进化算法

进化算法（EAs）是一类强大的 人工智能（AI）搜索技术 进化算法（EAs）是一类强大的人工智能（AI）搜索技术，其灵感来源于自然选择和遗传学的生物学原理。与传统数学 不同，这些算法模拟进化过程来解决复杂的优化问题。 优化问题。通过维持一个 潜在解决方案的群体进行竞争、繁殖和变异，EA 可以在广阔、崎岖的搜索空间中航行 在这些空间中，"最佳 "答案是未知的，或者是无法通过分析得出的。这使得它们在机器学习（ML 在机器学习（ML）任务中尤为重要 从自动模型设计到复杂调度等任务。

进化的核心机制

进化算法的功能反映了 "适者生存 "的概念。 适者生存。这个过程 通过生物运算法则的循环，迭代改进一组候选解决方案：

1. 初始化：系统随机生成问题的潜在解决方案。
2. 适合度评估：根据定义的 合适度函数进行测试。在 计算机视觉（CV）中，该函数通常 测量模型的准确度或平均精度（Mean Average Precision mAP).
3. 选拔：选拔： 健康分数较高的候选者被选中，作为下一代的父母。 代。
4. 复制与变异：新的解决方案是通过 杂交（将两个亲本的性状结合在一起 变异（引入随机 变异）。变异至关重要，因为它能引入遗传多样性，防止算法陷入局部最优而不是找到全局最优。 局部最优，而不是找到全局最优。

人工智能在现实世界中的应用

进化算法是一种多用途工具，可用于各种具有重大影响的领域，以提高系统性能：

• 超参数调整超参数调整 深度学习（DL）中最常见的应用之一 深度学习（DL）中最常见的应用之一就是优化训练 配置。与手动猜测学习率、动量或权重衰减的值相比 学习率、动量或权重衰减的值，EA 可以 进化出一组能最大化模型性能的超参数。超参数 Ultralytics YOLO11训练管道包括一个基于遗传 基于遗传算法的调谐器来自动完成这一过程。
• 神经架构搜索（NAS）：EA 自动设计 神经网络。通过将网络 结构（层、连接）视为遗传密码，该算法可演化出高效的架构，适用于计算资源有限的边缘人工智能设备。 适用于计算资源有限的边缘人工智能设备。 的边缘人工智能设备。
• 机器人与控制：在 人工智能在机器人学中的应用，EA 演化出控制策略和运动步态。 运动步态。这样，自主机器人就能通过模拟 代运动策略来学习如何在动态环境中导航。
• 优化环境：在农业人工智能等领域 在农业人工智能等领域，EA 可帮助优化资源分配，如灌溉计划或作物种植。 资源配置，如灌溉计划或作物种植，以最大限度地提高产量，同时减少浪费。

用Python自动优化

从业人员可以直接在以下系统中利用进化算法 ultralytics 软件包，以找到 的最佳训练配置 物体检测 模型。 tune 该方法采用遗传算法，经过几代变异超参数。

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)

区分相关概念

要有效地应用这些技术，就必须将进化算法与其他优化和学习策略区分开来。 和学习策略的区别：

• Vs.随机梯度下降法（SGD）：标准训练方法，如 随机梯度下降法（SGD 等标准训练方法依靠计算损失函数的导数来更新权重。 损失函数的导数来更新权重。而 EA 是 无梯度，这意味着它们可以优化无梯度的无差别或离散问题。 或离散问题。
• Vs.蜂群智能：虽然两者都受生物启发、 群集智能（如蚁群 优化）侧重于在单一生命周期内交互的分散代理的集体行为。相比之下 相比之下，蚁群优化依赖于解决方案的世代更替，在这一过程中，较弱的候选方案会被 摒弃较弱的候选方案，取而代之的是来自较强父代的子代方案。
• Vs.强化学习 强化学习（RL）涉及一个 强化学习（RL）是指代理通过与环境的试错互动来学习如何最大化奖励信号。虽然 EA 也能 虽然 EA 也能优化策略，但它们是通过演化策略参数群来实现的，而不是通过不断的代理与环境交互循环来学习。 代理与环境的持续交互循环来学习。

要进一步了解如何提高模型性能，请浏览我们的以下指南 模型训练技巧和防止 过度拟合。