Evolutionary Algorithms
探索进化算法如何利用自然选择解决 AI 问题。学习如何优化 Ultralytics YOLO26 的超参数并提升模型性能。
进化算法（EAs）是一类强大的优化算法，通过模拟自然选择和遗传学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的传统数学技术（例如随机梯度下降（SGD））不同，EAs 专为探索广阔、崎岖或缺乏充分理解的搜索空间而设计。它们通过维护一个潜在解群体，使这些解随着时间推移相互竞争、繁殖和变异。这种方法特别适用于人工智能（AI）领域中的任务，因为其中的“最佳”解往往难以通过分析方法确定，从而使系统能够逐步演化，趋向最优结果。
生物学启发与核心机制#
进化算法的功能建立在适者生存这一概念之上。该过程会经历一系列旨在模拟自然遗传进化的算子循环，逐步优化候选解：
-
初始化： 系统生成由随机候选解组成的初始群体。在机器学习（ML）中，这些候选解可能代表不同的模型参数集。
-
适应度评估： 每个候选解都会根据一个特定目标进行测试，该目标称为适应度函数。对于计算机视觉（CV）模型，该函数通常会评估准确率或平均精度均值（mAP）等指标。
-
选择： 适应度得分较高的候选解会按概率被选为父代，从而确保成功的特征得以保留到下一代。
-
繁殖与变异： 新解通过交叉（重新组合两个父代的特征）和变异（引入随机变化）生成。这种遗传多样性的引入至关重要，因为它可以防止算法停滞在局部最优解中，帮助算法探索搜索空间以寻找全局最大值。
AI 中的实际应用#
进化算法具有很强的通用性，已成功应用于深度学习（DL）和工程领域中的各种场景。
自动超参数调优#
EAs 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，而这些参数会显著影响性能。EAs 可以通过不断演化配置设置，自动完成这一繁琐的试错过程。例如，Ultralytics 库中的 tune() 方法使用遗传算法，为自定义数据集上的 YOLO26 模型找到最佳训练超参数。
神经架构搜索（NAS）#
EAs 是神经架构搜索（NAS）的核心组成部分。进化算法无需由工程师手动设计神经网络（NN）的结构，而是可以“生长”出架构。它会测试不同的层、神经元和连接组合，逐步演化出在速度和准确率之间取得平衡的高效结构。这项技术促成了 EfficientNet 等高效骨干网络的诞生，这些网络针对特定硬件限制进行了优化。
进化算法与群体智能#
虽然二者都是受自然启发的优化策略，但区分 EAs 与群体智能（SI）很有帮助。
- 进化算法： 依赖代际变化。个体（解）生存、根据适应度繁殖，然后死亡并由其后代取代。主要驱动力是变异和交叉等遗传算子。
- 群体智能： 模拟群体内部的社会互动，例如鸟群或鱼群。粒子群优化（PSO）等算法包含一组智能体，它们在搜索空间中移动，并根据自身经验和邻居的成功情况调整位置，而不会进行代际替换。
使用 Ultralytics 实现优化#
从业者可以直接利用遗传算法来优化目标检测模型。Ultralytics 的 tune 方法会运行一个进化过程，在多个世代中不断变异超参数，自动识别出在验证数据上能够实现最高性能的设置。
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。对于正在扩展业务规模的团队，可以使用 Ultralytics Platform 来简化实验管理和模型性能演化跟踪；该平台能够可视化训练指标，并协助进行模型部署。
