Эволюционные алгоритмы

Эволюционные алгоритмы (EA) — это увлекательное подмножество искусственного интеллекта и машинного обучения, которое использует принципы биологической эволюции для решения сложных задач оптимизации. Вдохновленные дарвиновским естественным отбором, эти алгоритмы итеративно совершенствуют популяцию возможных решений, чтобы найти наилучший возможный результат. Вместо использования одного решения, EA поддерживают разнообразный набор потенциальных ответов, что позволяет им исследовать широкое пространство поиска и избегать застревания в субоптимальных решениях, что является распространенной проблемой с другими алгоритмами оптимизации.

Как работают эволюционные алгоритмы

Основной процесс EA имитирует естественную эволюцию посредством нескольких ключевых этапов:

1. Инициализация: Алгоритм начинается с создания начальной популяции случайных решений-кандидатов.
2. Оценка пригодности: Каждое решение в популяции оценивается с использованием функции пригодности, которая измеряет, насколько хорошо оно решает целевую задачу. Например, при обучении модели компьютерного зрения пригодность можно измерить точностью модели.
3. Отбор: «Наиболее приспособленные» особи отбираются для того, чтобы стать «родителями» для следующего поколения. Этот шаг аналогичен «выживанию наиболее приспособленных».
4. Воспроизведение (кроссовер и мутация): Выбранные родители создают потомство. Кроссовер объединяет части двух родительских решений для создания нового, в то время как мутация вносит небольшие случайные изменения в решение. Эти операции вносят новые вариации в популяцию, стимулируя поиск лучших решений.
5. Прекращение: Этот цикл повторяется на протяжении многих поколений, пока не будет найдено удовлетворительное решение или не будет достигнут предопределенный критерий остановки (например, количество поколений).

К распространенным типам ЭА относятся генетические алгоритмы (GA), генетическое программирование, стратегии эволюции (ES) и дифференциальная эволюция (DE).

Применение в реальном мире

EA — это универсальные инструменты, которые используются для решения проблем, где пространство поиска велико, сложно или плохо изучено.

• Настройка гиперпараметров для моделей машинного обучения: Одним из наиболее распространенных применений в ML является поиск оптимальных гиперпараметров (например, скорость обучения или архитектуру сети) для модели. Библиотека Ultralytics включает в себя Tuner класс, который использует EA для автоматического поиска лучших настроек для обучения Ultralytics YOLO моделей, процесс подробно описан в нашем руководстве по настройке гиперпараметровЭто можно дополнительно масштабировать, используя такие интеграции, как Ray Tune для распределенных экспериментов, управляемых с помощью таких инструментов, как Ultralytics HUB.
• Оптимизация проектирования и инжиниринга: ЭА используются для создания оптимальных проектов сложных систем. Известным примером является использование НАСА ЭА для проектирования антенны для своего космического аппарата ST5. Алгоритм разработал новую, высокоэффективную форму антенны, которая была не интуитивна для инженеров. Этот же принцип применяется в робототехнике для разработки походки и в ИИ в производстве для оптимизации производственных линий.
• ИИ в здравоохранении: В медицине EA помогают в решении сложных задач, таких как составление графика работы персонала больницы для минимизации усталости или оптимизация планов лучевой терапии. Они также используются в разработке лекарств для поиска в огромных химических пространствах молекул с определенными терапевтическими свойствами.

Эволюционные алгоритмы в сравнении со смежными концепциями

Полезно отличать EAs от других связанных парадигм ИИ:

• Интеллект роя (SI): Оба являются вдохновленными природой методами, основанными на популяциях. Однако EA сосредоточены на улучшении поколений посредством отбора, кроссовера и мутации. В отличие от этого, SI моделирует коллективное поведение децентрализованных агентов (таких как стая птиц или колония муравьев), взаимодействующих в пределах одного поколения для решения проблем.
• Обучение с подкреплением (RL): RL включает в себя одного агента, изучающего оптимальную политику посредством взаимодействия с окружающей средой и получения вознаграждений или штрафов. EAs, с другой стороны, являются популяционными методами поиска, которые не обязательно требуют интерактивной среды или явного сигнала вознаграждения таким же образом.
• Оптимизация на основе градиента: Алгоритмы, такие как Стохастический градиентный спуск (SGD) и Adam, полагаются на вычисление градиента функции потерь для обновления параметров модели. EA не используют градиент, что делает их очень эффективными для проблем, которые не являются дифференцируемыми, разрывными или имеют много локальных оптимумов.