tag evrimsel-algoritma

Bu sayfada evrimsel-algoritma etiketi ile işaretlenmiş 1 yapay zeka kavramını bulabilirsiniz.

Evrimsel algoritmalar, doğal seçilim, kalıtım ve genetik dönüşüm ilkelerinden ilham alan popülasyon tabanlı metasezgisel optimizasyon yöntemlerinin genel adıdır. Bu algoritmalar, bir dizi aday çözümden oluşan başlangıç popülasyonuyla çalışmaya başlar ve her nesilde bu popülasyonu değerleyerek, seçerek ve dönüştürerek daha iyi çözümlere doğru iteratif biçimde ilerler. Temel işleyiş döngüsü dört ana adımdan oluşur: Başlatma aşamasında rastgele ya da sezgisel yöntemle aday bireyler oluşturulur; her birey problemi temsil eden bir kodlamadır (bit dizisi, gerçek sayı vektörü veya program ağacı). Uygunluk değerlendirmesi (fitness evaluation) aşamasında her bireyin problemi ne kadar iyi çözdüğü sayısal olarak ölçülür. Seçilim operatörü, daha yüksek uygunluğa sahip bireyleri üremeye tercih ederek bilginin bir nesilden diğerine aktarılmasını sağlar. Son olarak çaprazlama ve mutasyon operatörleri yeni bireyler üretir; mutasyon arama uzayında çeşitliliği koruyarak erken yakınsamayı engeller. Döngü, belirlenen durdurma kriteri karşılanana kadar sürer. Evrimsel algoritmalar, gradyan tabanlı yöntemlerin yetersiz kaldığı senaryolarda güçlü alternatifler sunar: türev hesaplanamayan, ayrık veya çok-modlu amaç fonksiyonları, simülasyon tabanlı kara-kutu optimizasyonu ve NP-zor kombinatoryal problemler bu senaryoların başında gelir. Birden fazla bireyi paralel değerlendirme kapasitesi, çok çekirdekli ve dağıtık hesaplama ortamlarında önemli hız avantajı sağlar. Başlıca türler arasında Genetik Algoritmalar (GA), Kovaryans Matris Adaptasyonu (CMA-ES), Diferansiyel Evrim (DE), Genetik Programlama (GP) ve NEAT sayılabilir. 2006 yılında NASA'nın ST5 uydusunun anteni bu yöntemle tasarlanmış; geleneksel mühendislik yaklaşımlarını aşan, sezgisel-olmayan bir geometriye ulaşılmıştır. Yapay zeka alanında CMA-ES ve OpenAI ES, pekiştirmeli öğrenme politika aramasında gradyan iniş yöntemleriyle rekabet edebilecek düzeyde etkisini kanıtlamıştır. Hibrit yaklaşımlarda ise evrimsel algoritmalar genel bir arama yaparak iyi başlangıç noktaları belirler, ardından gradyan iniş yerel ince ayarı tamamlar.

biotech

Evrimsel Algoritma (Evrimsel Algoritma)

Evrimsel algoritmalar, doğal seçilim, kalıtım ve genetik dönüşüm ilkelerinden ilham alan popülasyon tabanlı metasezgisel optimizasyon yöntemlerinin genel adıdır. Bu algoritmalar, bir dizi aday çözümden oluşan başlangıç popülasyonuyla çalışmaya başlar ve her nesilde bu popülasyonu değerleyerek, seçerek ve dönüştürerek daha iyi çözümlere doğru iteratif biçimde ilerler. Temel işleyiş döngüsü dört ana adımdan oluşur: Başlatma aşamasında rastgele ya da sezgisel yöntemle aday bireyler oluşturulur; her birey problemi temsil eden bir kodlamadır (bit dizisi, gerçek sayı vektörü veya program ağacı). Uygunluk değerlendirmesi (fitness evaluation) aşamasında her bireyin problemi ne kadar iyi çözdüğü sayısal olarak ölçülür. Seçilim operatörü, daha yüksek uygunluğa sahip bireyleri üremeye tercih ederek bilginin bir nesilden diğerine aktarılmasını sağlar. Son olarak çaprazlama ve mutasyon operatörleri yeni bireyler üretir; mutasyon arama uzayında çeşitliliği koruyarak erken yakınsamayı engeller. Döngü, belirlenen durdurma kriteri karşılanana kadar sürer. Evrimsel algoritmalar, gradyan tabanlı yöntemlerin yetersiz kaldığı senaryolarda güçlü alternatifler sunar: türev hesaplanamayan, ayrık veya çok-modlu amaç fonksiyonları, simülasyon tabanlı kara-kutu optimizasyonu ve NP-zor kombinatoryal problemler bu senaryoların başında gelir. Birden fazla bireyi paralel değerlendirme kapasitesi, çok çekirdekli ve dağıtık hesaplama ortamlarında önemli hız avantajı sağlar. Başlıca türler arasında Genetik Algoritmalar (GA), Kovaryans Matris Adaptasyonu (CMA-ES), Diferansiyel Evrim (DE), Genetik Programlama (GP) ve NEAT sayılabilir. 2006 yılında NASA'nın ST5 uydusunun anteni bu yöntemle tasarlanmış; geleneksel mühendislik yaklaşımlarını aşan, sezgisel-olmayan bir geometriye ulaşılmıştır. Yapay zeka alanında CMA-ES ve OpenAI ES, pekiştirmeli öğrenme politika aramasında gradyan iniş yöntemleriyle rekabet edebilecek düzeyde etkisini kanıtlamıştır. Hibrit yaklaşımlarda ise evrimsel algoritmalar genel bir arama yaparak iyi başlangıç noktaları belirler, ardından gradyan iniş yerel ince ayarı tamamlar.

arrow_forward