Algoritmos Evolucionários

Os algoritmos evolutivos (EAs) representam uma classe robusta de técnicas de pesquisa de inteligência artificial (IA) inspirada nos princípios biológicos da seleção natural e da genética. Ao contrário dos métodos matemáticos tradicionais métodos matemáticos tradicionais que se baseiam em cálculos de derivadas, estes algoritmos simulam o processo de evolução para resolver problemas de otimização complexos. Ao manter uma Ao manter uma população de soluções potenciais que competem, se reproduzem e sofrem mutações, os EAs podem navegar em espaços de pesquisa vastos e acidentados onde a "melhor" resposta é desconhecida ou impossível de obter analiticamente. Isto torna-os particularmente valiosos na aprendizagem automática (ML) para tarefas tarefas que vão desde a conceção de modelos automatizados até à programação complexa.

Mecanismos fundamentais da evolução

A funcionalidade de um Algoritmo Evolutivo reflecte o conceito de sobrevivência do mais apto. O processo refina iterativamente um conjunto de soluções candidatas através de um ciclo de operadores biológicos:

1. Inicialização: O sistema gera uma população aleatória de potenciais soluções para o problema.
2. Avaliação da aptidão: Cada candidato é testado em relação a uma função de aptidão. Na visão por computador (CV), esta função mede frequentemente mede a exatidão de um modelo ou a precisão média mAP).
3. Seleção: Os candidatos com maior pontuação de aptidão são selecionados para actuarem como pais da próxima geração.
4. Reprodução e Variação: Novas soluções são criadas usando cruzamento (combinação de caraterísticas de dois pais) e mutação (introduzindo alterações alterações aleatórias). A mutação é fundamental, uma vez que introduz diversidade genética, evitando que o algoritmo fique preso num local ótimo em vez de encontrar o ótimo global.

Aplicações do mundo real em IA

Os algoritmos evolutivos são ferramentas versáteis utilizadas em vários domínios de grande impacto para melhorar o desempenho dos sistemas:

• Afinação de hiperparâmetros: Uma das aplicações mais comuns em aprendizagem profunda (DL) é a otimização das configurações configurações. Em vez de adivinhar manualmente os valores para a taxa de aprendizagem, momentum ou decaimento de peso, um EA pode um EA pode desenvolver um conjunto de hiperparâmetros que maximizam o desempenho do modelo. O Ultralytics YOLO11 inclui um sintonizador baseado em baseado em algoritmos genéticos para automatizar este processo.
• Pesquisa de Arquitetura Neural (NAS): Os EAs automatizam a conceção de redes neuronais. Ao tratar a estrutura da rede (camadas, ligações) como código genético, o algoritmo pode desenvolver arquitecturas altamente eficientes adequadas para dispositivos de IA de ponta onde os recursos computacionais são limitados.
• Robótica e Controlo: Em IA em robótica, os EAs desenvolvem políticas de controlo e de controlo e de movimentos. Isto permite que os robôs autónomos aprendam a navegar em ambientes dinâmicos através da simulação de gerações de estratégias de movimento.
• Otimização ambiental: Em sectores como a IA na agricultura, os EAs ajudam a otimizar a atribuição de recursos alocação de recursos, como horários de irrigação ou colocação de culturas, para maximizar o rendimento e minimizar o desperdício.

Automatizar a otimização com Python

Os profissionais podem tirar partido dos algoritmos evolutivos diretamente no ultralytics para encontrar a configuração de treino óptima para deteção de objectos models. O tune utiliza um algoritmo genético para alterar os hiperparâmetros ao longo de várias gerações.

from ultralytics import YOLO

# Load a standard YOLO11 model
model = YOLO("yolo11n.pt")

# Run hyperparameter tuning using a genetic algorithm approach
# The tuner evolves parameters like lr0, momentum, and weight_decay
# 'iterations' defines how many evolutionary generations to run
model.tune(data="coco8.yaml", epochs=10, iterations=30, optimizer="AdamW", plots=False)

Distinguir conceitos relacionados

Para aplicar eficazmente estas técnicas, é útil diferenciar os Algoritmos Evolutivos de outras estratégias de otimização e estratégias de aprendizagem:

• Vs. Descida de Gradiente Estocástico (SGD): Métodos de treinamento padrão como Descida de Gradiente Estocástico (SGD) dependem do cálculo da derivada de uma função de perda para atualizar os pesos. Os EAs são sem gradiente, o que significa que podem otimizar problemas não diferenciáveis ou discretos em que os gradientes não estão disponíveis.
• Vs. Inteligência de enxame: Embora ambas sejam bio-inspiradas, a Inteligência de Enxame (por exemplo, a Otimização Colónia de Formigas) centra-se no comportamento coletivo de agentes descentralizados que interagem num único período de vida. Em Em contraste, os EAs baseiam-se na substituição geracional de soluções, onde os candidatos mais fracos são candidatos mais fracos são descartados em favor de descendentes de pais mais fortes.
• Vs. Aprendizagem por reforço: A Aprendizagem por Reforço (RL) envolve a aprendizagem de um envolve a aprendizagem de um agente através de interações de tentativa e erro com um ambiente para maximizar um sinal de recompensa. Embora os EAs possam otimizar políticas, fazem-no através da evolução de uma população de parâmetros de política em vez de aprenderem através de ciclos contínuos de interação agente-ambiente.

Para mais informações sobre como melhorar o desempenho do modelo, explore os nossos guias sobre dicas de treinamento de modelos e prevenção de sobreajuste.