Evolutionary Algorithms

探索进化算法如何利用自然选择解决 AI 问题。学习优化 Ultralytics YOLO26 超参数并增强模型性能。

演化算法（EA）是一类强大的优化算法，它们模仿自然选择和遗传学的生物学原理来解决复杂的计算问题。与依赖微积分导数的传统数学技术（如随机梯度下降（SGD））不同，EA 旨在浏览广阔、崎岖或理解不足的搜索空间。它们通过维护一组随时间竞争、繁殖和突变的潜在解来运作。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”解很难通过分析确定，从而使系统能够迭代演化向最优结果。

生物学灵感与核心机制#

演化算法的功能植根于适者生存的概念。该过程经历了一系列旨在模仿自然遗传演化的算子循环，逐步完善候选解：

初始化： 系统生成一组初始的随机候选。在机器学习（ML）的背景下，这些候选可能代表模型参数的不同集合。
适应度评估： 每个候选都要针对一个特定的目标进行测试，这个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准确率或平均精度均值（mAP）之类的指标。
选择： 具有更高适应度评分的候选解会被概率性地选为父代，从而确保成功的特征能够保留到下一代。
繁殖与变异： 通过交叉（重组两个亲本的特征）和突变（引入随机变化）来创建新的解。这种遗传多样性的引入至关重要，因为它可以防止算法陷入局部最优，从而帮助它在搜索空间中探索全局最大值。

人工智能的实际应用#

演化算法用途广泛，已成功应用于深度学习（DL）和工程领域的各个领域。

自动化超参数调优#

EA 最实用的应用之一是超参数调整。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——这些参数会显着影响性能。EA 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，Ultralytics 库中的 tune() 方法使用遗传算法来发现在自定义数据集上训练YOLO26模型的最佳训练超参数。

神经架构搜索 (NAS)#

EA 是神经架构搜索（NAS）的基石。演化算法无需人类工程师手动设计神经网络（NN）的结构，即可“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率的高效结构。这项技术催生了针对特定硬件限制进行了优化的极其高效的骨干网络，例如EfficientNet。

进化算法与群体智能的对比#

虽然两者都是受自然启发的优化策略，但将 EA 与群智能（SI）区分开来会很有帮助。

进化算法： 依赖代际更替。个体（解决方案）生存、根据适应度进行繁殖，最终死亡并被其后代所取代。主要驱动力是变异和交叉等遗传算子。
群智能： 模仿群体内部的社会互动，例如鸟群或鱼群。粒子群优化（PSO）等算法涉及在搜索空间中移动的一群智能体，它们根据自己的经验和邻居的成功来调整自己的位置，而无需代际更替。

使用 Ultralytics 实现优化#

从业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 方法运行一个演化过程，在多代中突变超参数，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)

这种自动细化使开发者能够超越手动猜测。对于扩展其运营的团队，可以使用Ultralytics Platform来简化管理这些实验和跟踪模型性能演化的过程，该平台可以可视化训练指标并促进模型部署。