Evrimsel Algoritmalar

Evrimsel Algoritmalar (EA'lar), karmaşık hesaplama problemlerini çözmek için doğal seleksiyon ve genetik gibi biyolojik ilkeleri taklit eden güçlü bir optimizasyon algoritmaları ailesidir. Stokastik gradyan inişi (SGD) gibi kalkülüs tabanlı türevlere dayanan geleneksel matematiksel tekniklerin aksine, EA'lar geniş, engebeli veya yeterince anlaşılmamış arama alanlarında gezinmek için tasarlanmıştır. EAs, zaman içinde rekabet eden, çoğalan ve mutasyona uğrayan potansiyel çözümlerin bir popülasyonunu koruyarak çalışır. Bu yaklaşım, yapay zeka (AI) alanındaki, "en iyi" çözümün analitik olarak belirlenmesinin zor olduğu görevler için EAs'yi özellikle etkili kılar ve sistemlerin optimum sonuca doğru yinelemeli olarak evrimleşmesine olanak tanır.

Biyolojik İlham ve Temel Mekanizmalar

Evrimsel Algoritmanın işlevselliği, en uygun olanın hayatta kalması kavramına dayanır. Süreç, doğal genetik evrimi taklit etmek için tasarlanmış bir dizi operatör döngüsüyle ilerler ve aday çözümleri kademeli olarak iyileştirir:

1. Başlatma: Sistem, rastgele adaylardan oluşan bir başlangıç popülasyonu oluşturur. Makine öğrenimi (ML) bağlamında, bu adaylar farklı model parametreleri kümelerini temsil edebilir.
2. Uygunluk Değerlendirmesi: Her aday, uygunluk işlevi olarak bilinen belirli bir hedefe göre test edilir. Bir bilgisayar görme (CV) modeli için bu işlev genellikle doğruluk veya Ortalama Ortalama Hassasiyet (mAP) gibi ölçütleri değerlendirir.
3. Seçim: Daha yüksek uygunluk puanına sahip adaylar, olasılık temelinde ebeveyn olarak seçilirler, böylece başarılı özelliklerin bir sonraki nesle aktarılması sağlanır.
4. Üreme ve Varyasyon: Yeni çözümler, çaprazlama (iki ebeveynin özelliklerinin yeniden birleştirilmesi) ve mutasyon (rastgele değişikliklerin eklenmesi) yoluyla oluşturulur. Bu genetik çeşitliliğin eklenmesi, algoritmanın yerel bir optimumda durgunlaşmasını önleyerek, arama alanını küresel maksimum için keşfetmesine yardımcı olduğu için çok önemlidir. .

Yapay Zekada Gerçek Dünya Uygulamaları

Evrimsel Algoritmalar çok yönlüdür ve derin öğrenme (DL) ve mühendislik alanlarında çeşitli alanlara başarıyla uygulanmıştır. .

Otomatik Hiperparametre Ayarlama

EA'ların en pratik uygulamalarından biri şudur: hiperparametre ayarlama. Modern sinir ağları , performansı önemli ölçüde etkileyen öğrenme oranı, ağırlık azalması ve momentum gibi düzinelerce parametrenin yapılandırılmasını gerektirir . EA'lar, yapılandırma ayarlarını geliştirerek bu sıkıcı deneme-yanılma sürecini otomatikleştirebilir. Örneğin , tune() Ultralytics indeki yöntem, genetik algoritma kullanarak en iyi eğitim hiperparametrelerini keşfeder. YOLO26 özel veri kümeleri üzerindeki modeller .

Sinirsel Mimari Arama (NAS)

EA'lar, Sinir Mimarisi Arama (NAS) İnsan mühendislerin sinir ağının (NN) yapısını manuel olarak tasarlaması yerine, evrimsel bir algoritma mimariyi "büyütebilir". Katmanların, nöronların ve bağlantıların farklı kombinasyonlarını test ederek, hız ve doğruluk arasında denge sağlayan verimli yapılar geliştirir. Bu teknik, belirli donanım kısıtlamaları için optimize edilmiş EfficientNet gibi yüksek verimli omurgaların oluşturulmasına yol açmıştır.

Evrimsel Algoritmalar ve Sürü Zekası

Her ikisi de doğadan ilham alan optimizasyon stratejileri olsa da, EA'ları Sürü Zekası (SI)

• Evrimsel Algoritmalar: Nesil değişimine dayanır. Bireyler (çözümler) yaşar, uygunluklarına göre çoğalır ve ölür, yerlerini yavruları alır. Başlıca itici güçler, mutasyon ve çaprazlama gibi genetik operatörlerdir.
• Sürü Zekası: Kuş sürüsü veya balık sürüsü gibi bir grup içindeki sosyal etkileşimi taklit eder. Parçacık Sürü Optimizasyonu (PSO) gibi algoritmalar, arama alanında hareket eden ve kendi deneyimlerine ve komşularının başarısına göre konumlarını ayarlayan, nesil değişimi olmayan bir ajan popülasyonunu içerir.

Ultralytics ile Optimizasyon Uygulama

Uygulayıcılar, nesne algılama modellerini optimize etmek için genetik algoritmaları doğrudan kullanabilirler. Ultralytics tune yöntemi, birkaç nesil boyunca hiperparametreleri mutasyona uğratmak için evrimsel bir süreç yürütür ve doğrulama verilerinizde en yüksek performansı sağlayan ayarları otomatik olarak belirler.

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)

Bu otomatik iyileştirme, geliştiricilerin manuel tahminlerin ötesine geçmelerini sağlar. Operasyonlarını ölçeklendiren ekipler için, bu deneyleri yönetmek ve model performansının gelişimini takip etmek, eğitim metriklerini görselleştiren ve model dağıtımını kolaylaştıran Ultralytics kullanılarak kolaylaştırılabilir.