Evolutionary Algorithms

Evrimsel Algoritmalar (EAs), karmaşık hesaplama problemlerini çözmek için doğal seçilim ve genetiğin biyolojik prensiplerini taklit eden güçlü bir optimizasyon algoritmaları ailesidir. Stokastik gradyan inişi (SGD) gibi türev tabanlı hesaplamalara dayanan geleneksel matematiksel tekniklerin aksine, EAs geniş, engebeli veya tam anlaşılamamış arama uzaylarında gezinmek için tasarlanmıştır. Zamanla rekabet eden, üreyen ve mutasyona uğrayan potansiyel çözümlerden oluşan bir popülasyonu sürdürerek çalışırlar. Bu yaklaşım, "en iyi" çözümün analitik olarak belirlenmesinin zor olduğu yapay zeka (AI) alanındaki görevler için onları özellikle etkili kılar ve sistemlerin optimal bir sonuca doğru iteratif olarak evrilmesini sağlar.

Link to this sectionBiyolojik İlham ve Temel Mekanizmalar#

Bir Evrimsel Algoritmanın işlevselliği, en güçlünün hayatta kalması kavramına dayanır. Süreç, doğal genetik evrimi taklit etmek için tasarlanmış ve aday çözümleri kademeli olarak iyileştiren bir operatör döngüsü üzerinden ilerler:

1. Başlatma: Sistem, rastgele adaylardan oluşan bir başlangıç popülasyonu oluşturur. Makine öğrenimi (ML) bağlamında, bu adaylar farklı model parametre setlerini temsil edebilir.

2. Uygunluk Değerlendirmesi: Her aday, uygunluk fonksiyonu olarak bilinen belirli bir hedefe göre test edilir. Bir bilgisayarlı görü (CV) modeli için bu fonksiyon genellikle doğruluk veya Ortalama Hassasiyet (mAP) gibi metrikleri değerlendirir.

3. Seçilim: Daha yüksek uygunluk puanına sahip adaylar, başarılı özelliklerin bir sonraki nesle aktarılmasını sağlamak için ebeveyn olarak hareket etmek üzere olasılıksal olarak seçilir.

4. Üreme ve Çeşitlilik: Yeni çözümler çaprazlama (iki ebeveynden gelen özellikleri birleştirme) ve mutasyon (rastgele değişiklikler getirme) yoluyla oluşturulur. Genetik çeşitliliğin bu şekilde dahil edilmesi kritiktir çünkü algoritmanın yerel bir optimumda takılıp kalmasını önler ve küresel maksimum için arama uzayını keşfetmesine yardımcı olur.

Link to this sectionYapay Zekada Gerçek Dünya Uygulamaları#

Evrimsel Algoritmalar çok yönlüdür ve derin öğrenme (DL) ile mühendislik içindeki çeşitli alanlarda başarıyla uygulanmıştır.

Link to this sectionOtomatik Hiperparametre Ayarlama#

EAs'in en pratik uygulamalarından biri hiperparametre ayarlama işlemidir. Modern sinir ağları; öğrenme oranı, ağırlık azalımı ve momentum gibi performansı önemli ölçüde etkileyen düzinelerce parametrenin yapılandırılmasını gerektirir. EAs, konfigürasyon ayarlarını evrimleştirerek bu zahmetli deneme-yanılma sürecini otomatize edebilir. Örneğin, Ultralytics kütüphanesindeki tune() metodu, özel veri kümeleri üzerindeki YOLO26 modelleri için en iyi eğitim hiperparametrelerini keşfetmek amacıyla bir genetik algoritma kullanır.

Link to this sectionSinir Mimarisi Arayışı (NAS)#

EAs, Sinir Mimarisi Arayışının (NAS) temel taşıdır. İnsan mühendislerin bir sinir ağının (NN) yapısını manuel olarak tasarlaması yerine, bir evrimsel algoritma mimariyi "büyütebilir". Hız ve doğruluk dengesini kuran verimli yapıları evrimleştirerek; katman, nöron ve bağlantıların farklı kombinasyonlarını test eder. Bu teknik, belirli donanım kısıtlamaları için optimize edilmiş EfficientNet gibi son derece verimli backbone'ların oluşturulmasına yol açmıştır.

Link to this sectionEvrimsel Algoritmalar ve Sürü Zekası Karşılaştırması#

Her ikisi de doğadan ilham alan optimizasyon stratejileri olsa da, EAs'i Sürü Zekasından (SI) ayırmak faydalıdır.

• Evrimsel Algoritmalar: Nesilsel değişime dayanır. Bireyler (çözümler) yaşar, uygunluklarına göre ürer ve ölürler, yerlerini yavrularına bırakırlar. Birincil itici güçler mutasyon ve çaprazlama gibi genetik operatörlerdir.
• Sürü Zekası: Bir kuş sürüsü veya balık sürüsü gibi bir grup içindeki sosyal etkileşimi taklit eder. Parçacık Sürü Optimizasyonu (PSO) gibi algoritmalar, arama uzayında hareket eden ve nesilsel bir değişim olmaksızın kendi deneyimlerine ve komşularının başarılarına göre konumlarını ayarlayan bir ajan popülasyonunu içerir.

Link to this sectionUltralytics ile Optimizasyon Uygulama#

Uygulayıcılar, nesne algılama modellerini optimize etmek için doğrudan genetik algoritmalardan yararlanabilirler. Ultralytics tune metodu, hiperparametreleri birkaç nesil boyunca mutasyona uğratmak için evrimsel bir süreç yürütür ve doğrulama verilerin üzerinde en yüksek performansı sağlayan ayarları otomatik olarak tanımlar.

from ultralytics import YOLO

# Load the standard YOLO26 model
model = YOLO("yolo26n.pt")

# Run hyperparameter tuning using a genetic algorithm approach
# The tuner evolves parameters (lr, momentum, etc.) over 30 generations
model.tune(data="coco8.yaml", epochs=10, iterations=30, plots=False)

This automated refinement allows developers to move beyond manual guessing. For teams scaling their operations, managing these experiments and tracking the evolution of model performance can be streamlined using the Ultralytics Platform, which visualizes training metrics and facilitates model deployment.