البرمجة الجينية في بايثون: تصميم الخوارزميات التطورية لحل المشكلات المعقدة

في عالم يتشكل بشكل متزايد بفعل البيانات المعقدة والبيئات الديناميكية، غالبًا ما تصل الأساليب الخوارزمية التقليدية إلى حدودها. من تحسين سلاسل التوريد العالمية إلى اكتشاف فرضيات علمية جديدة أو تصميم ذكاء اصطناعي تكيفي، تقاوم العديد من التحديات الأساليب التقليدية القائمة على القواعد أو البحث الشامل. هنا يأتي دور البرمجة الجينية (GP) – وهي نموذج قوي يستغل مبادئ التطور الطبيعي لتوليد برامج حاسوبية قادرة على حل المشكلات المعقدة تلقائيًا. وفي قلب تبنيها وانتشارها وابتكارها تقع بايثون، اللغة المشهورة بقابليتها للقراءة وتعدد استخداماتها ونظامها البيئي الغني بالمكتبات العلمية.

يغوص هذا الدليل "الشامل" في عالم البرمجة الجينية في بايثون. سنستكشف المفاهيم الأساسية التي يقوم عليها تصميم الخوارزميات التطورية، ونسير عبر الخطوات العملية لبناء أنظمة البرمجة الجينية، وندرس تطبيقاتها العالمية المتنوعة، ونقدم لكم المكتبات الرائدة في بايثون التي تدعم هذا المجال المتطور. سواء كنت عالم بيانات، أو مهندس برمجيات، أو باحثًا، أو مجرد متحمس للتكنولوجيا، فإن فهم البرمجة الجينية مع بايثون يفتح الأبواب أمام حلول مبتكرة لبعض أكثر التحديات إلحاحًا التي تواجه البشرية.

ما هي البرمجة الجينية؟ منظور تطوري

البرمجة الجينية هي فرع من الحوسبة التطورية، مستوحاة من نظرية الانتقاء الطبيعي لتشارلز داروين. بدلاً من برمجة حل بشكل صريح، تعمل البرمجة الجينية على تطوير مجموعة من البرامج المرشحة، وتحسينها بشكل متكرر من خلال عمليات تشبه التطور البيولوجي: الانتقاء، والتهجين (إعادة التركيب)، والطفرة. الهدف هو اكتشاف برنامج يؤدي مهمة محددة على النحو الأمثل أو شبه الأمثل، حتى عندما تكون الطبيعة الدقيقة لهذا البرنامج الأمثل غير معروفة.

التمييز بين البرمجة الجينية (GP) والخوارزميات الجينية (GAs)

على الرغم من الخلط بينهما في كثير من الأحيان، من المهم فهم الفرق بين البرمجة الجينية والخوارزميات الجينية (GAs). كلاهما خوارزميات تطورية، لكنهما يختلفان في ما يتم تطويره:

• الخوارزميات الجينية (GAs): عادةً ما تطور سلاسل ذات طول ثابت (غالبًا ما تكون ثنائية أو رقمية) تمثل معلمات أو حلولًا محددة لمشكلة ما. على سبيل المثال، قد تقوم خوارزمية جينية بتحسين أوزان شبكة عصبية أو جدول مهام التصنيع. يكون هيكل الحل محددًا مسبقًا؛ يتم تطوير قيمه فقط.
• البرمجة الجينية (GP): تطور برامج الكمبيوتر نفسها، والتي يمكن أن تختلف في الحجم والشكل والتعقيد. غالبًا ما يتم تمثيل هذه البرامج كهياكل شجرية، حيث تكون العقد الداخلية عبارة عن وظائف (مثل العمليات الحسابية، والشروط المنطقية) والعقد الطرفية هي أطراف (مثل المتغيرات، والثوابت). لا تبحث البرمجة الجينية عن المعلمات المثلى فحسب، بل عن هياكل البرامج المثلى. هذه القدرة على تطوير هياكل عشوائية تجعل البرمجة الجينية قوية بشكل لا يصدق لاكتشاف حلول جديدة للمشكلات التي يكون شكل الحل فيها غير معروف أو متغيرًا بدرجة كبيرة.

تخيل أنك تحاول العثور على أفضل صيغة رياضية لوصف مجموعة بيانات. قد تقوم خوارزمية جينية بتحسين معاملات متعددة الحدود محددة مسبقًا، لنقل ax^2 + bx + c. أما البرمجة الجينية، فيمكنها تطوير الصيغة بأكملها، وربما تكتشف شيئًا مثل sin(x) * log(y) + 3*z، دون أي افتراض مسبق حول شكلها. هذه هي القوة الأساسية للبرمجة الجينية.

القوة التي لا تضاهى لبايثون في البرمجة الجينية

إن صعود بايثون كلغة مهيمنة في الذكاء الاصطناعي وتعلم الآلة والحوسبة العلمية ليس من قبيل الصدفة. خصائصها المتأصلة تجعلها بيئة مثالية لتنفيذ وتجربة البرمجة الجينية:

• القابلية للقراءة والبساطة: يقلل بناء الجملة الواضح والشبيه باللغة الإنجليزية في بايثون من العبء المعرفي لفهم الخوارزميات المعقدة، مما يسمح للباحثين والمطورين بالتركيز على المنطق التطوري بدلاً من الكود النمطي.
• النظام البيئي والمكتبات الواسعة: تتوفر مجموعة واسعة من المكتبات عالية الجودة. بالنسبة للبرمجة الجينية على وجه التحديد، توفر أطر عمل مثل DEAP (الخوارزميات التطورية الموزعة في بايثون) أدوات قوية ومرنة وفعالة. وتسهل المكتبات العلمية العامة مثل NumPy و SciPy و Pandas معالجة البيانات والعمليات العددية الأساسية لتقييم دالة اللياقة.
• النماذج الأولية السريعة والتجريب: تستفيد الطبيعة التكرارية لأبحاث البرمجة الجينية بشكل كبير من قدرة بايثون على السماح بالتطوير السريع واختبار الأفكار والفرضيات الجديدة. وهذا يسرع دورة تصميم الخوارزميات وتعديلها وتقييمها.
• تعدد الاستخدامات والتكامل: يعني تعدد استخدامات بايثون أنه يمكن دمج حلول البرمجة الجينية بسلاسة في أنظمة أكبر، سواء كانت تتضمن تطبيقات ويب، أو خطوط أنابيب بيانات، أو أطر عمل لتعلم الآلة. هذا أمر بالغ الأهمية لنشر الحلول المطورة في بيئات إنتاج حقيقية عبر صناعات متنوعة، من التمويل إلى الرعاية الصحية والهندسة.
• دعم المجتمع: يساهم مجتمع عالمي كبير ونشط في مكتبات بايثون وتوثيقها ومنتديات حل المشكلات، مما يوفر دعمًا لا يقدر بثمن للمبتدئين والممارسين المتقدمين في البرمجة الجينية.

تتضافر هذه المزايا لجعل بايثون اللغة المفضلة لكل من البحث الأكاديمي والتطبيقات الصناعية للبرمجة الجينية، مما يمكن الابتكار عبر القارات والتخصصات.

المفاهيم الأساسية للخوارزميات التطورية في البرمجة الجينية

فهم اللبنات الأساسية للبرمجة الجينية ضروري لتصميم خوارزميات تطورية فعالة. دعنا نحلل هذه المكونات الأساسية:

1. الأفراد وتمثيل البرامج

في البرمجة الجينية، "الفرد" هو برنامج مرشح يحاول حل المشكلة. يتم تمثيل هذه البرامج بشكل شائع كـ هياكل شجرية. لنأخذ تعبيرًا رياضيًا بسيطًا مثل (X + 2) * Y. يمكن تمثيله كشجرة:

     *
    / \
   +   Y
  / \
 X   2

• العقد الداخلية (الدوال): هذه هي العمليات التي تأخذ وسيطًا واحدًا أو أكثر وتعيد قيمة. تشمل الأمثلة العمليات الحسابية (+, -, *, /)، والدوال الرياضية (sin, cos, log)، والعوامل المنطقية (AND, OR, NOT)، أو الدوال الخاصة بالمجال.
• العقد الطرفية (الأطراف): هذه هي مدخلات البرنامج أو الثوابت. تشمل الأمثلة المتغيرات (X, Y)، والثوابت الرقمية (0, 1, 2.5)، أو القيم المنطقية (True, False).

تشكل مجموعة الدوال والأطراف المتاحة "المجموعة الأولية" – وهو خيار تصميم حاسم يحدد مساحة البحث لخوارزمية البرمجة الجينية. يؤثر اختيار المجموعة الأولية بشكل مباشر على تعقيد وقوة التعبير للبرامج التي يمكن تطويرها. يمكن لمجموعة أولية مختارة جيدًا أن تحسن بشكل كبير من فرص العثور على حل فعال، في حين أن مجموعة مختارة بشكل سيئ يمكن أن تجعل المشكلة غير قابلة للحل بالنسبة للبرمجة الجينية.

2. التجمع (Population)

تعمل الخوارزمية التطورية ليس على برنامج واحد، بل على تجمع من البرامج. هذا التنوع هو مفتاح استكشاف مساحة البحث بفعالية. قد يتراوح حجم التجمع النموذجي من عشرات إلى آلاف الأفراد. يوفر التجمع الأكبر عمومًا تنوعًا أكبر ولكنه يأتي بتكلفة حسابية أعلى لكل جيل.

3. دالة اللياقة: البوصلة الموجهة

تعتبر دالة اللياقة المكون الأكثر أهمية في أي خوارزمية تطورية، وخاصة في البرمجة الجينية. إنها تحدد كميًا مدى جودة حل برنامج فردي للمشكلة المعطاة. تشير قيمة اللياقة الأعلى إلى برنامج أفضل أداءً. توجه دالة اللياقة العملية التطورية، وتحدد الأفراد الأكثر احتمالاً للبقاء والتكاثر.

يتطلب تصميم دالة لياقة فعالة دراسة متأنية:

• الدقة: بالنسبة لمهام مثل الانحدار الرمزي أو التصنيف، غالبًا ما ترتبط اللياقة مباشرة بمدى دقة البرنامج في توقع المخرجات أو تصنيف نقاط البيانات.
• الشمولية: يجب أن تغطي جميع الجوانب ذات الصلة بالمشكلة.
• الكفاءة الحسابية: سيتم تقييم دالة اللياقة ملايين المرات، لذا يجب أن تكون مجدية حسابيًا.
• التوجيه: من الناحية المثالية، يجب أن يكون مشهد اللياقة سلسًا بما يكفي لتوفير تدرج للبحث التطوري، حتى لو كان المسار الدقيق إلى الحل الأمثل غير معروف.
• العقوبات: في بعض الأحيان، يتم دمج عقوبات للسمات غير المرغوب فيها، مثل تعقيد البرنامج (للتخفيف من "الانتفاخ") أو انتهاك القيود.

أمثلة على دوال اللياقة:

• الانحدار الرمزي: متوسط مربع الخطأ (MSE) أو جذر متوسط مربع الخطأ (RMSE) بين مخرجات البرنامج والقيم المستهدفة.
• التصنيف: الدقة، F1-score، المساحة تحت منحنى خاصية تشغيل المستقبل (ROC).
• ذكاء اصطناعي للألعاب: النتيجة المحققة في لعبة، وقت البقاء، عدد الخصوم المهزومين.
• الروبوتات: المسافة المقطوعة، كفاءة الطاقة، معدل إنجاز المهام.

4. الانتقاء: اختيار الآباء

بعد تقييم لياقة جميع الأفراد في التجمع، تحدد آلية الانتقاء البرامج التي ستعمل كـ "آباء" للجيل القادم. الأفراد الأكثر لياقة لديهم احتمالية أعلى للاختيار. تشمل طرق الانتقاء الشائعة:

• الانتقاء بالبطولة: يتم اختيار مجموعة فرعية صغيرة من الأفراد (حجم البطولة) بشكل عشوائي من التجمع، ويتم اختيار الفرد الأكثر لياقة بينهم كأب. يتكرر هذا لاختيار العدد المطلوب من الآباء. إنها طريقة قوية وتستخدم على نطاق واسع.
• الانتقاء بعجلة الروليت (الانتقاء النسبي للياقة): يتم اختيار الأفراد باحتمالية تتناسب مع لياقتهم. من الناحية المفاهيمية، يتم تدوير عجلة الروليت، حيث يشغل كل فرد شريحة تتناسب مع لياقته.
• الانتقاء القائم على الرتبة: يتم ترتيب الأفراد حسب اللياقة، وتعتمد احتمالية الاختيار على الرتبة بدلاً من قيم اللياقة المطلقة. يمكن أن يساعد هذا في منع التقارب المبكر بسبب وجود عدد قليل من الأفراد ذوي اللياقة العالية للغاية.

5. العوامل الوراثية: إنشاء أفراد جدد

بمجرد اختيار الآباء، يتم تطبيق العوامل الوراثية لإنشاء ذرية للجيل القادم. تدخل هذه العوامل التباين وتسمح للتجمع باستكشاف حلول جديدة.

أ. التهجين (إعادة التركيب)

يجمع التهجين المادة الوراثية من برنامجين أبوين لإنشاء برنامج ذرية واحد أو أكثر. في البرمجة الجينية القائمة على الشجرة، الشكل الأكثر شيوعًا هو تهجين الشجرة الفرعية:

• يتم اختيار برنامجين أبوين.
• يتم اختيار شجرة فرعية عشوائية من كل أب.
• يتم بعد ذلك تبديل هذه الأشجار الفرعية المختارة بين الآباء، مما يؤدي إلى إنشاء برنامجين جديدين للذرية.

الأب 1: (A + (B * C))
الأب 2: (D - (E / F))

اختر الشجرة الفرعية (B * C) من الأب 1
اختر الشجرة الفرعية (E / F) من الأب 2

الذرية 1: (A + (E / F))
الذرية 2: (D - (B * C))

يسمح التهجين باستكشاف تركيبات جديدة من مكونات البرنامج، ونشر اللبنات الناجحة عبر الأجيال.

ب. الطفرة

تُدخل الطفرة تغييرات عشوائية في برنامج فردي، مما يضمن التنوع الجيني ويساعد على الهروب من الحلول المثلى المحلية. في البرمجة الجينية القائمة على الشجرة، تشمل أنواع الطفرات الشائعة:

• طفرة الشجرة الفرعية: يتم استبدال شجرة فرعية عشوائية داخل البرنامج بشجرة فرعية عشوائية تم إنشاؤها حديثًا. يمكن أن يؤدي هذا إلى تغييرات كبيرة.
• طفرة النقطة: يتم استبدال طرف بطرف آخر، أو يتم استبدال دالة بدالة أخرى من نفس العدد من الوسائط. يؤدي هذا إلى تغييرات أصغر وموضعية.

البرنامج الأصلي: (X * (Y + 2))

طفرة الشجرة الفرعية (استبدال (Y + 2) بشجرة فرعية عشوائية جديدة (Z - 1)):
البرنامج الجديد: (X * (Z - 1))

طفرة النقطة (استبدال '*' بـ '+'):
البرنامج الجديد: (X + (Y + 2))

عادة ما تكون معدلات الطفرة منخفضة، مما يوازن بين الحاجة إلى الاستكشاف والحفاظ على الحلول الجيدة.

6. معايير الإنهاء

تستمر العملية التطورية حتى يتم استيفاء معيار إنهاء محدد. تشمل المعايير الشائعة:

• الحد الأقصى لعدد الأجيال: تتوقف الخوارزمية بعد عدد ثابت من التكرارات.
• عتبة اللياقة: تتوقف الخوارزمية عندما يحقق فرد ما مستوى محددًا من اللياقة.
• حد زمني: تتوقف الخوارزمية بعد انقضاء قدر معين من الوقت الحسابي.
• عدم وجود تحسن: تتوقف الخوارزمية إذا لم تتحسن أفضل لياقة في التجمع لعدد معين من الأجيال.

تصميم خوارزمية تطورية: دليل خطوة بخطوة مع بايثون

دعنا نحدد الخطوات العملية المتبعة في تصميم وتنفيذ نظام برمجة جينية باستخدام بايثون. سنشير إلى حد كبير إلى المفاهيم والهيكل الذي توفره مكتبة DEAP، والتي تعد معيارًا واقعيًا للحوسبة التطورية في بايثون.

الخطوة 1: صياغة المشكلة وإعداد البيانات

حدد بوضوح المشكلة التي تريد حلها. هل هي انحدار رمزي، أم تصنيف، أم تحكم، أم شيء آخر؟ اجمع بياناتك وقم بمعالجتها مسبقًا. على سبيل المثال، إذا كانت المشكلة هي الانحدار الرمزي، فستحتاج إلى متغيرات إدخال (ميزات) وقيم مستهدفة مقابلة.

الخطوة 2: تحديد المجموعة الأولية (الدوال والأطراف)

هنا تحدد اللبنات الأساسية التي سيتم بناء برامجك منها. تحتاج إلى تحديد العمليات الرياضية، والدوال المنطقية، ومتغيرات الإدخال/الثوابت ذات الصلة بمشكلتك. في DEAP، يتم ذلك باستخدام PrimitiveSet.

مثال: الانحدار الرمزي

لمشكلة تحاول فيها العثور على دالة f(x, y) = ? تقرب مخرجًا ما z، قد تتضمن مجموعتك الأولية:

• الدوال: add, sub, mul, div (قسمة محمية للتعامل مع القسمة على صفر)
• الأطراف: x, y, وربما ثوابت مؤقتة (أرقام يتم إنشاؤها عشوائيًا ضمن نطاق).

from deap import gp
import operator

def protectedDiv(left, right):
    try:
        return left / right
    except ZeroDivisionError:
        return 1 # أو أي قيمة محايدة أخرى

pset = gp.PrimitiveSet("main", arity=2) # arity=2 لمدخلات x, y
pset.addPrimitive(operator.add, 2) # add(a, b)
pset.addPrimitive(operator.sub, 2) # sub(a, b)
pset.addPrimitive(operator.mul, 2) # mul(a, b)
pset.addPrimitive(protectedDiv, 2) # protectedDiv(a, b)
pset.addTerminal(1) # الثابت 1
# إعادة تسمية الوسائط للتوضيح
pset.renameArguments(ARG0='x', ARG1='y')

الخطوة 3: تعريف دالة اللياقة

اكتب دالة بايثون تأخذ برنامجًا فرديًا (ممثلاً كشجرة) وتعيد قيمة لياقته. يتضمن هذا:

1. تحويل شجرة البرنامج إلى دالة بايثون قابلة للتنفيذ.
2. تنفيذ هذه الدالة ببيانات التدريب الخاصة بك.
3. حساب الخطأ أو النتيجة بناءً على مخرجات البرنامج والقيم المستهدفة.

بالنسبة للانحدار الرمزي، يتضمن هذا عادةً حساب متوسط مربع الخطأ (MSE). تذكر أن تعيد tuple، لأن DEAP تتوقع قيم اللياقة كـ tuples (على سبيل المثال، (mse,) لتحسين هدف واحد).

import numpy as np

# بيانات وهمية. في سيناريو حقيقي، سيتم تحميلها.
training_data_points = [(i, i*2) for i in range(-5, 5)] # مدخلات مثال
training_data_labels = [p[0]**2 + p[1] for p in training_data_points] # أهداف مثال (x^2 + y)

def evalSymbReg(individual, points, labels):
    # تحويل شجرة البرمجة الجينية إلى دالة بايثون
    func = gp.compile(individual, pset)

    # تقييم البرنامج على المدخلات 'points'
    # معالجة أخطاء وقت التشغيل المحتملة من البرامج المطورة (مثل أخطاء المجال الرياضي)
    sqerrors = []
    for p, l in zip(points, labels):
        try:
            program_output = func(p[0], p[1])
            sqerrors.append((program_output - l)**2)
        except (OverflowError, ValueError, TypeError): # التقاط الأخطاء الشائعة
            sqerrors.append(float('inf')) # معاقبة المخرجات غير الصالحة بشدة

    if float('inf') in sqerrors or not sqerrors: # إذا كانت كل الأخطاء لا نهائية أو لم يتم حساب أي أخطاء
        return float('inf'), # إرجاع لياقة لا نهائية
    return np.mean(sqerrors), # الإرجاع كـ tuple

الخطوة 4: تكوين صندوق أدوات DEAP

يعد Toolbox في DEAP مكونًا مركزيًا لتسجيل وتكوين جميع المكونات اللازمة لخوارزميتك التطورية: إنشاء الأفراد، إنشاء التجمع، تقييم اللياقة، الانتقاء، التهجين، والطفرة.

from deap import base, creator, tools

# 1. تعريف أنواع اللياقة والفرد
# تقليل اللياقة (مثل متوسط مربع الخطأ). weights=(-1.0,) للتقليل, (1.0,) للتعظيم
creator.create("FitnessMin", base.Fitness, weights=(-1.0,))
# الفرد هو PrimitiveTree من وحدة gp، مع نوع اللياقة المحدد
creator.create("Individual", gp.PrimitiveTree, fitness=creator.FitnessMin)

# 2. تهيئة صندوق الأدوات
toolbox = base.Toolbox()

# 3. تسجيل المكونات
# مولد 'expr' للتجمع الأولي (مثل طريقة نصف ونصف المتدرجة)
# min_=1, max_=2 يعني أن الأشجار سيكون لها عمق بين 1 و 2
toolbox.register("expr", gp.genHalfAndHalf, pset=pset, min_=1, max_=2)
# منشئ 'individual': يجمع نوع 'PrimitiveTree' مع مولد 'expr'
toolbox.register("individual", tools.initIterate, creator.Individual, toolbox.expr)
# منشئ 'population': قائمة من الأفراد
toolbox.register("population", tools.initRepeat, list, toolbox.individual)

# تسجيل دالة التقييم (دالة اللياقة) ببيانات محددة
toolbox.register("evaluate", evalSymbReg, points=training_data_points, labels=training_data_labels)

# تسجيل العوامل الوراثية
toolbox.register("select", tools.selTournament, tournsize=3) # انتقاء بالبطولة بحجم 3
toolbox.register("mate", gp.cxOnePoint) # تهجين بنقطة واحدة لهياكل الشجرة
# الطفرة: استبدال شجرة فرعية عشوائية بأخرى جديدة تم إنشاؤها عشوائيًا
toolbox.register("mutate", gp.mutUniform, expr=toolbox.expr, pset=pset)

الخطوة 5: إعداد الإحصائيات والتسجيل

لمراقبة تقدم خوارزميتك التطورية، من الضروري جمع إحصائيات حول التجمع (مثل أفضل لياقة، متوسط اللياقة، حجم البرنامج). يعد كائن Statistics و HallOfFame في DEAP مفيدًا لهذا الغرض.

mstats = tools.Statistics(lambda ind: ind.fitness.values)
# تسجيل دوال لحساب وتخزين إحصائيات مختلفة لكل جيل
mstats.register("avg", np.mean)
mstats.register("std", np.std)
mstats.register("min", np.min)
mstats.register("max", np.max)

hof = tools.HallOfFame(1) # يخزن أفضل فرد تم العثور عليه أثناء التطور


الخطوة 6: تشغيل الحلقة التطورية الرئيسية
هنا تبدأ الخوارزمية التطورية في العمل. توفر DEAP خوارزميات عالية المستوى مثل eaSimple التي تغلف العملية التطورية الجيلية القياسية. يمكنك تحديد التجمع، وصندوق الأدوات، واحتمالات العوامل الوراثية، وعدد الأجيال، ومعالجات الإحصائيات.
NGEN = 50 # عدد الأجيال لتشغيل التطور
POP_SIZE = 300 # حجم التجمع (عدد الأفراد)
CXPB = 0.9 # احتمالية تطبيق التهجين على فرد
MUTPB = 0.1 # احتمالية تطبيق الطفرة على فرد

population = toolbox.population(n=POP_SIZE) # تهيئة الجيل الأول

# تشغيل الخوارزمية التطورية
# eaSimple هي حلقة خوارزمية تطورية جيلية أساسية
population, log = tools.algorithms.eaSimple(population, toolbox, CXPB, MUTPB, NGEN, 
                                            stats=mstats, halloffame=hof, verbose=True)

# أفضل برنامج تم العثور عليه عبر جميع الأجيال يتم تخزينه في hof[0]
best_program = hof[0]
print(f"أفضل برنامج تم العثور عليه: {best_program}")


الخطوة 7: تحليل النتائج وتفسير أفضل برنامج
بعد اكتمال العملية التطورية، قم بتحليل السجلات وأفضل فرد تم العثور عليه في HallOfFame. يمكنك تصور شجرة البرنامج المطورة، وتحويلها لاختبار أدائها على بيانات غير مرئية، ومحاولة تفسير منطقها. بالنسبة للانحدار الرمزي، يعني هذا فحص التعبير الرياضي الذي اكتشفه.
# تقييم أفضل برنامج على بيانات التدريب لتأكيد لياقته
final_fitness = toolbox.evaluate(best_program)
print(f"لياقة التدريب النهائية لأفضل برنامج: {final_fitness}")

# اختياريًا، قم بتحويله واختباره على بيانات جديدة غير مرئية للتحقق من التعميم
# new_test_points = [(6, 12), (7, 14)]
# new_test_labels = [6**2 + 12, 7**2 + 14]
# test_fitness = evalSymbReg(best_program, new_test_points, new_test_labels)
# print(f"لياقة الاختبار لأفضل برنامج: {test_fitness}")

# لتصور الشجرة (يتطلب تثبيت graphviz وإمكانية استدعائه من المسار)
# from deap import gp
# import matplotlib.pyplot as plt
# nodes, edges, labels = gp.graph(best_program)
# import pygraphviz as pgv
# g = pgv.AGraph()
# g.add_nodes_from(nodes)
# g.add_edges_from(edges)
# g.layout(prog='dot')
# for i in nodes: g.get_node(i).attr['label'] = labels[i]
# g.draw('best_program.pdf')


التطبيقات العملية للبرمجة الجينية في بايثون (أمثلة عالمية)

قدرة البرمجة الجينية على توليد البرامج تلقائيًا تجعلها أداة لا تقدر بثمن عبر مجموعة واسعة من الصناعات ومجالات البحث في جميع أنحاء العالم. إليك بعض الأمثلة العالمية المقنعة:

1. الانحدار الرمزي: الكشف عن العلاقات الخفية في البيانات
الوصف: بالنظر إلى مجموعة بيانات من أزواج المدخلات والمخرجات، يمكن للبرمجة الجينية تطوير تعبير رياضي يصف العلاقة بينها على أفضل وجه. هذا يشبه الاكتشاف العلمي الآلي، مما يسمح للباحثين بالكشف عن القوانين الأساسية دون افتراضات مسبقة حول شكلها.
التأثير العالمي:

    
علوم المناخ: اكتشاف نماذج مناخية جديدة من بيانات أجهزة الاستشعار التي تم جمعها عبر مناطق جغرافية متنوعة، مما يساعد على التنبؤ بأنماط الطقس أو تأثير التغيرات البيئية في أنظمة بيئية مختلفة من غابات الأمازون المطيرة إلى القمم الجليدية في القطب الشمالي.
    
الاقتصاد والتمويل: اشتقاق صيغ تنبؤية لتحركات سوق الأسهم، أو أسعار السلع، أو المؤشرات الاقتصادية الكلية، مما يساعد المحللين الماليين وصناع السياسات في مختلف الأسواق العالمية (مثل التنبؤ بالتضخم في الأسواق الناشئة أو تقلبات أسعار الصرف بين العملات الرئيسية).
    
الفيزياء والهندسة: اشتقاق قوانين فيزيائية أو معادلات تصميم هندسي تلقائيًا من البيانات التجريبية، مما يسرع البحث في علوم المواد أو تصميم الأنظمة المعقدة، ويستخدم في هندسة الطيران من أوروبا إلى آسيا.


2. تعلم الآلة: التصميم الآلي للنماذج وهندسة الميزات
الوصف: يمكن استخدام البرمجة الجينية لتطوير مكونات خطوط أنابيب تعلم الآلة، مما يؤدي إلى حلول أكثر قوة وتخصيصًا من النماذج المصممة بشريًا بحتة.
التأثير العالمي:

    
هندسة الميزات الآلية (AutoFE): تطوير ميزات جديدة ذات قدرة تنبؤية عالية من البيانات الخام، والتي يمكن أن تعزز بشكل كبير أداء نماذج تعلم الآلة التقليدية. على سبيل المثال، في مجال الرعاية الصحية، يمكن للبرمجة الجينية دمج العلامات الحيوية الخام للمرضى من عيادات في إفريقيا وآسيا لإنشاء ميزات تشير بشكل أفضل إلى تطور المرض، مما يحسن دقة التشخيص على مستوى العالم.
    
اختيار النماذج وتحسين المعلمات الفائقة: يمكن للبرمجة الجينية البحث عن هياكل نماذج تعلم الآلة المثلى (مثل طوبولوجيا الشبكات العصبية) أو إعدادات المعلمات الفائقة، مما يؤدي إلى أتمتة عملية تطوير النماذج التي غالبًا ما تكون مستهلكة للوقت. هذا أمر بالغ الأهمية للمؤسسات في جميع أنحاء العالم، مما يتيح نشر حلول الذكاء الاصطناعي بشكل أسرع.
    
تطوير أشجار/قواعد القرار: توليد قواعد تصنيف أو انحدار قابلة للتفسير بدرجة عالية يمكن فهمها من قبل الخبراء، مما يساعد في صنع القرار في قطاعات مثل تقييم مخاطر الائتمان عبر اقتصادات وطنية مختلفة أو التنبؤ بتفشي الأمراض في أنظمة الصحة العامة على مستوى العالم.


3. الروبوتات وأنظمة التحكم: وكلاء مستقلون تكيفيون
الوصف: تتفوق البرمجة الجينية في تطوير سياسات التحكم أو السلوكيات للروبوتات والوكلاء المستقلين، خاصة في البيئات الديناميكية أو غير المؤكدة حيث تكون البرمجة الصريحة صعبة.
التأثير العالمي:

    
الملاحة المستقلة: تطوير برامج تحكم للطائرات بدون طيار (UAVs) أو الروبوتات الأرضية التي تعمل في تضاريس متنوعة، من البيئات الحضرية في أمريكا الشمالية إلى الأراضي الزراعية النائية في أستراليا، دون برمجة صريحة لكل طارئ.
    
الأتمتة الصناعية: تحسين حركات ذراع الروبوت لتحقيق الكفاءة والدقة في مصانع التصنيع، من مصانع السيارات في ألمانيا إلى خطوط تجميع الإلكترونيات في كوريا الجنوبية، مما يؤدي إلى زيادة الإنتاجية وتقليل الهدر.
    
البنية التحتية الذكية: تطوير أنظمة تحكم في حركة المرور تكيفية للمدن الكبرى المزدحمة مثل طوكيو أو مومباي، وتحسين تدفق حركة المرور في الوقت الفعلي لتقليل الازدحام والتلوث.


4. ذكاء الألعاب والمحاكاة: خصوم أذكياء وتكيفيون
الوصف: يمكن للبرمجة الجينية إنشاء ذكاء اصطناعي معقد وشبيه بالإنسان للألعاب، أو تحسين السلوكيات داخل المحاكاة، مما يؤدي إلى تجارب أكثر جاذبية أو نماذج تنبؤية أكثر دقة.
التأثير العالمي:

    
لعب ديناميكي: تطوير خصوم ذكاء اصطناعي يتكيفون مع استراتيجيات اللاعب في الوقت الفعلي، مما يوفر تجربة لعب أكثر تحديًا وتخصيصًا للاعبين في جميع أنحاء العالم، من الألعاب المحمولة العادية إلى الرياضات الإلكترونية التنافسية.
    
المحاكاة الاستراتيجية: تطوير وكلاء متطورين للمحاكاة الاقتصادية أو العسكرية، مما يسمح للمحللين باختبار استراتيجيات مختلفة والتنبؤ بالنتائج للسيناريوهات الجيوسياسية أو إدارة الموارد في برامج التنمية الدولية.


5. النمذجة المالية: تطوير استراتيجيات التداول وإدارة المخاطر
الوصف: يمكن للبرمجة الجينية اكتشاف أنماط جديدة وبناء نماذج تنبؤية في الأسواق المالية، والتي تشتهر بتعقيدها وعدم خطيتها.
التأثير العالمي:

    
استراتيجيات التداول الآلي: تطوير خوارزميات تحدد نقاط الدخول والخروج المربحة لمختلف الأدوات المالية عبر بورصات مختلفة (مثل بورصة نيويورك، بورصة لندن، بورصة طوكيو)، والتكيف مع ظروف السوق المتنوعة والبيئات التنظيمية.
    
تقييم المخاطر: تطوير نماذج لتقييم مخاطر الائتمان للأفراد أو الشركات عبر اقتصادات مختلفة، مع مراعاة المتغيرات الاقتصادية المحلية والعالمية، ومساعدة البنوك والمؤسسات المالية في اتخاذ قرارات مستنيرة عبر محافظها الدولية.


6. اكتشاف الأدوية وعلوم المواد: تحسين الهياكل والخصائص
الوصف: يمكن للبرمجة الجينية استكشاف مساحات تصميم واسعة لتحسين الهياكل الجزيئية لفعالية الأدوية أو تركيبات المواد للخصائص المرغوبة.
التأثير العالمي:

    
توليد الأدوية المرشحة: تطوير مركبات كيميائية بخصائص محددة مرغوبة (مثل ألفة الارتباط ببروتين مستهدف)، مما يسرع عملية اكتشاف الأدوية للتحديات الصحية العالمية مثل الأوبئة أو الأمراض المهملة.
    
تصميم المواد الجديدة: اكتشاف تركيبات أو هياكل مواد جديدة بخصائص معززة (مثل القوة، التوصيلية، المقاومة الحرارية) لتطبيقات تتراوح من مكونات الطيران إلى تقنيات الطاقة المستدامة، والمساهمة في الابتكار العالمي في التصنيع والطاقة الخضراء.


مكتبات بايثون الشائعة للبرمجة الجينية

تتعزز قوة بايثون في البرمجة الجينية بشكل كبير من خلال المكتبات المتخصصة التي تختصر الكثير من الكود النمطي، مما يسمح للمطورين بالتركيز على تفاصيل المشكلة.

1. DEAP (الخوارزميات التطورية الموزعة في بايثون)
تعتبر DEAP إلى حد بعيد الإطار الأكثر استخدامًا ومرونة للحوسبة التطورية في بايثون. إنها توفر مجموعة شاملة من الأدوات وهياكل البيانات لتنفيذ أنواع مختلفة من الخوارزميات التطورية، بما في ذلك البرمجة الجينية، والخوارزميات الجينية، والاستراتيجيات التطورية، والمزيد.


    
الميزات الرئيسية:
        

            
بنية مرنة: معيارية للغاية، مما يسمح للمستخدمين بدمج عوامل انتقاء مختلفة، وطرق تهجين، واستراتيجيات طفرة، ومعايير إنهاء.
            
دعم البرمجة الجينية القائمة على الشجرة: دعم ممتاز لتمثيل البرامج القائمة على الشجرة مع PrimitiveSet والعوامل الوراثية المتخصصة.
            
التوازي: دعم مدمج للتقييم المتوازي والموزع، وهو أمر حاسم لمهام البرمجة الجينية كثيفة الحوسبة.
            
الإحصائيات والتسجيل: أدوات لتتبع إحصائيات التجمع وأفضل الأفراد عبر الأجيال.
            
الدروس والتوثيق: توثيق وأمثلة واسعة تجعلها سهلة الوصول للتعلم والتنفيذ.
        
    
    
لماذا تختار DEAP؟ بالنسبة للباحثين والمطورين الذين يحتاجون إلى تحكم دقيق في خوارزمياتهم التطورية ويعتزمون استكشاف تقنيات البرمجة الجينية المتقدمة، تعد DEAP الخيار المفضل نظرًا لمرونتها وقوتها.


2. PyGAD (الخوارزمية الجينية في بايثون للتعلم العميق وتعلم الآلة)
بينما تركز PyGAD بشكل أساسي على الخوارزميات الجينية (GAs) لتحسين المعلمات (مثل الأوزان في الشبكات العصبية)، إلا أنها مكتبة سهلة الاستخدام يمكن تكييفها لمهام أبسط تشبه البرمجة الجينية، خاصة إذا كان يمكن تمثيل "البرنامج" كتسلسل ثابت الطول من الإجراءات أو المعلمات.


    
الميزات الرئيسية:
        

            
سهولة الاستخدام: واجهة برمجة تطبيقات أبسط، مما يجعل إعداد وتشغيل الخوارزميات الجينية الأساسية سريعًا جدًا.
            
تكامل التعلم العميق: تركيز قوي على التكامل مع أطر التعلم العميق مثل Keras و PyTorch لتحسين النماذج.
            
التصور: تتضمن دوال لرسم اللياقة عبر الأجيال.
        
    
    
اعتبارات للبرمجة الجينية: على الرغم من أنها ليست بطبيعتها مكتبة "برمجة جينية" بالمعنى التقليدي القائم على الشجرة، يمكن استخدام PyGAD لتطوير تسلسلات من العمليات أو إعدادات التكوين التي قد تشبه برنامجًا جينيًا خطيًا إذا كان مجال المشكلة يسمح بمثل هذا التمثيل. إنها أكثر ملاءمة للمشكلات التي يكون فيها الهيكل ثابتًا إلى حد ما، ويتم تطوير المعلمات.


3. GpLearn (البرمجة الجينية في Scikit-learn)
GpLearn هي مكتبة متوافقة مع scikit-learn للبرمجة الجينية. تركيزها الأساسي هو على الانحدار الرمزي والتصنيف، مما يسمح لها بالاندماج بسلاسة في خطوط أنابيب تعلم الآلة الحالية في scikit-learn.


    
الميزات الرئيسية:
        

            
واجهة برمجة تطبيقات Scikit-learn: طرق .fit() و .predict() المألوفة تجعلها سهلة لممارسي تعلم الآلة.
            
الانحدار الرمزي والتصنيف: متخصصة في هذه المهام، وتقدم ميزات مثل هندسة الميزات التلقائية.
            
دوال مدمجة: توفر مجموعة جيدة من العوامل الرياضية والمنطقية الأساسية.
        
    
    
لماذا تختار GpLearn؟ إذا كان تطبيقك الأساسي هو الانحدار الرمزي أو التصنيف وكنت تعمل بالفعل ضمن نظام scikit-learn البيئي، فإن GpLearn تقدم طريقة مريحة وفعالة لتطبيق البرمجة الجينية دون الكثير من الكود النمطي.


مواضيع متقدمة واعتبارات في البرمجة الجينية في بايثون

كلما تعمقت في البرمجة الجينية، تظهر العديد من المواضيع المتقدمة والاعتبارات التي يمكن أن تؤثر بشكل كبير على أداء وتطبيق خوارزمياتك.

1. إدارة انتفاخ البرنامج
أحد التحديات الشائعة في البرمجة الجينية هو "الانتفاخ" – وهو ميل البرامج المطورة إلى النمو بشكل مفرط في الحجم والتعقيد دون زيادة مقابلة في اللياقة. البرامج الكبيرة مكلفة حسابيًا في التقييم وغالبًا ما تكون أصعب في التفسير. تشمل استراتيجيات مكافحة الانتفاخ:

    
حدود الحجم/العمق: فرض حدود صريحة على أقصى عمق أو عدد من العقد في شجرة البرنامج.
    
ضغط البخل (Parsimony Pressure): تعديل دالة اللياقة لمعاقبة البرامج الأكبر، وتشجيع الحلول الأبسط (على سبيل المثال، fitness = accuracy - alpha * size).
    
آليات انتقاء بديلة: استخدام طرق انتقاء مثل انتقاء Lexicase أو تحسين Pareto للعمر واللياقة التي تفضل ضمنيًا الأفراد الأصغر حجمًا والمتساوين في اللياقة.
    
تصميم العوامل: تصميم عوامل التهجين والطفرة التي تكون أقل عرضة لتوليد برامج كبيرة جدًا.


2. المعيارية والدوال المعرفة تلقائيًا (ADFs)
تطور البرمجة الجينية التقليدية برنامجًا رئيسيًا واحدًا. ومع ذلك، غالبًا ما تستفيد برامج العالم الحقيقي من المعيارية – القدرة على تعريف وإعادة استخدام الإجراءات الفرعية. توسع الدوال المعرفة تلقائيًا (ADFs) البرمجة الجينية لتطوير ليس فقط البرنامج الرئيسي ولكن أيضًا برنامجًا فرعيًا واحدًا أو أكثر (دوال) يمكن للبرنامج الرئيسي استدعاؤها. يسمح هذا بحل المشكلات بشكل هرمي، وتحسين إعادة استخدام الكود، وربما حلول أكثر إيجازًا وكفاءة، مما يعكس كيفية قيام المبرمجين البشريين بتجزئة المهام المعقدة.

3. البرمجة الجينية المتوازية والموزعة
يمكن أن تكون البرمجة الجينية كثيفة الحوسبة، خاصة مع التجمعات الكبيرة أو دوال اللياقة المعقدة. تعد الموازاة والحوسبة الموزعة ضرورية لتوسيع نطاق البرمجة الجينية لحل المشكلات الصعبة. تشمل الاستراتيجيات:

    
الموازاة الخشنة (نموذج الجزر): تشغيل عدة تجمعات برمجة جينية مستقلة ("جزر") بالتوازي، مع هجرة عرضية للأفراد بينها. يساعد هذا في الحفاظ على التنوع واستكشاف أجزاء مختلفة من مساحة البحث بشكل متزامن.
    
الموازاة الدقيقة: توزيع تقييم الأفراد أو تطبيق العوامل الوراثية عبر عدة أنوية أو أجهزة. توفر مكتبات مثل DEAP دعمًا مدمجًا للتنفيذ المتوازي باستخدام multiprocessing أو Dask.


4. البرمجة الجينية متعددة الأهداف
تتضمن العديد من مشكلات العالم الحقيقي تحسين أهداف متعددة، غالبًا ما تكون متضاربة، في وقت واحد. على سبيل المثال، في مهمة تصميم هندسي، قد يرغب المرء في تعظيم الأداء مع تقليل التكلفة. تهدف البرمجة الجينية متعددة الأهداف إلى إيجاد مجموعة من الحلول المثلى حسب باريتو – وهي حلول لا يمكن فيها تحسين أي هدف دون تدهور هدف آخر على الأقل. تم تكييف خوارزميات مثل NSGA-II (خوارزمية الفرز الجيني غير المسيطر II) للبرمجة الجينية للتعامل مع مثل هذه السيناريوهات.

5. البرمجة الجينية الموجهة بالقواعد (GGGP)
يمكن للبرمجة الجينية القياسية أحيانًا إنشاء برامج غير صالحة من الناحية النحوية أو الدلالية. تعالج البرمجة الجينية الموجهة بالقواعد هذا من خلال دمج قواعد رسمية (مثل صيغة باكوس-ناور أو BNF) في العملية التطورية. يضمن هذا أن جميع البرامج التي تم إنشاؤها تلتزم بقيود هيكلية أو خاصة بالمجال محددة مسبقًا، مما يجعل البحث أكثر كفاءة والبرامج المطورة أكثر جدوى. هذا مفيد بشكل خاص عند تطوير برامج بلغات برمجة محددة أو لمجالات ذات قواعد صارمة، مثل إنشاء استعلامات SQL صالحة أو هياكل جزيئية.

6. التكامل مع نماذج الذكاء الاصطناعي الأخرى
أصبحت الحدود بين مجالات الذكاء الاصطناعي غير واضحة بشكل متزايد. يمكن دمج البرمجة الجينية بشكل فعال مع تقنيات الذكاء الاصطناعي الأخرى:

    
الأساليب الهجينة: استخدام البرمجة الجينية لهندسة الميزات قبل تغذية البيانات إلى شبكة عصبية، أو استخدام البرمجة الجينية لتطوير بنية نموذج التعلم العميق.
    
التطور العصبي: مجال فرعي يستخدم الخوارزميات التطورية لتطوير الشبكات العصبية الاصطناعية، بما في ذلك أوزانها وبنيتها وقواعد التعلم الخاصة بها.


التحديات والقيود في البرمجة الجينية في بايثون

على الرغم من قوتها الرائعة، فإن البرمجة الجينية لا تخلو من التحديات:

    
التكلفة الحسابية: يمكن أن تكون البرمجة الجينية كثيفة الموارد للغاية، وتتطلب قوة حسابية ووقتًا كبيرين، خاصة بالنسبة للتجمعات الكبيرة، والعديد من الأجيال، أو تقييمات اللياقة المعقدة.
    
تصميم دالة اللياقة: غالبًا ما يكون صياغة دالة لياقة مناسبة وفعالة هو الجزء الأصعب. يمكن أن تؤدي دالة اللياقة سيئة التصميم إلى تقارب بطيء، أو تقارب مبكر، أو تطور حلول دون المستوى الأمثل.
    
قابلية التفسير: بينما تهدف البرمجة الجينية إلى اكتشاف برامج قابلة للتفسير (على عكس الشبكات العصبية المبهمة)، لا تزال الأشجار المطورة يمكن أن تصبح معقدة للغاية، مما يجعل من الصعب على البشر فهمها أو تصحيحها، خاصة مع "الانتفاخ".
    
ضبط المعلمات: مثل الخوارزميات التطورية الأخرى، تحتوي البرمجة الجينية على العديد من المعلمات الفائقة (مثل حجم التجمع، واحتمالية التهجين، واحتمالية الطفرة، وطريقة الانتقاء، ومكونات المجموعة الأولية، وحدود العمق) التي تتطلب ضبطًا دقيقًا للحصول على الأداء الأمثل، وغالبًا ما يتم ذلك من خلال التجريب المكثف.
    
التعميم مقابل الإفراط في التخصيص: قد تؤدي البرامج المطورة أداءً جيدًا بشكل استثنائي على بيانات التدريب ولكنها تفشل في التعميم على البيانات غير المرئية. تعتبر استراتيجيات مثل التحقق المتقاطع والمصطلحات التنظيمية الصريحة في دالة اللياقة حاسمة.


الاتجاهات المستقبلية في البرمجة الجينية مع بايثون

يستمر مجال البرمجة الجينية في التطور السريع، مدفوعًا بالتقدم في القوة الحسابية والبحوث المبتكرة. تشمل الاتجاهات المستقبلية:

    
تكامل التعلم العميق: تكامل أوثق مع أطر التعلم العميق، باستخدام البرمجة الجينية لاكتشاف بنى شبكات عصبية جديدة، أو تحسين المعلمات الفائقة، أو توليد استراتيجيات زيادة البيانات. قد يؤدي هذا إلى جيل جديد من أنظمة الذكاء الاصطناعي الأكثر قوة واستقلالية.
    
تعلم الآلة الآلي (AutoML): تعد البرمجة الجينية مناسبة بشكل طبيعي لـ AutoML، حيث يمكنها أتمتة مراحل مختلفة من خط أنابيب تعلم الآلة، من هندسة الميزات واختيار النماذج إلى تحسين المعلمات الفائقة، مما يجعل الذكاء الاصطناعي في متناول جمهور أوسع من غير الخبراء على مستوى العالم.
    
الذكاء الاصطناعي القابل للتفسير (XAI) للبرمجة الجينية: تطوير طرق لجعل البرامج المعقدة المطورة أكثر قابلية للتفسير والشرح للمستخدمين البشريين، مما يزيد من الثقة والتبني في التطبيقات الحرجة مثل الرعاية الصحية والتمويل.
    
تمثيلات جديدة: استكشاف تمثيلات برامج بديلة تتجاوز الهياكل الشجرية التقليدية، مثل التمثيلات القائمة على الرسوم البيانية، أو الأنظمة القائمة على القواعد، أو حتى تمثيلات البرامج العصبية، لتوسيع نطاق وكفاءة البرمجة الجينية.
    
قابلية التوسع والكفاءة: استمرار التقدم في تطبيقات البرمجة الجينية المتوازية والموزعة والقائمة على السحابة لمعالجة مشاكل أكبر وأكثر تعقيدًا من أي وقت مضى.


الخاتمة: تبني الذكاء التطوري مع بايثون

تقف البرمجة الجينية، مدعومة بتعدد استخدامات بايثون، كدليل على القوة الدائمة للمبادئ التطورية. إنها تقدم نهجًا فريدًا وقويًا لحل المشكلات، قادرًا على اكتشاف حلول جديدة وغير متوقعة حيث تتعثر الطرق التقليدية. من كشف أسرار البيانات العلمية إلى تصميم وكلاء أذكياء وتحسين الأنظمة المعقدة عبر صناعات عالمية متنوعة، تمكن البرمجة الجينية مع بايثون الممارسين من دفع حدود ما هو ممكن في الذكاء الاصطناعي.

من خلال فهم مفاهيمها الأساسية، وتصميم دوال اللياقة والمجموعات الأولية بدقة، والاستفادة من المكتبات القوية مثل DEAP، يمكنك تسخير إمكانات الخوارزميات التطورية لمعالجة بعض أصعب المشكلات الحاسوبية في العالم. إن الرحلة إلى البرمجة الجينية هي رحلة اكتشاف وابتكار وتكيف مستمر – رحلة لا يقوم فيها الكود الخاص بك بتنفيذ التعليمات فحسب، بل يطورها بذكاء. احتضن قوة بايثون وأناقة التطور، وابدأ في تصميم جيلك القادم من الحلول الذكية اليوم.