Evrimsel Algoritma

#evrimsel-algoritma #optimizasyon #metasezgisel #genetik-algoritma

Evrimsel Algoritma, doğal seçilim ve kalıtım mekanizmalarından ilham alarak popülasyon tabanlı metasezgisel optimizasyon yapan algoritmalar ailesidir.

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.

Evrimsel Algoritmalar Nasıl Çalışır?

Evrimsel algoritmalar, her nesilde tekrarlanan dört adımlı bir döngüyle çalışır.

Başlatma: Rastgele ya da sezgisel yöntemle N adet birey (aday çözüm) oluşturulur. Her birey, problemin çözümünü temsil eden bir kodlamadır (örneğin bit dizisi, gerçek sayı vektörü veya program ağacı).

Uygunluk değerlendirmesi (Fitness Evaluation): Uygunluk fonksiyonu, her bireyin problemi ne ölçüde çözdüğünü sayısal olarak ölçer. Yüksek fitness değeri daha iyi bir çözümü simgeler.

Seçilim (Selection): Daha yüksek uygunluğa sahip bireyler üreme için tercih edilir. Rulet tekerleği seçimi, turnuva seçimi ve sıra tabanlı seçim yaygın stratejilerdir.

Üreme (Crossover + Mutasyon): Seçilen ebeveynlerden çaprazlama ile yeni bireyler üretilir. Ardından mutasyon operatörü genoma küçük rastgele değişiklikler uygular; bu sayede popülasyon çeşitliliği korunur ve yerel minimumlardan kaçınılır. Döngü, durdurma kriteri sağlanana kadar sürer.

Başlıca Evrimsel Algoritma Türleri

  • check_circle Genetik Algoritma (GA): Kromozomları binary ya da tam sayısal vektör olarak kodlar; sınıflandırma kural öğrenmesi ve çizelgeleme problemlerinde yaygındır.
  • check_circle Evrim Stratejileri (ES) ve CMA-ES: Sürekli parametrik optimizasyon için tasarlanmıştır. CMA-ES, kovaryans matrisini adapte ederek arama yönünü dinamik şekillendirir; pekiştirmeli öğrenme politika aramasında sıkça kullanılır.
  • check_circle Diferansiyel Evrim (DE): Bireyler arası fark vektörlerini kullanarak mutasyon üretir; yüksek boyutlu sürekli optimizasyon ve mühendislik tasarımında güçlüdür.
  • check_circle Genetik Programlama (GP): Bireyleri program ağacı olarak temsil eder ve otomatik kod/formül sentezi için kullanılır; sembolik regresyon ve otonom denetleyici tasarımında uygulamaları vardır.
  • check_circle NEAT (NeuroEvolution of Augmenting Topologies): Sinir ağı mimarisi ve ağırlıklarını birlikte evrimleştirir; oyun oynayan yapay zeka ve kontrol sistemlerinde öne çıkar.

Uygulama Alanları ve Örnekler

  • check_circle Hiperparametre Optimizasyonu: Öğrenme hızı, ağaç derinliği gibi ML model parametrelerini tüketici düzeyi bilgisayarda bile paralel olarak optimize eder. DEHB ve Optuna gibi çerçeveler evrimsel yöntemler kullanır.
  • check_circle Sinir Ağı Mimarisi Araması (NAS): Katman sayısı, bağlantı şeması ve aktivasyon fonksiyonu gibi mimari kararları otomatik keşfeder; gradyan tabanlı NAS yetersiz kaldığında tercih edilir.
  • check_circle Kombinatoryal Optimizasyon: Gezgin Satıcı Problemi (TSP), çizelgeleme, lojistik rota planlaması gibi NP-zor problemlerde kaliteli çözüm üretir.
  • check_circle NASA Anten Tasarımı: 2006'da NASA ST5 uydusunun anteni evrimsel algoritmayla tasarlandı; geleneksel mühendislik yaklaşımlarını aşan, sezgisel olmayan şekilli bir anten ortaya çıktı.
  • check_circle Pekiştirmeli Öğrenme Politika Araması: Gradient tabanlı RL'de ödül sinyali seyrek olduğunda evrimsel yöntemler (CMA-ES, OpenAI ES) daha iyi politika bulabilir; robotik kontrol ve oyun oynama bu kategoride öne çıkar.

Gradyan Tabanlı Yöntemlerle Karşılaştırma

Evrimsel algoritmalar ile gradyan iniş yöntemleri birbirini tamamlayan yaklaşımlardır. Gradyan iniş, türev alabilen ve konveks ya da yakın-konveks amaç fonksiyonlarında son derece verimlidir; modern derin öğrenme bunu temel alır.

Evrimsel algoritmalar ise türev hesaplanamayan, ayrık, çok-modlu veya kara-kutu niteliğindeki problemlerde öne çıkar. Uygunluk fonksiyonu yalnızca girdi-çıktı ilişkisine gerek duyduğundan, simülasyon tabanlı optimizasyon ve gerçek dünya deney tasarımı gibi alanlara doğrudan uygulanabilir. Birden fazla bireyi paralel değerlendirme imkânı, yüksek çekirdek sayısına sahip ortamlarda ciddi hız avantajı sağlar.

Hibrit yaklaşımlar giderek yaygınlaşmaktadır: evrimsel algoritmalar genel bir arama yaparak iyi bir başlangıç noktası bulur, ardından gradyan iniş yerel ince ayarı tamamlar.

Evrimsel Algoritma Uygulamaları

Nöral Mimari Araştırma (NAS)

Evrimsel stratejiler ile optimal katman yapısı, bağlantı örüntüsü ve hiperparametre kombinasyonunu otomatik keşfeder — EfficientNet bu yaklaşımla bulundu.

Robot Hareket Kontrolü

Simülasyonda evrimsel optimizasyon ile locomotion politikaları; Boston Dynamics'e benzer yürüyüş örüntüleri elle programlanmadan geliştirildi.

Çizelgeleme ve Lojistik

NP-zor çizelgeleme ve rota optimizasyonu; havayolu slot tahsisi ve depo robot koordinasyonu için meta-sezgisel çözümler.

İlaç Molekülü Tasarımı

Kimyasal uzayı genetik operatörlerle araştırarak belirli biyolojik özelliklere sahip molekül yapıları üretme; de novo ilaç tasarımında kullanılıyor.

Sık Sorulan Sorular

  • check_circle Evrimsel algoritma ile genetik algoritma arasındaki fark nedir? Genetik algoritma, evrimsel algoritmaların en yaygın alt türüdür ve genellikle binary ya da tamsayısal kromozom kodlaması kullanır. 'Evrimsel algoritma' ise GA, ES, CMA-ES, DE ve GP gibi tüm popülasyon tabanlı doğa-esinli optimizasyon yöntemlerini kapsayan çatı terimdir.
  • check_circle Evrimsel algoritmalar ne zaman tercih edilmeli? Amaç fonksiyonunun türevi alınamadığında, problem alanı ayrık veya karışık tipte olduğunda, birden fazla global optimum barındıran çok-modlu uzaylarda ve simülasyon bazlı kara-kutu optimizasyonunda evrimsel yöntemler güçlü bir alternatiftir.
  • check_circle Evrimsel algoritmalar derin öğrenmede kullanılıyor mu? Evet. Hiperparametre optimizasyonu, sinir ağı mimarisi araması (NAS) ve pekiştirmeli öğrenme politika aramasında evrimsel yöntemler aktif olarak kullanılmaktadır. NEAT, OpenAI ES ve CMA-ES bu alandaki öncü uygulamalardır.
  • check_circle Evrimsel algoritmalar her zaman global optimumu garanti eder mi? Hayır. Diğer metasezgisel yöntemler gibi evrimsel algoritmalar da en iyi çözümü bulmayı garanti etmez; yeterli nesil sayısı, popülasyon büyüklüğü ve operatör ayarları ile yüksek kaliteli çözüme ulaşma olasılığı artar.