进化算法

进化算法（EAs）是一类强大的优化算法家族，它们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的传统数学技术（如随机梯度下降法（SGD））不同，进化算法专为探索广阔、崎岖或难以理解的搜索空间而设计。 其运作机制在于维持一个潜在解的种群，这些解随时间推移相互竞争、繁殖与变异。这种方法使其在人工智能（AI）领域尤为有效——当"最优解"难以通过分析确定时，系统可通过迭代演化逐步趋近最优结果。

生物启发与核心机制

进化算法的功能根植于适者生存的理念。该过程通过设计用于模拟自然遗传进化的操作循环，逐步优化候选解：

1. 初始化：系统生成一组初始的随机候选方案。在机器学习（ML）的语境中，这些候选方案可能代表不同的模型参数集。
2. 适应性评估：每个候选模型都需针对特定目标（称为适应性函数）进行测试。对于计算机视觉（CV）模型，该函数通常评估准确率 或平均精度均值（mAP）等指标。
3. 选择：适应度评分较高的个体将以概率方式被选为亲本， 确保成功性状得以保留至下一代。
4. 繁殖与变异： 通过交叉（重组双亲的性状）和变异（引入随机变化）产生新解。这种遗传多样性的引入至关重要，它能防止算法在局部最优解中停滞，从而帮助其探索搜索空间以寻找全局最优解。

人工智能在现实世界中的应用

进化算法具有广泛的适用性，已在深度学习（DL）和工程领域的多个领域成功应用。

自动超参数调优

进化算法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——这些参数对性能影响显著。进化算法（EAs）可通过进化配置设置来自动化这一繁琐的试错过程。例如， tune() Ultralytics 中的方法采用遗传算法来发现最佳训练超参数。 YOLO26 在自定义数据集上训练模型。

神经架构搜索 (NAS)

进化算法是神经网络架构搜索（NAS）的基石。 相较于人工工程师手动设计神经网络（NN）结构，进化算法能通过"生长"方式构建架构。它测试不同层级、神经元及连接组合，进化出兼顾速度与精度的高效结构。该技术催生了高效神经网络（如EfficientNet）等高性能骨干网络，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

虽然两者都是受自然启发的优化策略，但区分进化算法与 群体智能（SI）仍具有重要意义。

• 进化算法：依赖世代更替。个体（解） 生存、基于适应度繁殖，最终死亡并被其后代取代。核心驱动力是遗传操作符， 如变异和交叉。
• 群体智能：模拟群体内的社会交互行为，例如鸟群或鱼群。粒子群优化（PSO）等算法涉及一群智能体，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，且无需代际替换。

使用Ultralytics实现优化

实践者可直接运用遗传算法优化其目标检测模型。Ultralytics tune 该方法通过进化过程对超参数进行多代变异， 自动识别在验证数据上能获得最高性能的设置。

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的局限。对于正在扩展业务规模的团队， Ultralytics 可高效管理这些实验并追踪模型性能的演变过程——该Ultralytics 不仅可视化训练指标， 还能促进模型部署。