Evrimsel algoritma nedir? Hızlı rehber

Bu makalede ele alınan kavramları görsel olarak adım adım incelemek için aşağıdaki videoyu izle.

Dünya'daki yaşam milyonlarca yıl boyunca evrim geçirdi ve canlıların çevrelerine uyum sağlayarak hayatta kalıp gelişmesini sağlayan süreç de budur. Örneğin zürafaları ele alalım. Diğer hayvanların ulaşamadığı ağaçların yüksek dallarındaki yapraklara erişebilmek için nesiller boyunca uzun boyunlar geliştirdiler. Bu durum, yararlı özelliklere sahip olanların hayatta kalma olasılığı daha yüksek olduğundan bu özelliklerin yaygınlaşmasını sağlayan doğal seçilim tarafından yönlendirilir.

Basitçe ifade etmek gerekirse, çevrelerine daha iyi uyum sağlayan organizmaların hayatta kalma ve yararlı özelliklerini yavrularına aktarma olasılığı daha yüksektir. Zamanla bu küçük değişiklikler birikerek türlerin en zorlu koşullarla bile başa çıkmasına yardımcı olur.

Evrimsel algoritmalar (EA), “Makine Öğrenimi” genel başlığı altında yer alır. Tıpkı evrim gibi EA, bir grup içinden en iyi çözümleri seçer, küçük değişiklikler yapar ve bu değişikliklerin sonuçları iyileştirip iyileştirmediğini kontrol eder. Bu süreci birçok nesil boyunca tekrarlayarak çeşitli alanlardaki karmaşık sorunlar için en iyi çözümleri bulur.

Çok yönlülükleri sayesinde evrimsel algoritmalar, mühendislik, tıp ve çevre bilimi gibi alanlarda uygulanmalarını amaçlayan devam eden çalışmalarla ilgi çekici bir araştırma alanıdır. Bu makalede evrimsel algoritmaları, nasıl çalıştıklarını ve nerelerde kullanıldıklarını daha yakından inceleyeceğiz. Hadi başlayalım!

Evrimsel algoritmalar açıklanıyor#

Evrimsel algoritmalar, belirli bir görev için mümkün olan en iyi çözümü veya modeli bulmak amacıyla makine öğrenimi alanında kullanılabilen optimizasyon teknikleridir. Genellikle bir grup olası çözümle başlar ve sorunu ne kadar iyi çözdüklerine bağlı olarak birçok yineleme boyunca bu çözümleri iyileştirmeye çalışırlar.

Örneğin, yakıt açısından en verimli otomobili tasarlamaya çalıştığını düşün. Algoritma çeşitli otomobil tasarımlarıyla başlar, her birini ne kadar iyi performans gösterdiğini görmek için test eder ve ardından en iyi özellikleri birleştirip birçok tur boyunca küçük ayarlamalar yaparak tasarımları kademeli olarak iyileştirir; sonunda mümkün olan en iyi tasarımı bulur.

Her birinin çözümleri temsil etme ve iyileştirme yöntemi farklı olan çeşitli evrimsel algoritma türleri vardır, ancak hepsi bu temel yaklaşımı izler. Yaygın evrimsel algoritma türlerinden bazıları şunlardır:

• Genetik algoritmalar: Bu tür evrimsel algoritmada çözümler, sayı veya sembol dizileri gibi basit kodlanmış dizeler olarak temsil edilir. İyileştirme, iki iyi çözümün parçalarının birbirine karıştırılmasıyla (ebeveynlerden gelen özelliklerin birleştirilmesine benzer) ve yeni varyasyonlar oluşturmak için küçük rastgele değişiklikler yapılmasıyla gerçekleşir.

• Genetik programlama: Ağaç benzeri yapılar olarak çözümler oluşturmaya odaklanır. Çözümün bir dizi adım veya talimat gerektirdiği durumlarda özellikle kullanışlıdır.

• Evrim stratejileri: Burada odak noktası, çözümleri güncellerken değişikliklerin ne kadar büyük veya küçük olması gerektiğini öğrenmektir. Bu, algoritmanın zaman içinde sonuçlarını daha verimli biçimde iyileştirmesine yardımcı olur.

• Diferansiyel evrim: Bu yaklaşımda yeni çözümler, mevcut farklı çözümlerin parçalarının birleştirilmesiyle oluşturulur. Yanıtların sürekli değişebilen sayılar olduğu sorunlarda özellikle iyi çalışır.

Evrimsel algoritmaların nasıl çalıştığını anlamak#

Evrimsel algoritmalar, bir soruna en iyi çözümü bulmak için yinelemeli bir süreç kullanır. Bunu, türlerin nesiller boyunca iyileştirilmesine benzetebilirsin; her döngü popülasyonun gelişmesine yardımcı olur.

Farklı evrimsel algoritma türleri olsa da genellikle şu temel adımları izlerler:

• Başlatma: Algoritma, olası çözümlerden oluşan bir başlangıç kümesi oluşturarak işe başlar. Bu küme, evrimsel sürecin başlangıç noktasını oluşturur.

• Uygunluk değerlendirmesi: Her çözüm, sorunu ne kadar iyi çözdüğünü ölçen bir uygunluk işlevi kullanılarak değerlendirilir. Daha iyi performans gösteren çözümler daha yüksek puan alır ve sonraki adımlar için seçilme olasılıkları artar.

• Üreme: Yeni çözümler iki temel yöntemle oluşturulur: çaprazlama ve mutasyon. Çaprazlama, iki ebeveyn çözümün özelliklerini birleştirirken mutasyon, yeni olasılıkları keşfetmek için küçük rastgele değişiklikler ekler.

• Yerine koyma: Yeni oluşturulan çözümler, eski çözümlerin bir kısmının veya tamamının yerini alır. Bu adım, hangi çözümlerin hayatta kalacağını ve bir sonraki nesle geçeceğini belirler.

• Sonlandırma: Üreme ve yerine koyma süreci, bir durdurma koşulu karşılanana kadar devam eder. Bu koşul, belirli sayıda yinelemeye ulaşılması, tatmin edici bir uygunluk düzeyine erişilmesi, artık iyileşme görülmemesi veya hesaplama sınırlarına ulaşılması olabilir.

Şekil 1. Evrimsel algoritmaların nasıl çalıştığına bakış. Görselin sahibi: yazar.

Evrimsel algoritma uygulamalarına bakış#

Artık evrimsel algoritmaların ne olduğunu ve nasıl çalıştıklarını daha iyi anladığımıza göre, farklı sektörlerdeki gerçek dünya uygulamalarından bazılarını inceleyelim.

Rüzgâr enerjisi santrallerinde kullanılan biyolojik esinli algoritmalar#

Rüzgâr enerjisi üretiminin en kritik unsurlarından biri rüzgâr türbinlerinin yerleşimidir. Bir rüzgâr çiftliğinin verimliliği, türbinlerin birbirlerine ve rüzgâr koşullarına göre nasıl konumlandırıldığına bağlı olarak önemli ölçüde değişebilir. Geleneksel tasarım yöntemleri, çoğu zaman işin içindeki çok sayıdaki dış değişkeni ele almakta zorlanır.

Evrimsel algoritmalar, çok sayıda farklı rüzgâr çiftliği yerleşimi oluşturup test etmek için harika bir yoldur. En iyi düzeni bulmak için rüzgâr modelleri, türbin türleri ve kullanılabilir arazi gibi unsurları incelerler. Her test turunda tasarım iyileşir; bu da daha fazla enerji, daha düşük maliyet ve arazinin daha iyi kullanılmasını sağlar. Birkaç yinelemeden sonra nihai tasarım, elle hazırlanmış bir tasarımdan daha iyi enerji çıktısı sağlayabilir.

Şekil 2. Bir rüzgâr enerjisi santrali.

Araç tasarımında optimizasyon teknikleri#

Güvenli, yakıt açısından verimli ve uygun fiyatlı otomobiller tasarlamak, günümüz otomotiv üreticileri için temel bir önceliktir. Evrimsel algoritmalar, çok sayıda tasarım seçeneğini test edip en iyisini bulmak için bu seçenekleri kademeli olarak iyileştirerek süreci hızlandırmaya yardımcı olabilir. Bu, üreticilerin performans ile verimlilik arasında en iyi dengeyi bulmasına yardımcı olabilir.

İlginç bir örnek, aracın Beyaz Gövde (BIW) olarak bilinen ana gövde yapısını tasarlamak için evrimsel algoritmaların kullanılmasıdır. Bu tasarım sürecindeki temel amaç, aynı dayanıklılık ve gücü korurken gövdenin ağırlığını azaltmaktır.

Genetik algoritmalar, küçük değişikliklerle farklı yapısal varyasyonları keşfedebilir. Bu tasarımlar daha sonra en iyi seçeneği belirlemek için güç, ağırlık, dayanıklılık ve mevzuat standartları gibi faktörlere göre test edilir.

Şekil 3. Bir aracın Beyaz Gövde tasarım yapısı (kaynak).

Hastanelerde planlamada evrim stratejileri#

Araştırmacılar, evrimsel algoritmaların sağlık hizmetleri alanında hastane personelinin planlanması, tedavi planlarının iyileştirilmesi ve yeni ilaçların keşfedilmesi gibi konularda nasıl yardımcı olabileceğini aktif olarak araştırıyor. Bu algoritmalar, büyük miktarda veriyi işleyebilmeleri ve yorgunluk ile stres gibi unsurları dikkate alabilmeleri sayesinde iyi çalışır.

Örneğin, hastanelerde hemşire planlamasını iyileştirmek için genetik algoritmalar test edilmiştir. İlgi çekici bir çalışmada, hemşire yorgunluğunu azaltan çizelgeler oluşturmak için genetik algoritmalar ile yerel arama tekniklerinin bir birleşimi kullanılmıştır. Sonuçlar, yorgunlukta %10 azalma sağlandığını ve planlama sürecinin %98 daha hızlı hâle geldiğini; sürenin bir saati aşkın bir zamandan yalnızca bir dakikadan biraz uzun bir süreye indiğini gösterdi.

Şekil 4. Elle planlama ile genetik algoritma kullanımı arasındaki karşılaştırma (GA) (kaynak).

Bilgisayarlı görüde evrimsel tekniklerin rolü#

Evrimsel algoritmalar, makine öğrenimi uygulamalarının yanı sıra bilgisayarlı görü gibi alanlarda da kullanılabilir. Bilgisayarlı görü, makinelerin görüntü ve video gibi görsel verileri yorumlayıp analiz etmesini sağlayan yapay zekâ alanıdır. Devam eden araştırmalar, bu algoritmaların görüntü segmentasyonu, nesne algılama ve özellik çıkarma gibi görevlerdeki potansiyelini inceliyor.

Bu algoritmalar çok sayıda olası çözümü test edip en iyilerini seçerek çalışır; bu da onları esnek ve karmaşık, çeşitli görsel verileri işleyebilir hâle getirir. Örneğin araştırmacılar, göğüs röntgenleri gibi tıbbi görüntüleri analiz eden yapay zekâ sistemlerini iyileştirmek için evrimsel algoritmalar kullandı.

Evrişimli sinir ağları (CNNs) olarak bilinen bu yapay zekâ sistemleri, COVID-19 gibi hastalık belirtilerini tespit etmek için görüntüleri tarayarak uzman radyologlar gibi davranır. Evrimsel algoritma, CNN’nin yapısını ve ayarlarını otomatik olarak tasarlayıp ince ayarlayarak, birçok sürümü test edip en iyi performans gösterenleri koruyarak ve giderek daha doğru modeller oluşturarak yardımcı olur. Bu süreç, doktorların COVID-19'u daha hızlı ve doğru şekilde teşhis etmesine yardımcı olabilecek yapay zekâ araçlarının ortaya çıkmasını sağlar.

Evrimsel algoritmaların artıları ve eksileri#

Evrimsel algoritmaların sunduğu temel avantajlardan bazıları şunlardır:

• Küresel arama yeteneği: Evrimsel algoritmalar çözüm uzayının birçok bölümünü aynı anda keşfeder ve bu sayede kötü çözümlerde takılıp kalma olasılığını azaltır.
• Sağlamlık: Belirsiz ve değişken ortamlarda evrimsel algoritmanın rastlantısallığı ve çeşitli çözümleri, sistemin istikrarlı performansını korumasına yardımcı olur.
• Esneklik: Evrimsel algoritmalar, çözümlerin nasıl temsil edildiği ve başarının nasıl ölçüldüğü değiştirilerek birçok farklı sorun türünde iyi çalışacak şekilde uyarlanabilir.

Bu algoritmaların birçok faydası olsa da sınırlamalarının farkında olmak da önemlidir. Evrimsel algoritmaların yaygın dezavantajlarından bazıları şunlardır:

• Hesaplama maliyeti: Çok sayıda olası çözümü tekrar tekrar değerlendirmek, güçlü ve pahalı hesaplama kaynakları gerektirebilir; bu da bazı uygulamalarda algoritmaları yavaş veya maliyetli hâle getirir.
• Parametre hassasiyeti: Evrimsel algoritmaların başarısı çoğu zaman popülasyon büyüklüğü, mutasyon oranı ve seçim yöntemleri gibi doğru başlangıç ayarlarının seçilmesine büyük ölçüde bağlıdır. Hatalı seçimler performansı olumsuz etkileyebilir.
• Yavaş yakınsama: Özellikle çok karmaşık sorunlarda çözümleri iyileştirmek için çok sayıda yineleme gerekebilir; bu da diğer yöntemlere kıyasla daha uzun çalışma sürelerine yol açabilir.
• Uygunluk işlevi hassasiyeti: Uygunluk işlevinin kötü tasarlanması, algoritmaların amaçlanan sorunu çözmek yerine kusurlardan yararlanmasına neden olabilir ve geliştiricilerin gerçek performans konusunda yanlış yönlendirilmesine yol açabilir.

Önemli çıkarımlar#

Evrimsel algoritmalar, diğer yöntemlerin çözmekte zorlanabileceği güç sorunları çözmek için harika bir seçenektir. Araştırmalar, bu algoritmaların yinelemeler yoluyla kademeli olarak iyileştiğini ve çok çeşitli görevlere uyum sağlayabildiğini göstermiştir. Yapay zekâ ilerlemeye ve gelişmeye devam ettikçe bu algoritmaların, birçok farklı uygulamada akıllı, verimli ve kendi kendine öğrenen teknolojilerin geliştirilmesinde daha da büyük bir rol oynaması bekleniyor.

Büyüyen topluluğumuza katıl ve yapay zekâ kaynakları için GitHub depomuza göz at. Çözüm sayfalarımızda tarımda bilgisayarlı görünün ve lojistikte yapay zekânın farklı uygulamalarını keşfet. Bilgisayarlı görü projelerine başlamak için lisanslama seçeneklerimizi incele.