Evrimsel algoritma nedir? Kısa bir kılavuz

Dünya üzerindeki yaşam milyonlarca yıl boyunca evrimleşti ve canlılar bu süreçte çevrelerinde hayatta kalıp gelişmek üzere uyum sağladı. Örneğin zürafaları ele alalım. Diğer hayvanların erişemediği, ağaçların yüksek dallarındaki yapraklara ulaşabilmek için nesiller boyunca uzun boyunlar geliştirdiler. Bu değişime doğal seçilim yön verir; yararlı özelliklere sahip canlıların hayatta kalma olasılığı daha yüksek olduğundan bu özellikler zamanla yaygınlaşır.

Basitçe söylemek 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 koşullara bile dayanmasına yardımcı olur.

Evrimsel algoritmalar (EA), “hesaplamalı zekâ” şemsiye terimi altında yer alır. Tıpkı evrim gibi bir EA, bir grup içinden en iyi çözümleri seçer, küçük değişiklikler yapar ve bu değişikliklerin işleri iyileştirip iyileştirmediğini kontrol eder. Bu süreci birçok nesil boyunca tekrarlayarak farklı alanlardaki karmaşık sorunlar için en iyi çözümleri bulur.

Çok yönlülükleri sayesinde evrimsel algoritmalar, mühendislik, tıp ve çevre bilimi gibi alanlarda kullanılmalarını amaçlayan çalışmaların sürdüğü ilgi çekici bir araştırma konusudur. Bu makalede evrimsel algoritmaları, nasıl çalıştıklarını ve nerelerde kullanıldıklarını daha yakından inceleyeceğiz.

Evrimsel algoritmaların açıklaması#

Evrimsel algoritmalar, belirli bir görev için mümkün olan en iyi çözümü veya modeli bulmak amacıyla makine öğrenmesi alanında kullanılabilen optimizasyon teknikleridir. Genellikle olası çözümlerden oluşan bir grupla başlar ve sorunu ne kadar iyi çözdüklerine bağlı olarak çözümleri birçok yineleme boyunca iyileştirirler.

Örneğin, yakıt verimliliği en yüksek otomobili tasarlamaya çalıştığını düşün. Algoritma çeşitli otomobil tasarımlarıyla başlar, her birinin performansını sınar ve ardından en iyi özellikleri birleştirip küçük ayarlamalar yaparak tasarımları birçok tur boyunca kademeli olarak iyileştirir; sonunda mümkün olan en iyi tasarımı bulur.

Her biri çözümleri temsil etme ve iyileştirme konusunda kendine özgü bir yönteme sahip çeşitli evrimsel algoritma türleri vardır, ancak hepsi bu temel yaklaşımı izler. Yaygın evrimsel algoritma türlerinden bazıları şunlardır:

• Genetik algoritmalar: Bu evrimsel algoritma türünde çözümler, sayı veya sembol dizileri gibi basit kodlanmış dizelerle temsil edilir. İyileştirme, iki iyi çözümün parçalarını karıştırıp (ebeveynlerden gelen özellikleri birleştirmeye benzer) yeni çeşitler oluşturmak için küçük, rastgele değişiklikler yaparak gerçekleşir.
• Genetik programlama: Çözümleri ağaç benzeri yapılar olarak oluşturmaya odaklanır. Çözümün bir dizi adım veya talimat gerektirdiği durumlarda özellikle yararlıdır.
• Evrim stratejileri: Burada odak noktası, çözümleri güncellerken değişikliklerin ne kadar büyük veya küçük olması gerektiğini öğrenmektir. Bu, algoritmanın sonuçlarını zaman içinde daha verimli biçimde iyileştirmesine yardımcı olur.
• Diferansiyel evrim: Bu yaklaşımda, farklı mevcut çözümlerin parçaları birleştirilerek yeni çözümler oluşturulur. Yanıtların sürekli değişebilen sayılar olduğu problemler için özellikle uygundur.

Evrimsel algoritmaların nasıl çalıştığını anlama#

Evrimsel algoritmalar, bir probleme en iyi çözümü bulmak için yinelemeli bir süreç kullanır. Bunu, her döngünün popülasyonu iyileştirmeye yardımcı olduğu ve türlerin nesiller boyunca gelişmesini sağlayan doğanın yöntemi gibi düşünebilirsin.

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

• Başlatma: Algoritma, olası çözümlerden oluşan ilk kümeyi üreterek başlar. Bu küme, evrimsel sürecin başlangıç noktasını oluşturur.
• Uygunluk değerlendirmesi: Her çözüm, problemi ne kadar iyi çözdüğünü ölçen bir uygunluk işleviyle 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 yapar.
• Yerine koyma: Yeni oluşturulan çözümler, eski çözümlerin bir kısmının veya tamamının yerini alır. Bu adım, hangi çözümlerin hayatta kalacağını ve sonraki nesle geçeceğini belirler.
• Sonlandırma: Üreme ve yerine koyma süreci, bir durdurma koşulu karşılanana kadar devam eder. Bu koşul; belirli sayıda yinelemeye ulaşmak, yeterli bir uygunluk düzeyi elde etmek, artık iyileşme görülmemesi veya hesaplama sınırlarına ulaşmak olabilir.

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

Evrimsel algoritmaların uygulamalarına bakış#

Evrimsel algoritmaların ne olduğunu ve nasıl çalıştığını artık daha iyi anladığımıza göre, farklı sektörlerdeki gerçek dünya uygulamalarından bazılarına göz atalım.

Rüzgâr enerjisi santrallerinde kullanılan biyolojiden esinlenen algoritmalar#

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

Evrimsel algoritmalar, çok sayıda farklı rüzgâr santrali yerleşimi tasarlayıp sınamak için harika bir yöntemdir. En uygun düzeni bulmak için rüzgâr düzenleri, türbin türleri ve kullanılabilir arazi gibi etkenleri incelerler. Her test turunda tasarım iyileşir; daha fazla enerji üretilir, maliyetler düşer ve arazi daha verimli kullanılır. Birkaç yinelemeden sonra nihai tasarım, elle hazırlanan bir tasarımdan daha yüksek enerji çıktısı sağlayabilir.

Şekil 2. Bir rüzgâr santrali.

Araç tasarımında optimizasyon teknikleri#

Güvenli, yakıt tasarruflu ve uygun fiyatlı araçlar tasarlamak, günümüz otomobil üreticileri için temel önceliklerden biridir. Evrimsel algoritmalar, çok sayıda tasarım seçeneğini test edip en iyisini bulmak için bunları aşamalı olarak iyileştirerek bu süreci hızlandırmaya yardımcı olabilir. Bu, üreticilerin performans ve verimlilik arasında en iyi dengeyi bulmasına yardımcı olabilir.

İlginç bir örnek, Beyaz Gövde (BIW) olarak bilinen temel araç yapısının tasarımında evrimsel algoritmaların kullanılmasıdır. Bu tasarım sürecinin temel amacı, aynı dayanıklılık ve sağlamlığı korurken gövdenin ağırlığını azaltmaktır.

Genetik algoritmalar, küçük değişikliklerle farklı yapısal varyasyonları keşfedebilir. Ardından bu tasarımlar; en iyi seçeneği belirlemek için sağlamlık, ağırlık, dayanıklılık ve mevzuat standartları gibi ölçütlere göre test edilir.

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

Hastanelerde çizelgelemede evrimsel stratejiler#

Araştırmacılar, evrimsel algoritmaların hastane personelinin çalışma çizelgelerini hazırlamak, tedavi planlarını iyileştirmek ve yeni ilaçlar keşfetmek gibi sağlık hizmetleri alanlarında nasıl yardımcı olabileceğini etkin biçimde inceliyor. Bu algoritmalar büyük miktarda veriyi işleyebildiği ve yorgunluk ile stres gibi unsurları hesaba katabildiği için iyi sonuç verir.

Örneğin, hastanelerde hemşire çizelgelerini iyileştirmek için genetik algoritmalar test edildi. İlginç bir çalışmada, hemşire yorgunluğunu azaltan çizelgeler oluşturmak için genetik algoritmalar ile yerel arama teknikleri bir arada kullanıldı. Sonuçlar, yorgunluğun %10 azaldığını ve çizelgeleme sürecinin %98 hızlandığını; sürenin bir saati aşkın bir zamandan yalnızca bir dakikayı biraz aşan bir süreye indiğini gösterdi.

Şekil 4. Elle çizelgeleme ile genetik algoritma (GA) kullanarak çizelgeleme karşılaştırması (kaynak).

Bilgisayarlı görüde evrimsel tekniklerin rolü#

Evrimsel algoritmalar, makinelerin görüntü ve video gibi görsel verileri yorumlamasını ve analiz etmesini sağlayan yapay zekâ alanı olan bilgisayarlı görüde de kullanılır. Süren araştırmalar; görüntü segmentasyonu, nesne algılama ve özellik çıkarımı gibi görevlerdeki potansiyellerini inceliyor.

Bu algoritmalar, olası birçok çözümü test edip en iyilerini seçerek çalışır; bu da onları esnek kılar ve karmaşık, çeşitli görsel verilerle başa çıkmalarını sağlar. Örneğin araştırmacılar, göğüs röntgeni gibi tıbbi görüntüleri analiz eden yapay zekâ sistemlerini iyileştirmek için evrimsel algoritmalardan yararlandı.

Evrişimli sinir ağları (CNN'ler) olarak bilinen bu yapay zekâ sistemleri, COVID-19 gibi hastalık belirtilerini bulmak için görüntüleri tarayarak uzman radyologlar gibi çalışır. Evrimsel algoritma, CNN yapısını ve ayarlarını otomatik olarak tasarlamaya ve ince ayar yapmaya yardımcı olur; çok sayıda sürümü test eder, en iyi performans gösterenleri korur ve giderek daha doğru modeller oluşturur. Bu süreç, doktorların COVID-19'u teşhis etmesine daha hızlı ve doğru biçimde yardımcı olabilecek yapay zekâ araçları ortaya çıkarır.

Evrimsel yöntemler, günlük model eğitiminde de kullanılır. Örneğin Ultralytics Python paketindeki hiperparametre ayarı, öğrenme oranı, kayıp ağırlıkları ve artırma yoğunluğu gibi ayarları değiştiren, ardından çok sayıda kısa eğitim çalıştırması boyunca en iyi performans gösteren yapılandırmaları koruyan bir genetik algoritma kullanır.

Evrimsel algoritmaların artıları ve eksileri#

Evrimsel algoritmaların sunduğu temel avantajlardan bazıları şunlardır:

• Küresel arama yeteneği: Evrimsel algoritmalar çözüm uzayının birçok bölümünü aynı anda araştırır; bu nedenle kötü çözümlerde takılıp kalma olasılıkları daha düşüktür.
• Sağlamlık: Belirsiz ve değişken ortamlarda, evrimsel algoritmanın rastgeleliği ve çeşitli çözümleri sistemin tutarlı performans göstermesine yardımcı olur.
• Esneklik: Çözümlerin temsil edilme ve başarının ölçülme biçimleri değiştirilerek evrimsel algoritmalar birçok farklı problem türünde etkili olacak 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 bilgi işlem kaynakları gerektirebilir; bu da bazı uygulamaları yavaşlatabilir veya maliyetli hâle getirebilir.
• Parametre duyarlılığı: Evrimsel algoritmaların başarısı çoğu zaman popülasyon büyüklüğü, mutasyon oranı ve seçim yöntemleri gibi başlangıç ayarlarının doğru seçilmesine büyük ölçüde bağlıdır. Kötü seçimler performansı düşürebilir.
• Yavaş yakınsama: Özellikle çok karmaşık problemlerde çözümleri iyileştirmek için çok sayıda yineleme gerekebilir; bu da diğer yöntemlere kıyasla daha uzun çalışma sürelerine yol açabilir.
• Uygunluk işlevi duyarlılığı: Uygunluk işlevinin kötü tasarlanması, algoritmaların amaçlanan problemi çözmek yerine kusurları istismar etmesine neden olabilir ve geliştiricileri gerçek performans konusunda yanıltabilir.

Önemli çıkarımlar#

Evrimsel algoritmalar, diğer yöntemlerin çözmekte zorlanabileceği güç problemler için harika bir seçenektir. Araştırmalar, bu algoritmaların yinelemelerle aşamalı 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 teknolojiler geliştirmede daha da büyük bir rol oynaması bekleniyor.

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