antena novedosa y muy eficiente que no era intuitiva para los ingenieros humanos. Este mismo principio se aplica a la robótica para hacer evolucionar los movimientos y a la IA en la fabricación para optimizar las líneas de producción.
• La IA en la sanidad: En medicina, las EA ayudan en tareas complejas como la programación del personal hospitalario para minimizar la fatiga o la optimización de los planes de radioterapia. También se utilizan en el descubrimiento de fármacos para buscar en vastos espacios químicos moléculas con propiedades terapéuticas específicas.

Algoritmos evolutivos frente a conceptos afines

Resulta útil diferenciar las EA de otros paradigmas de IA relacionados:

• Inteligencia de enjambre (SI): Ambos son métodos basados en poblaciones e inspirados en la naturaleza. Sin embargo, los EA se centran en la mejora generacional mediante selección, cruce y mutación. En cambio, la inteligencia de enjambre modela el comportamiento colectivo de agentes descentralizados (como una bandada de pájaros o una colonia de hormigas) que interactúan en una única generación para resolver problemas.
• Aprendizaje por refuerzo (RL): El RL implica que un único agente aprenda una política óptima interactuando con un entorno y recibiendo recompensas o penalizaciones. Los EA, por su parte, son técnicas de búsqueda basadas en poblaciones que no requieren necesariamente un entorno interactivo o una señal de recompensa explícita de la misma manera.
• Optimización basada en gradientes: Algoritmos como el Descenso Gradiente Estocástico (SGD) y Adam se basan en el cálculo del gradiente de la función de pérdida para actualizar los parámetros del modelo. Los EA no tienen gradiente, lo que los hace muy eficaces en problemas no diferenciables, discontinuos o con muchos óptimos locales.