В естественной эволюции и искусственной эволюции (например, искусственная жизнь и эволюционные вычисления ) пригодность (или производительность, или объективная мера ) схемы масштабируется, чтобы дать ее эффективную пригодность, которая учитывает кроссовер и мутацию .
Эффективная приспособленность используется в эволюционных вычислениях для понимания динамики популяции. [1] В то время как функция биологической приспособленности смотрит только на репродуктивный успех , функция эффективной приспособленности пытается охватить вещи, которые необходимо выполнить для выживания на уровне популяции. [2] В однородных популяциях репродуктивная пригодность и эффективная приспособленность равны. [1] Когда популяция отходит от однородности, достигается более высокая эффективная приспособленность для рецессивного генотипа. Это преимущество будет уменьшаться по мере того, как население движется к равновесию. [1] Отклонение от этого равновесия показывает, насколько близка популяция к достижению устойчивого состояния. [1] Когда это равновесие достигается, достигается максимальная эффективная приспособленность популяции. [3]
Решение задач с помощью эволюционных вычислений реализовано с помощью функции стоимости. [4] Если для оптимизации роя применяются функции стоимости, они называются функцией приспособленности . Такие стратегии, как обучение с подкреплением [5] и NEAT neuroevolution [6] , создают среду фитнеса, которая описывает репродуктивный успех клеточных автоматов . [7] [8]
Функция эффективной приспособленности моделирует количество подходящего потомства [1] и используется в расчетах, которые включают эволюционные процессы, такие как мутации и кроссовер, важные на уровне популяции. [9]
Эффективная фитнес-модель превосходит свою предшественницу, стандартную репродуктивную фитнес-модель. Он продвигается в количественном и качественном понимании эволюционных понятий , как наворотов, самонастройки и эволюционной устойчивости . [3] В то время как репродуктивная пригодность рассматривает только чистый отбор, эффективная приспособленность описывает поток популяции и естественный отбор с учетом генетических операторов. [1] [3]
Нормальная функция приспособленности соответствует задаче [10], в то время как эффективная функция приспособленности является предположением, если цель была достигнута. [11] Это различие важно для разработки функций приспособленности с такими алгоритмами, как поиск новизны, в которых цель агентов неизвестна. [12] [13] В случае бактерий эффективная приспособленность может включать выработку токсинов и скорость мутации различных плазмид, которые в основном определяются стохастически [14]
Приложения [ править ]
Когда доступны эволюционные уравнения динамики исследуемой популяции, можно алгоритмически вычислить эффективную приспособленность данной популяции. Хотя идеальная эффективная фитнес-модель еще не найдена, уже известно, что она является хорошей основой для лучшего понимания движения карты генотип-фенотип, динамики популяции и потока на фитнес-ландшафтах. [1] [3]
Модели, использующие комбинацию дарвиновских функций приспособленности и эффективных функций, лучше предсказывают популяционные тенденции. Для определения терапевтических результатов лечения заболевания можно использовать эффективные модели. [15] Другие модели могут определять эффективную белковую инженерию и работать в направлении открытия новой или усиленной биохимии . [16]
Ссылки [ править ]
- ^ Б с д е е г Стивенса CR (1999). «Эффективные фитнес-ландшафты для эволюционных систем» . Труды Конгресса по эволюционным вычислениям 1999 г. - CEC99 (Cat. No. 99TH8406) : 703–714. arXiv : nlin / 0006050 . DOI : 10,1109 / CEC.1999.782002 . ISBN 0-7803-5536-9. S2CID 10062119 .
- ^ фон Бронк Б., Шаффер С.А., Гётц А., Опиц М. (май 2017 г.). Балабан Н (ред.). «Влияние стохастичности и разделения труда в производстве токсинов на конкуренцию двух штаммов бактерий в Escherichia coli» . PLOS Биология . 15 (5): e2001457. DOI : 10.1371 / journal.pbio.2001457 . PMC 5411026 . PMID 28459803 .
- ^ а б в г Стивенс CR, Варгас JM (2000). «Эффективное приспособление как альтернативная парадигма для эволюционных вычислений I: общий формализм». Генетическое программирование и эволюционирующие машины . 1 (4): 363–378. DOI : 10,1023 / A: 1010017207202 . S2CID 1511583 .
- ^ Шаффер JD, Sichtig HM, Laramee C (2009). Серия неудачных и частично успешных фитнес-функций для развивающихся нейронных сетей . Материалы 11-й ежегодной конференции по генетическим и эволюционным вычислениям - GECCO 09. ACM Press. DOI : 10.1145 / 1570256.1570378 .
- ^ Афанасьева А, Буздалов М (2012). Оптимизация по вспомогательным критериям с использованием эволюционных алгоритмов и обучения с подкреплением . Материалы 18-й Международной конференции по мягким вычислениям MENDEL 2012. 2012 . С. 58–63.
- ^ Divband Soorati М, Н Hamann (2015). Влияние дизайна фитнес-функции на производительность в эволюционной робототехнике . Материалы конференции 2015 г. по генетическим и эволюционным вычислениям - GECCO 15. ACM Press. DOI : 10.1145 / 2739480.2754676 .
- Перейти ↑ Stadler PF, Stephens CR (2003). «Пейзажи и фитнес» . Комментарии о нотах теоретической биологии . Informa UK Limited. 8 (4–5): 389–431. DOI : 10.1080 / 08948550302439 .
- Перейти ↑ Bagnoli F (1998). «Клеточные автоматы». arXiv : cond-mat / 9810012 .
- ↑ Генри А., Хемери М., Франсуа П. (июнь 2018 г.). «φ-evo: программа для развития фенотипических моделей биологических сетей» . PLOS Вычислительная биология . 14 (6): e1006244. Bibcode : 2018PLSCB..14E6244H . DOI : 10.1371 / journal.pcbi.1006244 . PMC 6013240 . PMID 29889886 .
- ^ Фернандес AC (2017). «Создание фитнес-функции, которая подходит для решения поставленной задачи». Cite journal requires
|journal=(help) - ^ Ханда H (2006). Фитнес-функция для поиска надежных решений для изменяющихся во времени функций . Материалы 8-й ежегодной конференции по генетическим и эволюционным вычислениям GECCO 06. ACM Press. DOI : 10.1145 / 1143997.1144186 .
- Перейти ↑ Lehman J, Stanley KO (2011). «Отказ от целей: эволюция только в поисках новизны». Эволюционные вычисления . MIT Press - Журналы. 19 (2): 189–223. DOI : 10.1162 / evco_a_00025 . PMID 20868264 . S2CID 12129661 .
- ^ Вулли BF, Стэнли KO (2012). «Изучение многообещающих ступеней путем объединения поиска новинок с интерактивной эволюцией». arXiv : 1207.6682 [ cs.NE ].
- Перейти ↑ Lehman J, Stanley KO (24 сентября 2010). «Отказ от целей: эволюция только в поисках новизны». Эволюционные вычисления . 19 (2): 189–223. DOI : 10.1162 / EVCO_a_00025 . PMID 20868264 . S2CID 12129661 .
- ^ Mahdipour-Shirayeh А, Кавех К, М Kohandel, Sivaloganathan S (2017-10-30). «Фенотипическая неоднородность в моделировании эволюции рака» . PLOS ONE . 12 (10): e0187000. arXiv : 1610.08163 . Bibcode : 2017PLoSO..1287000M . DOI : 10.1371 / journal.pone.0187000 . PMC 5662227 . PMID 29084232 .
- ↑ Xu Y, Hu C, Dai Y, Liang J (2014-08-11). «Об упрощенной глобальной нелинейной функции для фитнес-ландшафта: пример обратного сворачивания белка» . PLOS ONE . 9 (8): e104403. Bibcode : 2014PLoSO ... 9j4403X . DOI : 10.1371 / journal.pone.0104403 . PMC 4128808 . PMID 25110986 .
Внешние ссылки [ править ]
- Основы генетического программирования
