进化算法

进化算法（EA）是一类强大的优化算法，它模拟自然选择和遗传的生物学原理来解决复杂的计算问题。与依赖基于微积分的导数（例如随机梯度下降（SGD））的传统数学技术不同，EA旨在探索广阔、崎岖或理解不足的搜索空间。它们通过维护一个由潜在解决方案组成的种群来运行，这些解决方案随着时间的推移进行竞争、繁殖和变异。这种方法使它们在人工智能（AI）任务中特别有效，在这些任务中，“最佳”解决方案难以通过分析确定，从而使系统能够迭代地向最优结果演进。

生物学启发与核心机制

进化算法的功能基于适者生存的概念。该过程通过一系列旨在模拟自然遗传进化的操作符循环进行，逐步优化候选解决方案：

1. 初始化：系统生成随机候选的初始种群。在机器学习 (ML)的背景下，这些候选可能代表不同的模型参数集。
2. 适应度评估：每个候选对象都根据特定目标进行测试，该目标被称为适应度函数。对于计算机视觉 (CV)模型，此函数通常评估诸如精度或平均精度 (mAP)等指标。
3. 选择：具有更高适应度分数的候选者被概率性地选择作为父代，确保成功的特征得以保留到下一代。
4. 繁殖与变异：通过 交叉（重组两个父代的特征）和变异（引入随机变化）来创建新的解决方案。引入这种遗传多样性至关重要，因为它能防止算法停滞在局部最优解，帮助其探索搜索空间以找到全局最大值。

人工智能在现实世界中的应用

进化算法用途广泛，并已成功应用于深度学习（DL）和工程领域的各个方面。

自动化超参数调优

EA最实用的应用之一是 超参数调优。现代神经网络 需要配置数十个参数——例如学习率、权重衰减和动量——这些参数显著影响 性能。进化算法（EAs）可以通过演化配置设置来自动化这个繁琐的试错过程。例如， tune() Ultralytics库中的方法使用遗传算法来发现最佳训练超参数，适用于 YOLO26 自定义数据集上的模型。

神经架构搜索 (NAS)

EA是神经网络架构搜索（NAS）的基石。与人类工程师手动设计神经网络（NN）的结构不同，进化算法可以“生长”出架构。它测试层、神经元和连接的不同组合，演化出平衡速度和准确性的高效结构。这项技术促成了高效骨干网络的创建，例如EfficientNet，这些骨干网络针对特定的硬件约束进行了优化。

进化算法 vs. 群体智能

虽然两者都是受自然启发的优化策略，但区分进化算法（EAs）和群智能（SI）会很有帮助。

• 进化算法：依赖于世代变化。个体（解决方案）根据适应度生存、繁殖和死亡，并被其后代取代。主要驱动因素是突变和交叉等遗传算子。
• 群体智能： 模仿群体内的 社会互动，例如鸟群或鱼群。像 粒子群优化（PSO） 这样的算法涉及一个代理群体，它们在搜索空间中移动，并根据自身经验和邻居的成功调整位置，无需世代更替。

使用 Ultralytics 实现优化

实践者可以直接利用遗传算法来优化他们的目标检测模型。Ultralytics tune 方法通过多代变异超参数来运行一个进化过程，自动识别在验证数据上产生最高性能的设置。

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)

这种自动化优化使开发者能够摆脱手动猜测。对于正在扩展业务的团队，可以使用Ultralytics Platform来简化实验管理和模型性能演变跟踪，该平台能够可视化训练指标并促进模型部署。