Evolutionary Algorithms

Thuật toán tiến hóa (Evolutionary Algorithms - EA) là một nhóm mạnh mẽ gồm các thuật toán tối ưu hóa mô phỏng các nguyên tắc sinh học của chọn lọc tự nhiên và di truyền để giải quyết các bài toán tính toán phức tạp. Khác với các kỹ thuật toán học truyền thống dựa trên đạo hàm giải tích, chẳng hạn như giảm độ dốc ngẫu nhiên (SGD), EA được thiết kế để điều hướng các không gian tìm kiếm rộng lớn, gồ ghề hoặc ít được hiểu rõ. Chúng hoạt động bằng cách duy trì một tập hợp các giải pháp tiềm năng cạnh tranh, sinh sản và đột biến theo thời gian. Phương pháp này khiến chúng đặc biệt hiệu quả cho các tác vụ trong trí tuệ nhân tạo (AI) nơi giải pháp "tốt nhất" khó xác định bằng phân tích, cho phép các hệ thống tiến hóa lặp đi lặp lại hướng tới kết quả tối ưu.

Nguồn cảm hứng sinh học và các cơ chế cốt lõi#

Chức năng của Thuật toán tiến hóa dựa trên khái niệm sự sống sót của kẻ mạnh nhất. Quá trình này trải qua một chu trình các toán tử được thiết kế để bắt chước tiến hóa di truyền tự nhiên, dần dần tinh chỉnh các giải pháp ứng viên:

1. Khởi tạo: Hệ thống tạo ra một tập hợp ban đầu gồm các ứng viên ngẫu nhiên. Trong bối cảnh học máy (ML), các ứng viên này có thể đại diện cho các tập hợp tham số model khác nhau.

2. Đánh giá độ thích nghi: Mỗi ứng viên được kiểm tra dựa trên một mục tiêu cụ thể, được gọi là hàm thích nghi. Đối với một model thị giác máy tính (CV), hàm này thường đánh giá các số liệu như độ chính xác hoặc Độ chính xác trung bình (mAP).

3. Chọn lọc: Các ứng viên có điểm fitness cao hơn được chọn theo xác suất để làm cha mẹ, đảm bảo rằng các đặc điểm thành công được bảo tồn cho thế hệ tiếp theo.

4. Sinh sản và Biến dị: Các giải pháp mới được tạo ra thông qua lai ghép (tái tổ hợp các đặc điểm từ hai cha mẹ) và đột biến (giới thiệu các thay đổi ngẫu nhiên). Sự xuất hiện của tính đa dạng di truyền này là rất quan trọng, vì nó ngăn chặn thuật toán bị đình trệ ở mức tối ưu cục bộ, giúp nó khám phá không gian tìm kiếm để tìm mức tối ưu toàn cục.

Các ứng dụng thực tế trong AI#

Thuật toán tiến hóa rất linh hoạt và đã được áp dụng thành công vào nhiều lĩnh vực khác nhau trong học sâu (DL) và kỹ thuật.

Tự động tinh chỉnh siêu tham số#

Một trong những ứng dụng thực tế nhất của EA là tinh chỉnh siêu tham số. Các mạng neuron hiện đại đòi hỏi cấu hình hàng chục tham số—chẳng hạn như tốc độ học, suy giảm trọng số và động lượng—có tác động đáng kể đến hiệusuất. EA có thể tự động hóa quá trình thử và sai tẻ nhạt này bằng cách tiến hóa các cài đặt cấu hình. Ví dụ, phương thức tune() trong thư viện Ultralytics sử dụng một thuật toán di truyền để khám phá các siêu tham số huấn luyện tốt nhất cho các model YOLO26 trên các tập dữ liệu tùy chỉnh.

Tìm kiếm kiến trúc mạng thần kinh (NAS)#

EA là nền tảng của Tìm kiếm kiến trúc mạng (NAS). Thay vì các kỹ sư con người tự tay thiết kế cấu trúc của một mạng neuron (NN), một thuật toán tiến hóa có thể "phát triển" kiến trúc đó. Nó kiểm tra các tổ hợp khác nhau của các lớp, neuron và kết nối, tiến hóa các cấu trúc hiệu quả giúp cân bằng giữa tốc độ và độ chính xác. Kỹ thuật này đã dẫn đến việc tạo ra các xương sống hiệu suất cao, chẳng hạn như EfficientNet, được tối ưu hóa cho các ràng buộc phần cứng cụ thể.

Thuật toán tiến hóa so với Trí tuệ bầy đàn#

Mặc dù cả hai đều là chiến lược tối ưu hóa lấy cảm hứng từ tự nhiên, việc phân biệt EA với Trí tuệ bầy đàn (SI) là rất hữu ích.

• Thuật toán tiến hóa: Dựa vào sự thay đổi theo thế hệ. Các cá thể (giải pháp) sống, tái tạo dựa trên fitness và chết đi, sau đó được thay thế bởi thế hệ con cái. Các nhân tố chính là các toán tử di truyền như đột biến và crossover.
• Trí tuệ bầy đàn: Mô phỏng tương tác xã hội trong một nhóm, chẳng hạn như đàn chim hoặc đàn cá. Các thuật toán như Tối ưu hóa bầy đàn (PSO) liên quan đến một tập hợp các tác nhân di chuyển qua không gian tìm kiếm và điều chỉnh vị trí của chúng dựa trên kinh nghiệm của chính họ và sự thành công của những người hàng xóm, mà không cần thay thế theo thế hệ.

Triển khai tối ưu hóa với Ultralytics#

Các kỹ sư có thể tận dụng trực tiếp các thuật toán di truyền để tối ưu hóa các model phát hiện đối tượng của họ. Phương thức tune của Ultralytics chạy một quá trình tiến hóa để đột biến các siêu tham số qua nhiều thế hệ, tự động xác định các cài đặt mang lại hiệu suất cao nhất trên dữ liệu xác thực của bạn.

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)

Quá trình tinh chỉnh tự động này cho phép các nhà phát triển vượt qua việc phỏng đoán thủ công. Đối với các nhóm đang mở rộng quy mô hoạt động, việc quản lý các thí nghiệm này và theo dõi sự tiến hóa của hiệu suất model có thể được hợp lý hóa bằng cách sử dụng Ultralytics Platform, nơi trực quan hóa các chỉ số huấn luyện và hỗ trợ triển khai model.