Evolutionary Algorithms

Los algoritmos evolutivos (EAs) son una potente familia de algoritmos de optimización que emulan los principios biológicos de la selección natural y la genética para resolver problemas computacionales complejos. A diferencia de las técnicas matemáticas tradicionales que se basan en derivadas calculadas mediante cálculo, como el descenso de gradiente estocástico (SGD), los EAs están diseñados para explorar espacios de búsqueda vastos, abruptos o poco conocidos. Funcionan manteniendo una población de posibles soluciones que compiten, se reproducen y mutan con el tiempo. Este enfoque los hace especialmente eficaces para tareas de inteligencia artificial (AI) en las que resulta difícil determinar analíticamente cuál es la «mejor» solución, lo que permite a los sistemas evolucionar iterativamente hacia un resultado óptimo.

Inspiración biológica y mecanismos fundamentales#

El funcionamiento de un algoritmo evolutivo se basa en el concepto de supervivencia del más apto. El proceso sigue un ciclo de operadores diseñados para imitar la evolución genética natural y perfeccionar gradualmente las soluciones candidatas:

1. Inicialización: El sistema genera una población inicial de candidatos aleatorios. En el contexto del aprendizaje automático (ML), estos candidatos podrían representar distintos conjuntos de parámetros del modelo.

2. Evaluación de la aptitud: Cada candidato se prueba frente a un objetivo específico, conocido como función de aptitud. En un modelo de visión por ordenador (CV), esta función suele evaluar métricas como la exactitud o la precisión media promedio (mAP).

3. Selección: Los candidatos con puntuaciones de aptitud más altas se seleccionan probabilísticamente para actuar como progenitores, garantizando que los rasgos satisfactorios se conserven para la siguiente generación.

4. Reproducción y variación: Se crean nuevas soluciones mediante el cruzamiento (recombinación de rasgos de dos progenitores) y la mutación (introducción de cambios aleatorios). Esta introducción de diversidad genética es fundamental, ya que evita que el algoritmo se estanque en un óptimo local y le ayuda a explorar el espacio de búsqueda en busca del máximo global.

Aplicaciones reales en IA#

Los algoritmos evolutivos son versátiles y se han aplicado con éxito a diversos ámbitos del aprendizaje profundo (DL) y la ingeniería.

Ajuste automatizado de hiperparámetros#

Una de las aplicaciones más prácticas de los EAs es el ajuste de hiperparámetros. Las redes neuronales modernas requieren configurar decenas de parámetros —como la tasa de aprendizaje, la disminución de pesos y el momento— que afectan significativamente al rendimiento. Los EAs pueden automatizar este tedioso proceso de prueba y error mediante la evolución de los ajustes de configuración. Por ejemplo, el método tune() de la biblioteca Ultralytics utiliza un algoritmo genético para descubrir los mejores hiperparámetros de entrenamiento para modelos YOLO26 en conjuntos de datos personalizados.

Búsqueda de arquitectura neuronal (NAS)#

Los EAs son fundamentales para la búsqueda de arquitectura neuronal (NAS). En lugar de que los ingenieros diseñen manualmente la estructura de una red neuronal (NN), un algoritmo evolutivo puede «hacer crecer» la arquitectura. Prueba distintas combinaciones de capas, neuronas y conexiones, y desarrolla estructuras eficientes que equilibran velocidad y exactitud. Esta técnica ha propiciado la creación de redes troncales muy eficientes, como EfficientNet, optimizadas para restricciones de hardware específicas.

Algoritmos evolutivos frente a inteligencia de enjambre#

Aunque ambas son estrategias de optimización inspiradas en la naturaleza, resulta útil distinguir los EAs de la inteligencia de enjambre (SI).

• Algoritmos evolutivos: Se basan en el cambio generacional. Los individuos (soluciones) viven, se reproducen en función de su aptitud y mueren, y son sustituidos por su descendencia. Los principales impulsores son operadores genéticos como la mutación y el cruzamiento.
• Inteligencia de enjambre: Imita la interacción social dentro de un grupo, como una bandada de aves o un banco de peces. Algoritmos como la optimización por enjambre de partículas (PSO) implican una población de agentes que se desplazan por el espacio de búsqueda y ajustan sus posiciones en función de su propia experiencia y del éxito de sus vecinos, sin sustitución generacional.

Implementación de la optimización con Ultralytics#

Los profesionales pueden aprovechar directamente los algoritmos genéticos para optimizar sus modelos de detección de objetos. El método tune de Ultralytics ejecuta un proceso evolutivo que muta los hiperparámetros durante varias generaciones e identifica automáticamente los ajustes que ofrecen el mayor rendimiento en tus datos de validación.

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)

Este perfeccionamiento automatizado permite a los desarrolladores ir más allá de las conjeturas manuales. Para los equipos que amplían sus operaciones, la gestión de estos experimentos y el seguimiento de la evolución del rendimiento de los modelos pueden agilizarse mediante la plataforma Ultralytics, que visualiza las métricas de entrenamiento y facilita el despliegue de modelos.