Evrimsel Algoritmalar

Evrimsel Algoritmalar (EA'lar), karmaşık optimizasyon problemlerini çözmek için biyolojik evrim prensiplerini kullanan yapay zeka ve makine öğrenimi'nin büyüleyici bir alt kümesidir. Darwin'in doğal seçiliminden ilham alan bu algoritmalar, mümkün olan en iyi sonucu bulmak için aday çözümlerden oluşan bir popülasyonu yinelemeli olarak iyileştirir. EA'lar, tek bir çözüm kullanmak yerine, geniş bir arama alanını keşfetmelerine ve diğer optimizasyon algoritmaları ile ilgili yaygın bir sorun olan suboptimal çözümlere takılıp kalmaktan kaçınmalarına olanak tanıyan çeşitli potansiyel yanıt havuzunu korur.

Evrimsel Algoritmalar Nasıl Çalışır?

Bir EA'nın temel süreci, çeşitli temel adımlar aracılığıyla 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 bilgisayar görüşü modelini eğitirken, uygunluk modelin doğruluğu ile ölçülebilir.
3. Seçim: "En uygun" bireyler, bir sonraki nesil için "ebeveyn" olmak üzere seçilir. Bu adım, "en iyinin hayatta kalması" ilkesine benzer.
4. Üreme (Çaprazlama ve Mutasyon): Seçilen ebeveynler yavrular oluşturur. Çaprazlama, yeni bir çözüm oluşturmak için iki ebeveyn çözümünün parçalarını birleştirirken, mutasyon bir çözüme küçük, rastgele değişiklikler uygular. Bu işlemler, popülasyona yeni varyasyonlar katarak daha iyi çözümler arayışını yönlendirir.
5. Sonlandırma: Bu döngü, tatmin edici bir çözüm bulunana veya önceden tanımlanmış bir durdurma kriteri (nesil sayısı gibi) karşılanana kadar birçok nesil boyunca tekrarlanır.

Yaygın EA türleri arasında Genetik Algoritmalar (GA), Genetik Programlama, Evrim Stratejileri (ES) ve Diferansiyel Evrim (DE) bulunur.

Gerçek Dünya Uygulamaları

EA'lar oldukça çok yönlüdür ve arama alanının geniş, karmaşık veya yetersiz anlaşıldığı sorunlarla başa çıkmak için kullanılır.

• Makine Öğrenimi Modelleri için Hiperparametre Ayarlama: ML'deki en yaygın uygulamalardan biri, optimal hiperparametreleri bulmaktır (örneğin, öğrenme oranı veya bir model için ağ mimarisi). Ultralytics kütüphanesi şunları içerir: Tuner Eğitim için en iyi ayarları otomatik olarak bulmak için EA'lardan yararlanan sınıf Ultralytics YOLO modelleri, sürecin ayrıntıları şurada verilmiştir: Hiperparametre Ayarlama kılavuzu. Bu, gibi entegrasyonlar kullanılarak daha da ölçeklenebilir. Ray Tune gibi araçlarla yönetilen dağıtılmış deneyler için Ultralytics HUB.
• Tasarım ve Mühendislik Optimizasyonu: EA'lar, karmaşık sistemler için optimal tasarımlar oluşturmak için kullanılır. Ünlü bir örnek, NASA'nın ST5 uzay aracı için bir anten tasarlamak üzere EA'ları kullanmasıdır. Algoritma, insan mühendisler için sezgisel olmayan, yeni ve oldukça verimli bir anten şekli geliştirdi. Aynı ilke, yürüyüşleri geliştirmek için robotikte ve üretim hatlarını optimize etmek için üretimde yapay zekada da geçerlidir.
• Sağlık Hizmetlerinde Yapay Zeka: Tıpta, EA'lar hastane personelini yorgunluğu en aza indirecek şekilde planlama veya radyasyon tedavisi planlarını optimize etme gibi karmaşık görevlerde yardımcı olur. Ayrıca, belirli terapötik özelliklere sahip moleküller için geniş kimyasal alanları aramak üzere ilaç keşfinde de kullanılırlar.

Evrimsel Algoritmalar ve İlgili Kavramlar

EA'ları ilgili diğer yapay zeka paradigmalarından ayırmak faydalıdır:

• Sürü Zekası (SI): Her ikisi de doğadan ilham alan, popülasyon tabanlı yöntemlerdir. Ancak, EA'lar seçim, çaprazlama ve mutasyon yoluyla nesiller arası iyileştirmeye odaklanır. Buna karşılık, SI, sorunları çözmek için tek bir nesil içinde etkileşimde bulunan merkezi olmayan ajanların (bir kuş sürüsü veya karınca kolonisi gibi) kolektif davranışını modeller.
• Pekiştirmeli Öğrenme (RL): RL, bir ortamla etkileşim kurarak ve ödüller veya cezalar alarak en uygun politikayı öğrenen tek bir ajanı içerir. Öte yandan EA'lar, 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 türevlenemeyen, süreksiz veya birçok yerel optimuma sahip problemler için oldukça etkili kılar.