Evrimsel Algoritmalar

Evrimsel Algoritmalar (EA'lar) güçlü bir algoritma sınıfını temsil eder. yapay zeka (AI) araması Doğal seçilim ve genetiğin biyolojik ilkelerinden esinlenen teknikler. Geleneksel matematiksel yöntemlerin aksine Türev hesaplamalarına dayanan yöntemler, bu algoritmalar karmaşık evrim süreçlerini çözmek için evrim sürecini simüle eder. optimizasyon problemleri. Bir koruma sağlayarak Rekabet eden, üreyen ve mutasyona uğrayan potansiyel çözümler popülasyonu, EA'lar geniş, engebeli arama uzaylarında gezinebilir "en iyi" cevabın bilinmediği veya analitik olarak türetilmesinin imkansız olduğu durumlarda. Bu da onları özellikle görevler için makine öğreniminde (ML) değerli otomatik model tasarımından karmaşık çizelgelemeye kadar uzanmaktadır.

Evrimin Temel Mekanizmaları

Evrimsel Algoritmanın işlevselliği, aşağıdaki kavramları yansıtır En uygun olanın hayatta kalması. Süreç Bir dizi aday çözümü biyolojik operatörler döngüsü aracılığıyla yinelemeli olarak iyileştirir:

1. Başlatma: Sistem, probleme yönelik potansiyel çözümlerden oluşan rastgele bir popülasyon oluşturur.
2. Uygunluk Değerlendirmesi: Her aday, tanımlanmış bir adaya karşı test edilir uygunluk fonksiyonu. İçinde bilgisayarla görme (CV), bu işlev genellikle bir modelin doğruluğunu veya Ortalama Ortalama Hassasiyetini ölçer mAP).
3. Seçim: Daha yüksek uygunluk puanına sahip adaylar, bir sonraki çocuk için ebeveyn olarak seçilmektedir. nesil.
4. Üreme ve Varyasyon: Aşağıdakiler kullanılarak yeni çözümler oluşturulur çaprazlama (iki farklı türden özelliklerin birleştirilmesi ebeveynler) ve mutasyon (rastgele değişiklikler). Mutasyon, genetik çeşitlilik sağladığı için kritiktir ve algoritmanın bir noktada takılıp kalmasını önler. küresel optimumun bulunması yerine yerel optimumun bulunmasıdır.

Yapay Zekada Gerçek Dünya Uygulamaları

Evrimsel Algoritmalar, sistem performansını artırmak için çeşitli yüksek etkili alanlarda kullanılan çok yönlü araçlardır:

• Hiperparametre Ayarlama: Bir en yaygın uygulamaların derin öğrenme (DL) eğitimi optimize ediyor konfigürasyonlar. için değerleri manuel olarak tahmin etmek yerine öğrenme hızı, momentum veya ağırlık azalması, bir EA şunları yapabilir model performansını en üst düzeye çıkaran bir dizi hiperparametre geliştirir. Bu Ultralytics YOLO11 eğitim boru hattı genetik bir Bu işlemi otomatikleştirmek için algoritma tabanlı ayarlayıcı.
• Nöral Mimari Arama (NAS): EA'lar tasarımını otomatikleştirir sinir ağları. Ağı tedavi ederek yapı (katmanlar, bağlantılar) genetik kod olarak, algoritma uygun yüksek verimli mimariler geliştirebilir hesaplama kaynaklarının olduğu uç yapay zeka cihazları için sınırlı.
• Robotik ve Kontrol: İçinde Robotikte yapay zeka, EA'lar kontrol politikalarını geliştirir ve hareket yürüyüşleri. Bu, otonom robotların dinamik ortamlarda nasıl gezineceklerini simüle ederek öğrenmelerine olanak tanır hareket stratejilerinin nesilleri.
• Çevresel Optimizasyon: Gibi sektörlerde Tarımda yapay zeka, EA'lar kaynak optimizasyonuna yardımcı oluyor İsrafı en aza indirirken verimi en üst düzeye çıkarmak için sulama programları veya ürün yerleştirme gibi tahsisler.

Python ile Optimizasyonu Otomatikleştirme

Uygulayıcılar Evrimsel Algoritmalardan doğrudan ultralytics paketini bulmak için için en uygun eğitim yapılandırması nesne algılama modelleri. Şuradaki tune yöntemi, hiperparametreleri birkaç nesil boyunca mutasyona uğratmak için bir genetik algoritma kullanır.

from ultralytics import YOLO

# Load a standard YOLO11 model
model = YOLO("yolo11n.pt")

# Run hyperparameter tuning using a genetic algorithm approach
# The tuner evolves parameters like lr0, momentum, and weight_decay
# 'iterations' defines how many evolutionary generations to run
model.tune(data="coco8.yaml", epochs=10, iterations=30, optimizer="AdamW", plots=False)

İlgili Kavramları Ayırt Etme

Bu teknikleri etkili bir şekilde uygulamak için Evrimsel Algoritmaları diğer optimizasyon tekniklerinden ayırmak faydalı olacaktır. ve öğrenme stratejileri:

• Vs. Stokastik Gradyan İnişi (SGD): Aşağıdaki gibi standart eğitim yöntemleri Stokastik Gradyan İnişi (SGD) türevinin hesaplanmasına dayanır. ağırlıkları güncellemek için kayıp fonksiyonu. EA'lar gradyansızdır, yani gradyanların olduğu farklılaştırılamayan veya ayrık problemleri optimize edebilirler. kullanılamaz.
• Vs. Sürü Zekası: Her ikisi de biyolojik olarak esinlenmiştir, Sürü Zekası (örn. Karınca Kolonisi Optimizasyon) tek bir yaşam süresi içinde etkileşime giren merkezi olmayan ajanların kolektif davranışına odaklanır. İçinde Buna karşın EA'lar çözümlerin nesilsel olarak değiştirilmesine dayanır, burada daha zayıf adaylar daha güçlü ebeveynlerden gelen yavrular lehine atılır.
• Vs. Takviyeli Öğrenme: Takviyeli Öğrenme (RL) bir Bir ödül sinyalini en üst düzeye çıkarmak için bir çevre ile deneme yanılma etkileşimleri yoluyla öğrenen ajan. EA'lar şunları yapabilir politikaları da optimize ederler, bunu da politika parametreleri popülasyonunu geliştirerek yaparlar. sürekli ajan-çevre etkileşim döngüleri.

Model performansını artırmaya yönelik daha fazla bilgi için aşağıdaki kılavuzlarımızı inceleyin model eği̇ti̇mi̇ i̇puçlari ve önleme aşırı uyum.