Algoritmos evolutivos

Os Algoritmos Evolutivos (AE) são um subconjunto fascinante da inteligência artificial e da aprendizagem automática que utiliza princípios da evolução biológica para resolver problemas de otimização complexos. Inspirados na seleção natural darwiniana, estes algoritmos refinam iterativamente uma população de soluções candidatas para encontrar o melhor resultado possível. Em vez de utilizarem uma única solução, os EAs mantêm um conjunto diversificado de potenciais respostas, o que lhes permite explorar um espaço de pesquisa alargado e evitar ficarem presos em soluções subóptimas, um problema comum a outros algoritmos de otimização.

Como funcionam os algoritmos evolutivos

O processo central de uma EA imita a evolução natural através de várias etapas fundamentais:

1. Inicialização: O algoritmo começa por criar uma população inicial de soluções candidatas aleatórias.
2. Avaliação da aptidão: Cada solução da população é avaliada através de uma função de aptidão que mede o seu grau de resolução do problema em causa. Por exemplo, no treino de um modelo de visão por computador, a aptidão pode ser medida pela exatidão do modelo.
3. Seleção: Os indivíduos "mais aptos" são selecionados para se tornarem "pais" da geração seguinte. Este passo é análogo à "sobrevivência do mais apto".
4. Reprodução (Cruzamento e Mutação): Os pais selecionados criam descendentes. O cruzamento combina partes de duas soluções-mãe para criar uma nova, enquanto a mutação introduz pequenas alterações aleatórias numa solução. Estas operações introduzem novas variações na população, impulsionando a procura de melhores soluções.
5. Terminação: Este ciclo repete-se durante muitas gerações até ser encontrada uma solução satisfatória ou até ser cumprido um critério de paragem predefinido (como o número de gerações).

Os tipos comuns de EAs incluem Algoritmos Genéticos (GAs), Programação Genética, Estratégias de Evolução (ES) e Evolução Diferencial (DE).

Aplicações no mundo real

Os EAs são altamente versáteis e são utilizados para resolver problemas em que o espaço de pesquisa é grande, complexo ou mal compreendido.

• Afinação de hiperparâmetros para modelos de aprendizagem automática: Uma das aplicações mais comuns em ML é encontrar os hiperparâmetros óptimos (como taxa de aprendizagem ou arquitetura de rede) para um modelo. A biblioteca Ultralytics inclui um Tuner classe que utiliza EAs para encontrar automaticamente as melhores definições para a formação Ultralytics YOLO modelos, um processo detalhado na nossa Guia de afinação de hiperparâmetros. Isto pode ser ainda mais escalado utilizando integrações como Ray Tune para experiências distribuídas geridas com ferramentas como HUB Ultralítico.
• Otimização do design e da engenharia: Os EAs são utilizados para criar concepções óptimas para sistemas complexos. Um exemplo famoso é a utilização de EAs pela NASA para conceber uma antena para a sua nave espacial ST5. O algoritmo desenvolveu uma forma de antena nova e altamente eficiente que não era intuitiva para os engenheiros humanos. Este mesmo princípio aplica-se à robótica para a evolução dos movimentos e à IA na indústria transformadora para otimizar as linhas de produção.
• IA nos cuidados de saúde: Na medicina, as IA ajudam em tarefas complexas, como a programação do pessoal hospitalar para minimizar a fadiga ou a otimização dos planos de radioterapia. Também são utilizadas na descoberta de medicamentos para procurar em vastos espaços químicos moléculas com propriedades terapêuticas específicas.

Algoritmos evolutivos vs. conceitos relacionados

É útil diferenciar as EA de outros paradigmas de IA relacionados:

• Inteligência de enxame (SI): Ambos são métodos inspirados na natureza e baseados em populações. No entanto, os EAs centram-se na melhoria geracional através da seleção, cruzamento e mutação. Em contrapartida, a SI modela o comportamento coletivo de agentes descentralizados (como um bando de pássaros ou uma colónia de formigas) que interagem numa única geração para resolver problemas.
• Aprendizagem por reforço (RL): A RL envolve um único agente que aprende uma política óptima interagindo com um ambiente e recebendo recompensas ou penalizações. Os EA, por outro lado, são técnicas de pesquisa baseadas na população que não requerem necessariamente um ambiente interativo ou um sinal de recompensa explícito da mesma forma.
• Otimização baseada em gradientes: Algoritmos como o Stochastic Gradient Descent (SGD) e o Adam baseiam-se no cálculo do gradiente da função de perda para atualizar os parâmetros do modelo. Os EAs são livres de gradiente, o que os torna altamente eficazes para problemas não diferenciáveis, descontínuos ou com muitos ótimos locais.