Algorithmes évolutionnaires

Les algorithmes évolutionnaires (AE) sont un sous-ensemble fascinant de l'intelligence artificielle et de l'apprentissage automatique qui utilisent les principes de l'évolution biologique pour résoudre des problèmes d'optimisation complexes. Inspirés par la sélection naturelle darwinienne, ces algorithmes affinent de manière itérative une population de solutions candidates pour trouver le meilleur résultat possible. Au lieu d'utiliser une seule solution, les AE maintiennent un ensemble diversifié de réponses potentielles, ce qui leur permet d'explorer un large espace de recherche et d'éviter de rester bloqués dans des solutions sous-optimales, un problème courant avec d'autres algorithmes d'optimisation.

Comment fonctionnent les algorithmes évolutionnaires ?

Le processus central d'un AE imite l'évolution naturelle à travers plusieurs étapes clés :

1. Initialisation : L'algorithme commence par créer une population initiale de solutions candidates aléatoires.
2. Évaluation de la condition physique : Chaque solution de la population est évaluée à l'aide d'une fonction de condition physique qui mesure sa capacité à résoudre le problème cible. Par exemple, lors de l'entraînement d'un modèle de vision par ordinateur, la condition physique pourrait être mesurée par la précision du modèle.
3. Sélection : Les individus les plus "aptes" sont sélectionnés pour devenir les "parents" de la prochaine génération. Cette étape est analogue à la "survie du plus apte".
4. Reproduction (Croisement et Mutation) : Les parents sélectionnés créent une progéniture. Le croisement combine des parties de deux solutions parentales pour en créer une nouvelle, tandis que la mutation introduit de petites modifications aléatoires à une solution. Ces opérations introduisent de nouvelles variations dans la population, stimulant la recherche de meilleures solutions.
5. Arrêt : Ce cycle se répète pendant de nombreuses générations jusqu'à ce qu'une solution satisfaisante soit trouvée ou qu'un critère d'arrêt prédéfini (comme le nombre de générations) soit rempli.

Les types courants d'AE comprennent les algorithmes génétiques (AG), la programmation génétique, les stratégies d'évolution (SE) et l'évolution différentielle (ED).

Applications concrètes

Les AE sont très polyvalents et sont utilisés pour s'attaquer à des problèmes où l'espace de recherche est vaste, complexe ou mal compris.

• Optimisation des hyperparamètres pour les modèles d'apprentissage automatique : L'une des applications les plus courantes en ML est la recherche des hyperparamètres optimaux (comme taux d'apprentissage ou l'architecture du réseau) pour un modèle. La bibliothèque Ultralytics inclut un Tuner classe qui exploite les AE pour trouver automatiquement les meilleurs paramètres d'entraînement Ultralytics YOLO modèles, un processus détaillé dans notre Guide de réglage des hyperparamètres. Cela peut être mis à l'échelle davantage grâce à des intégrations telles que Ray Tune pour les expériences distribuées gérées avec des outils tels que Ultralytics HUB.
• Optimisation de la conception et de l'ingénierie : Les AE sont utilisés pour créer des conceptions optimales pour les systèmes complexes. Un exemple célèbre est l'utilisation des AE par la NASA pour concevoir une antenne pour son vaisseau spatial ST5. L'algorithme a fait évoluer une forme d'antenne nouvelle et très efficace qui n'était pas intuitive pour les ingénieurs humains. Ce même principe s'applique à la robotique pour faire évoluer les modes de déplacement et à l'IA dans la fabrication pour optimiser les lignes de production.
• IA dans le domaine de la santé : En médecine, les algorithmes évolutionnaires (AE) aident à réaliser des tâches complexes comme la planification du personnel hospitalier afin de minimiser la fatigue ou l'optimisation des plans de radiothérapie. Ils sont également utilisés dans la découverte de médicaments pour rechercher dans de vastes espaces chimiques des molécules ayant des propriétés thérapeutiques spécifiques.

Algorithmes évolutionnaires vs. Concepts connexes

Il est utile de différencier les AE des autres paradigmes d'IA connexes :

• Intelligence en essaim (SI) : Les deux sont des méthodes inspirées par la nature et basées sur la population. Cependant, les AE se concentrent sur l'amélioration générationnelle via la sélection, le croisement et la mutation. En revanche, la SI modélise le comportement collectif d'agents décentralisés (comme un vol d'oiseaux ou une colonie de fourmis) interagissant au sein d'une seule génération pour résoudre des problèmes.
• Apprentissage par renforcement (RL) : Le RL implique un seul agent qui apprend une politique optimale en interagissant avec un environnement et en recevant des récompenses ou des pénalités. Les AE, en revanche, sont des techniques de recherche basées sur la population qui ne nécessitent pas nécessairement un environnement interactif ou un signal de récompense explicite de la même manière.
• Optimisation basée sur le gradient : Les algorithmes tels que la descente de gradient stochastique (SGD) et Adam reposent sur le calcul du gradient de la fonction de perte pour mettre à jour les paramètres du modèle. Les algorithmes évolutionnaires (AE) sont sans gradient, ce qui les rend très efficaces pour les problèmes non différentiables, discontinus ou comportant de nombreux optima locaux.