Evrimsel Algoritmalar

Evrimsel Algoritmalar (EA), karmaşık optimizasyon problemlerini çözmek için biyolojik evrim ilkelerini kullanan yapay zeka ve makine öğreniminin büyüleyici bir alt kümesidir. Darwinci doğal seçilimden esinlenen bu algoritmalar, mümkün olan en iyi sonucu bulmak için aday çözümlerden oluşan bir popülasyonu yinelemeli olarak iyileştirir. Tek bir çözüm kullanmak yerine, EA'lar çeşitli potansiyel cevaplar havuzunu koruyarak geniş bir arama alanını keşfetmelerine ve diğer optimizasyon algoritmalarında yaygın bir sorun olan suboptimal çözümlere takılmaktan kaçınmalarına olanak tanır.

Evrimsel Algoritmalar Nasıl Çalışır?

Bir EA'nın temel süreci, birkaç temel adımla doğal evrimi taklit eder:

1. Başlatma: Algoritma, rastgele aday çözümlerden oluşan bir başlangıç popülasyonu oluşturarak başlar.
2. Uygunluk Değerlendirmesi: Popülasyondaki her çözüm, hedef problemi ne kadar iyi çözdüğünü ölçen bir uygunluk fonksiyonu kullanılarak değerlendirilir. Örneğin, bir bilgisayarla görme modelinin eğitiminde uygunluk, modelin doğruluğu ile ölçülebilir.
3. Seçilim: "En uygun" bireyler bir sonraki nesil için "ebeveyn" olmak üzere seçilir. Bu adım "en uygun olanın hayatta kalmasına" benzer.
4. Üreme (Çaprazlama ve Mutasyon): Seçilen ebeveynler yavruları oluşturur. Çaprazlama, yeni bir çözüm oluşturmak için iki ebeveyn çözümünün parçalarını birleştirirken, mutasyon bir çözüme küçük, rastgele değişiklikler getirir. Bu işlemler popülasyona yeni varyasyonlar ekleyerek daha iyi çözümlerin aranmasını sağlar.
5. Sonlandırma: Bu döngü, tatmin edici bir çözüm bulunana veya önceden tanımlanmış bir durdurma kriteri (nesil sayısı gibi) karşılanana kadar birçok nesil boyunca tekrar eder.

Yaygın EA türleri arasında Genetik Algoritmalar (GA'lar), Genetik Programlama, Evrim Stratejileri (ES) ve Diferansiyel Evrim (DE) yer almaktadır.

Gerçek Dünya Uygulamaları

EA'lar çok yönlüdür ve arama uzayının büyük, karmaşık veya yeterince anlaşılmamış olduğu problemlerin üstesinden gelmek için kullanılır.

• Makine Öğrenimi Modelleri için Hiperparametre Ayarlama: ML'deki en yaygın uygulamalardan biri, optimum hiperparametreleri bulmaktır (örneğin öğrenme oranı veya ağ mimarisi) bir model için. Ultralytics kütüphanesi bir Tuner Eğitim için en iyi ayarları otomatik olarak bulmak üzere EA'lardan yararlanan sınıf Ultralytics YOLO modellerimizde ayrıntılı olarak açıklanan bir süreçtir. Hiperparametre Ayarlama kılavuzu. Bu, aşağıdaki gibi entegrasyonlar kullanılarak daha da ölçeklendirilebilir Ray Tune gibi araçlarla yönetilen dağıtılmış deneyler için Ultralytics HUB.
• Tasarım ve Mühendislik Optimizasyonu: EA'lar karmaşık sistemler için en uygun tasarımları oluşturmak için kullanılır. NASA'nın ST5 uzay aracı için bir anten tasarlamak üzere EA'ları kullanması bunun ünlü bir örneğidir. Algoritma, insan mühendisler için sezgisel olmayan yeni, yüksek verimli bir anten şekli geliştirmiştir. Aynı prensip , robotların yürüyüşlerini geliştirmede ve üretim hatlarını optimize etmek için üretimde yapay zeka için de geçerlidir.
• Sağlık Hizmetlerinde Yapay Zeka: Tıpta EA'lar, yorgunluğu en aza indirmek için hastane personelini planlamak veya radyasyon tedavisi planlarını optimize etmek gibi karmaşık görevlerde yardımcı olur. Ayrıca ilaç keşfinde, belirli terapötik özelliklere sahip moleküller için geniş kimyasal alanları aramak için kullanılırlar.

Evrimsel Algoritmalar ve İlgili Kavramlar

EA'ları diğer ilgili YZ paradigmalarından ayırmak faydalı olacaktır:

• Sürü Zekası (SI): Her ikisi de doğadan ilham alan, popülasyon tabanlı yöntemlerdir. Ancak EA'lar seçim, çaprazlama ve mutasyon yoluyla nesilsel iyileştirmeye odaklanır. Buna karşılık SI, sorunları çözmek için tek bir nesil içinde etkileşime giren merkezi olmayan ajanların (bir kuş sürüsü veya karınca kolonisi gibi) kolektif davranışını modeller.
• Takviyeli Öğrenme (RL): RL, tek bir ajanın bir ortamla etkileşime girerek ve ödüller veya cezalar alarak optimal bir politika öğrenmesini içerir. EA'lar ise aynı şekilde etkileşimli bir ortam veya açık bir ödül sinyali gerektirmeyen popülasyon tabanlı arama teknikleridir.
• Gradyan Tabanlı Optimizasyon: Stokastik Gradyan İnişi (SGD) ve Adam gibi algoritmalar, model parametrelerini güncellemek için kayıp fonksiyonunun gradyanını hesaplamaya dayanır. EA'lar gradyansızdır, bu da onları farklılaştırılamayan, süreksiz veya birçok yerel optimaya sahip problemler için oldukça etkili kılar.