Evolutionary Algorithms

進化計算が自然淘汰を利用してAI問題を解決する方法を解説します。Ultralytics YOLO26のハイパーパラメータを最適化し、モデルのパフォーマンスを強化する方法を学びましょう。

進化計算（EA: Evolutionary Algorithms）は、自然淘汰や遺伝といった生物学的な原則を模倣し、複雑な計算問題を解決するための強力な最適化アルゴリズム群です。確率的勾配降下法（SGD）のように微分計算に基づく従来の数学的手法とは異なり、EAは広大で複雑、あるいは不明瞭な探索空間をナビゲートするように設計されています。EAは、互いに競争し、繁殖し、時間の経過とともに変異する潜在的な解の集団を維持することで動作します。人工知能（AI）のタスクにおいて、何が「最善」の解であるかを分析的に決定することが困難な場合に特に有効であり、システムが最適解に向けて反復的に進化することを可能にします。

Link to this section生物学的なインスピレーションと中核となるメカニズム#

進化計算の機能は、適者生存の概念に基づいています。このプロセスは、自然の遺伝的進化を模倣するように設計されたオペレーターのサイクルを通じて進行し、候補となる解を段階的に洗練させていきます。

初期化: システムはランダムな候補の初期集団を生成します。機械学習（ML）の文脈では、これらの候補は異なるモデルパラメータセットを表す場合があります。
適応度評価: 各候補は、適応度関数として知られる特定の目的関数に対してテストされます。コンピュータビジョン（CV）モデルの場合、この関数は通常、精度やMean Average Precision (mAP)といった指標を評価します。
選択: 適応度スコアが高い候補が親として確率的に選択され、成功した特性が次世代に確実に引き継がれるようにします。
繁殖と多様化: 交叉（2つの親から特性を組み換える）および突然変異（ランダムな変化を導入する）を通じて、新しい解が作成されます。この遺伝的多様性の導入は極めて重要であり、アルゴリズムが局所最適解に留まることを防ぎ、大域的最適解を求めて探索空間を探索する助けとなります。

Link to this sectionAIにおける現実世界の応用#

進化計算は汎用性が高く、ディープラーニング（DL）やエンジニアリングの様々な領域で活用されています。

Link to this sectionハイパーパラメータの自動調整#

EAの最も実用的な応用の一つにハイパーパラメータ調整があります。現代のニューラルネットワークでは、学習率、重み減衰、モメンタムなど、パフォーマンスに大きな影響を与える多数のパラメータを設定する必要があります。EAは、設定値を進化させることで、この退屈な試行錯誤プロセスを自動化できます。例えば、Ultralyticsライブラリの tune() メソッドは、遺伝的アルゴリズムを使用して、カスタムデータセットにおけるYOLO26モデルの最適な学習ハイパーパラメータを探索します。

Link to this sectionニューラルアーキテクチャ探索（NAS）#

EAはニューラルアーキテクチャ探索（NAS）の要です。エンジニアが手作業でニューラルネットワーク（NN）の構造を設計する代わりに、進化アルゴリズムがアーキテクチャを「成長」させることができます。レイヤー、ニューロン、接続のさまざまな組み合わせをテストし、速度と精度のバランスが取れた効率的な構造を進化させます。この技術により、特定のハードウェア制約に最適化されたEfficientNetのような、非常に効率的なバックボーンが作成されています。

Link to this section進化計算と群知能の比較#

どちらも自然界の着想を得た最適化戦略ですが、EAと群知能（SI）を区別することは有用です。

進化計算: 世代交代に依存します。個体（解）は生存し、適応度に基づいて繁殖し、やがて死亡して子孫と置き換わります。主な推進力は、突然変異や交叉といった遺伝的オペレーターです。
群知能: 鳥の群れや魚の群れのように、グループ内での社会的相互作用を模倣します。粒子群最適化（PSO）のようなアルゴリズムでは、エージェントの集団が探索空間内を移動し、世代交代を伴わずに、自分自身の経験や近隣エージェントの成功に基づいて位置を調整します。

Link to this sectionUltralyticsによる最適化の実装#

開発者は遺伝的アルゴリズムを直接活用して、物体検出モデルを最適化できます。Ultralyticsの tune メソッドは、進化的プロセスを実行して数世代にわたってハイパーパラメータを突然変異させ、検証データにおいて最も高いパフォーマンスをもたらす設定を自動的に特定します。

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)

This automated refinement allows developers to move beyond manual guessing. For teams scaling their operations, managing these experiments and tracking the evolution of model performance can be streamlined using the Ultralytics Platform, which visualizes training metrics and facilitates model deployment.