الگوریتمبه مجموعه‌ای از دستورالعمل‌ها و ساختارهایی گفته می‌شود که می‌توان از آنها برای حل مسائل پیچیده استفاده کرد. از آنجایی که حوزه هوش مصنوعی جز حوزه‌هایی به حساب می‌آید که مدام برای حل مسائل نیاز به یک ساختار مشخص داریم، استفاده از الگوریتم‌ها در این حوزه به شدت به چشم می‌خورد. یکی از الگوریتم‌های معروفی که در هوش مصنوعی از آن برای حل مسائل پیچیده استفاده می‌شود، الگوریتم تکاملی یا Evolutionary Algorithms است. الگوریتم تکاملی یک نوع الگوریتم محاسباتی در هوش مصنوعی می‌باشد که از اصول موجود در تکامل و انتخاب طبیعی در موجودات زنده برای حل مسائل الهام می‌گیرد. از این الگوریتم برای یافتن بهینه‌ترین راه حل برای حل یک مسئله و به طور کلی بهبود ساختار استفاده می‌شود. این الگوریتم بر اثر تکرار مستمر و پویا سعی در بهبود نتیجه به دست آمده دارد. توضیحاتی که داده شد، شاید کمی گنگ باشد؛ به خاطر همین قصد داریم در ادامه این مقاله بیشتر در مورد این الگوریتم و روش کار آن بحث کنیم. اگر علاقه‌مند به کسب اطلاعات در مورد یکی دیگر از الگوریتم‌های پرکاربرد در هوش مصنوعی هستید، پیشنهاد می‌کنیم تا پایان این مقاله با آرتیجنسهمراه باشید. 

الگوریتم تکاملی چیست و چگونه کار می‌کند؟

همان طور که اشاره شد الگوریتم تکامل از اصول تکامل و انتخاب طبیعی و یک سری تکرارها برای حل مسائل  استفاده می‌کند؛ اما این دقیقاً به چه معناست؟ در روش حل مسئله به روش الگوریتم تکامل ابتدا اعضا یک جامعه به‌صورت تصادفی در نظر گرفته می‌شود و تابع هدف بر روی آن اعمال می‌شود تا میزان برازندگی و شایستگی هر یک از اعضای جامعه برای تولید نسل جدیدتر مشخص شود. سپس تمامی فرزندهای تولید شده از والدین با درنظرگرفتن مقدار معینی از احتمال که همان جهش نام دارد، تغییر ژنتیکی می‌یابند. در این مرحله یک بار دیگر تابع هدف اجرا می‌شود تا میزان برازندگی فرزندان را مشخص کند و آنها را جایگزین نسل قبلی کند. این چرخه تا جایی که یکی از معیارهای پایان بهینه سازی صدق کند ادامه میابد. الگوریتم مورچه، الگوریتم زنبور و الگوریتم ژنتیک جز الگوریتم‌های تکاملی به حساب می‌آیند. برای درک بهتر مفهوم الگوریتم تکامل و چگونگی کارکرد آن، روش کار این الگوریتم را در زیر توضیح خواهیم داد:

جمعیت اولیه (Initialization):

در ابتدا، یک جمعیت اولیه از افراد ایجاد می‌شود. هر یک از اعضای این جامعه نماینده‌ای از یک راه‌حل ممکن برای حل مسئله مورد نظر می‌باشد. این جامعه اولیه عمدتاً به صورت تصادفی ایجاد می‌شود.

انتخاب (Selection):

از میان جامعه تصادفی که در مرحله قبل به صورت تصادفی ایجاد شد، اعضایی از این جامعه که عملکرد بهتری در ارائه راه حل برای مسئله را داشتند انتخاب می‌شوند. این انتخاب توسط تابعی به نام تابع فیتنس که معیاری است برای ارزیابی عملکرد اعضا، انجام می‌شود. اعضایی از جامعه که عملکرد بهتری نسبت به بقیه اعضا داشته باشند انتخاب و به نسل بعدی منتقل می‌شوند.

ترکیب (Crossover):

پس از انتخاب اعضای منتخب، افرادی که انتخاب شده‌اند با یکدیگر ترکیب می‌شوند تا نسل جدید از جامعه و اعضای کاندید تولید شود. در مرحله ترکیب ویژگی‌های اعضای منتخب با یکدیگر ترکیب می‌شود تا یک نسل جدید و بهتر ایجاد شود. این ویژگی در الگوریتم تکاملی به‌شدت شبیه به تبادل ژن‌ها در تکامل زیستی عمل می‌کند و صرفاً اعضایی توانای بقا دارند که بتوانند بهتر عمل کنند.
همان‌طور که از عملکرد الگوریتم تکاملی می‌توان فهمید که این الگوریتم به شدت شبیه به قانون بقا در میان موجودات زنده عمل می‌کند. الگوریتم تکامل بستری را فراهم می‌کند تا بهترین‌ها بمانند و اعضایی که عملکرد ضعیفی دارند حذف شوند. این چرخه تا جایی ادامه پیدا می‌کند تا بهبود به حداکثر برسد. مرحله انتخاب و ترکیب باعث می‌شود تا جمعیت بتوانند از  تجربیات نسل قبلی استفاده کرده و یاد بگیرند تا بتوانند راه‌حل‌های بهتری را ارائه دهند. این الگوریتم‌ها معمولاً توانایی بالایی در حل مسائل پیچیده بهینه‌سازی و تطبیق عملکرد دارند.

کاربردهای الگوریتم تکاملی چیست؟

با توجه به ویژگی‌های الگوریتم‌های تکاملی می‌تواند حدس زد که این الگوریتم‌ها در زمینه‌های مختلف علم هوش مصنوعی برای حل مسائل مختلف و پیچیده می‌توانند بسیار کارآمد باشند. در ادامه مقاله الگوریتم تکاملی یا Evolutionary Algorithms چیست، می‌پردازیم به کاربردهای الگوریتم‌های تکاملی در زمینه‌های مختلف:

بهینه‌سازی تابع:

یکی از کاربردهای مهم الگوریتم‌های تکاملی در بهینه سازی توابع عددی و ریاضی می‌باشد. این توابع می‌توانند روش‌های بهینه‌تری را برای حل مسائل مرتبط با توابع عددی و ریاضی ارائه دهند.

تطبیق مسائل یادگیری ماشینی:

یکی از چالش‌های بر سر راه یادگیری ماشینی تطبیق مدل یادگیری ماشین با شرایط و ورودی‌هاست. برای دستیابی به عملکرد بهینه، دستیابی به این تطبیق مهم است. یکی از مواردی که الگوریتم‌های تکاملی می‌توانند به ما کمک کند، همین حوزه می‌باشد. الگوریتم‌های تکاملی می‌توانند به مدل‌های یادگیری ماشین برای تطبیق با محیط و داده‌های ورودی کمک کند. 

طراحی شبکه‌های عصبی مصنوعی: 

یکی دیگر از کاربردهای الگوریتم‌های تکاملی در بهینه سازی معماری و وزن‌ها در شبکه‌های عصبی مصنوعی می‌باشد. الگوریتم‌های تکاملی می‌توانند ما را در بهینه سازی تشخیص تصاویر و پردازش زبان طبیعی توسط شبکه‌های عصبی یاری کنند. 

تطبیق خودروهای هوش مصنوعی:

مسیریابی و کنترل ترافیک در خودروهای خودران یکی دیگر از زمینه‌های کاربرد الگوریتم‌های تکاملی است. از الگوریتم‌های تکاملی می‌توان برای بهینه سازی در تطبیق و تصمیم گیری خودروهای خودران استفاده کرد. 

نتیجه گیری:
الگوریتم‌ها نقش بسزایی در حل مسائل مرتبط با علوم کامپیوتر و به خصوص در حوزه هوش مصنوعی دارند. الگوریتم‌ها در چند سال اخیر چنان پیشرفت کرده و علوم کامپیوتری را به خود وابسته کرده است که حل برخی از مسائل این حوزه بدون کمک گرفتن از الگوریتم‌ها یا بسیار سخت است یا به طور کلی غیر ممکن. الگوریتم‌ها معمولاً با الهام گرفتن از اصول موجود در دنیای واقعی کار می‌کنند و به بیان دیگر، اصول موجود در طبیعت را شبیه سازی و از این طریق مسائل پیچیده را حل می‌کنند. یکی از این الگوریتم‌ها که یکی از پرکاربردترین آنها است، الگوریتم تکاملی می‌باشد که با الهام گرفتن از اصول تکاملی و انتخاب طبیعی موجودات زنده کار می‌کند. الگوریتم‌های تکاملی معمولاً سرعت بالایی در جستجو دارند و می‌توانند در حل مسائل مختلف با چندین هدف به طور هم‌زمان کارایی خوبی داشته باشند. الگوریتم تکاملی به راحتی می‌تواند با محیط اطراف خود منطبق شود و تصمیم‌گیری‌ها و راه حل‌هایی ارائه شده را بهبود ببخشد. انتظار می‌رود در آینده‌ای نه چندان دور بهبود ترکیب الگوریتم‌های تکاملی با تکنیک‌های هوش مصنوعی مانند یادگیری ماشین و شبکه‌های عصبی به منظور تولید راه حل‌های جدید و کارآمد مورد بررسی قرار گیرد.