22. Gecow, Algorytmy ewolucyjne i genetyczne, ewolucja sieci zlozonych i modele regulacji genowej a mechanizm darwinowski (2009)(2).pdf

Tom 58 2009

Numer 3–4 (284–285)

Strony 429–442

A ndrzej G ecow

Instytut Paleobiologii PAN

Twarda 51/55, 00-818 Warszawa,

E-mail: gecow@twarda.pan.pl

ALGORYTMY EWOLUCYJNE I GENETYCZNE, EWOLUCJA SIECI ZŁOŻONYCH I

MODELE REGULACJI GENOWEJ A MECHANIZM DARWINOWSKI

WSTĘP

Niniejszy zbiór artykułów powstał z oka-

zji 200-nej rocznicy urodzin Karola Darwina

i 150-tej rocznicy skutecznego opublikowania

przez niego mechanizmu ewolucji biologicz-

nej. Pomińmy tu, że autorstwo tego mechani-

zmu dzieli on bez oporu z Alfredem Wallacem

i potraktujmy Darwina jako przedstawiciela

obu odkrywców. Mechanizm darwinowski tłu-

maczy, skąd bierze się w organizmach żywych

widoczna na pierwszy rzut oka wspaniała ce-

lowość budowy i funkcjonowania. Zdumienie

i zachwyt tą obserwowaną celowością są tak

wielkie, że trudno bez głębszego zastanowie-

nia i zrozumienia wskazanego przez Darwina

mechanizmu pogodzić się z myślą, że jest ona

wynikiem ślepego przypadku. A rzeczywiście

jest wynikiem całkiem losowych zmian , tylko

że to stwierdzenie to tylko pół prawdy. Dru-

gie pół, to eliminacja — brak przeżywalności

(statystyczny) tych organizmów, które mają

zbyt małe prawdopodobieństwo przeżycia i

pozostawienia potomstwa (zwykle nazywane

dostosowaniem, czyli „fitness” 1 ). W zasadzie

jest to tautologia, oczywiste stwierdzenie, ale

właśnie ono okazuje się najbardziej podwa-

żane. Jak widać, nie ma w tym mechanizmie

żadnego z góry założonego „Inteligentnego

Planu”, po prostu pozostaje tylko to, co w da-

nych warunkach pozostać może i to właśnie

obserwujemy. O tej pozornej, ale jakże ważnej

tautologii pisze także A rGAsiński w tym zeszy-

cie KOSMOSU, gdzie pokazuje pewne metody

przewidywania „co w danych warunkach po-

zostać może i dlaczego”.

Próby podważania mechanizmu darwi-

nowskiego trudno dziś zaliczyć do nauko-

wych, zwykle mają podłoże emocjonalne,

związane ze skrajnie prostym rozumieniem

religii lub godności człowieka. Na XIII Kra-

kowskiej Konferencji Metodologicznej w

2009 r. poświęconej ewolucji, zorganizowa-

nej głównie przez ks. prof. Hellera z Papie-

skiej Akademii Teologicznej, w podsumo-

waniu zgodzono się, że nie widać obecnie

alternatywy naukowej dla ewolucji darwi-

nowskiej, która dawno przestała być jedynie

hipotezą (patrz artykuł B AńBury w tym ze-

szycie KOSMOSU).

Losowa zmienność, nie ograniczona oce-

ną swojego skutku, a więc w kierunkach

zwykle gorszych i sporadycznie lepszych (w

sensie wzrostu fitness), oraz statystyczna eli-

minacja tych zmian, które statystycznie po-

garszają zdolność „przeżywania” — fitness

wystarczy do zbudowania tych wspaniałych,

celowych 2 konstrukcji służących „przeżywa-

1 Fitness jest różnie definiowane. W tym artykule używane jest w ogólnym sensie miernika jakości tak, jak się go

używa w optymalizacji a w szczególności w algorytmach ewolucyjnych, ewolucji sieci czy modelach regulacji

genowych. Jego interpretacyjny związek z fitness używanym w biologii jako dostosowanie lub przystosowanie

nie jest dokładny (patrz też artykuł ŁoMnickieGo „Dobór naturalny” i k ozŁowskieGo „Ewolucja strategii życio-

wych” w tym zeszycie KOSMOSU), dlatego używana będzie na potrzeby tego artykułu nie przetłumaczona nazwa

„fitness”.

2 Termin „celowych” użyto tu w ogólnym, potocznym znaczeniu. Jest on bardzo kontrowersyjnym terminem, w

biologii należałoby stosować bardziej określony termin „teleonomia”. Ma on pokaźną literaturę, patrz także Ge-

cow 2008b.

430

A ndrzej G ecow

niu”. To „przeżywanie” dotyczy pełnego cy-

klu życiowego, zawiera więc w sobie nie

tylko przeżycie osobnika do chwili rozrodu

ale i pozostawienie przynajmniej jednego po-

tomka i tak powinno być dalej rozumiane.

Fitness jest tu globalną oceną szansy takiego

„przeżycia”. Aby to zrozumieć i wewnętrznie

pogodzić się z potęgą tego prostego mecha-

nizmu przyjrzymy się mu w jego czystej po-

staci — Algorytmów Ewolucyjnych . Poznamy

najpierw skrajnie prosty przykład by przy-

gotować intuicję. Uświadomimy sobie rolę

ograniczonej pojemności środowiska i wyni-

kającej z tego ograniczenia konkurencji.

Konieczność eliminacji i jednoczesnego

utrzymania (przez długi czas) przynajmniej

jednej nitki ewolucyjnej wymaga rozmnaża-

nia. Wystarczy rozmnażanie wegetatywne (z

jednego rodzica). Zmienność może zachodzić

jednocześnie podczas rozmnażania, ale są

to w omawianym mechanizmie osobne wy-

magania. Oczywiście zmiana ma być trwała

poprzez pokolenia, aż nastąpi nowa zmiana

tej treści. Tylko taka trwała zmiana nas inte-

resuje — tę cechę nazywamy dziedzicznością .

Dla wygody zakłada się zwykle jedną zmianę

na pokolenie i definitywną odpowiedź testu

w tym czasie — wyznaczenie fitness i ewen-

tualną eliminację. Interpretacja fitness np.

jako dostosowanie zawierające pozostawie-

nie przynajmniej jednego potomka, nie jest

elementem Algorytmów Ewolucyjnych, jest

względem nich zewnętrzna.

Darwin obserwował głównie zwierzęta

posiadające płeć i zdolne do rozmnażania ge-

neratywnego (dwoje rodziców). Tu też roz-

dzielmy funkcję rozmnażania od wymiany

informacji o budowie i zachowaniu, zwanej

krzyżowaniem . Są zresztą organizmy, takie jak

orzęski, gdzie procesy te są rzeczywiście od-

dzielone — namnażanie odbywa się poprzez

podział komórek, a wymiana informacji ge-

netycznej poprzez koniugację, gdzie dwie

komórki wymieniają się połową materiału ge-

netycznego i dalej pozostają dwoma komór-

kami, nie ma więc rozmnażania. Podobnie

jest nawet u bakterii (w ŁodArczyk 1998).

Ponieważ u organizmów wielokomórkowych,

po takiej wymianie informacji na podstawie

informacji z dwóch różnych źródeł, powsta-

je zwykle nieco inny od każdego rodzica,

nowy konkretny organizm, więc zazwyczaj

przy okazji dokonuje się rozmnażanie. Krzy-

żowanie tworzy realne populacje (zwane

mendlowskimi), w ramach których zachodzi

owa wymiana. Daje to znacznie silniejszy i

szybszy mechanizm ewolucji . Pozwala on na

zbieranie rozmaitych „dobrych pomysłów”,

(tj. zmian podwyższających prawdopodobień-

stwo „przeżycia”), często alternatywnych,

które powstały w różnych współistniejących

osobnikach. Populacja jest jakby ich magazy-

nem, ale mechanizm ten pozwala na rozma-

ite ich zestawienia w poszczególnych osob-

nikach, w tym na utworzenie osobników zło-

żonych ze szczególnie dobrych wariantów.

Praktycznie testowane są tu nie całe osobni-

ki, które nadal ulegają eliminacji, a owe „po-

mysły”, których udział w populacji rośnie lub

maleje. W ewolucji biologicznej odbywa się

to nawet kosztem gubienia szczególnie do-

brych zestawów alternatywnych cech, które

wskutek rekombinacji nie przechodzą do na-

stępnego pokolenia jako zestaw.

W czystej postaci powyższy mechanizm

nosi nazwę Algorytmu Genetycznego (G old -

BerG 1995) i jest chyba najsilniejszym zna-

nym ogólnym sposobem optymalizacji. Kto

nie spróbował użyć tego narzędzia do opty-

malizacji bardzo złożonej funkcji o dziesiąt-

kach parametrów bez potrzeby jej rozwi-

kływania, ten na pewno nie docenia potęgi

tego algorytmu. W praktycznych zastosowa-

niach numerycznych zazwyczaj nie gubi się

już znalezionego najlepszego zestawu, tylko

czeka na jeszcze lepszy.

Nie jest ważne, czy Darwin wyraźnie

rozróżniał powyższe dwa algorytmy (z krzy-

żowaniem i bez, czyli zazwyczaj z rozmnaża-

niem płciowym i bez niego) i że nie używał

pojęcia „algorytm”. Główna jego idea, to mo-

dyfikacja frekwencji cech w populacji po lo-

sowej zmianie poprzez eliminację wynikającą

z konkurencji. Konkurencja ta wynika z ogra-

niczonych zasobów, które wyznaczają ograni-

czenie liczebności, a ponieważ rozmnażanie

prowadzi do ciągłego wzrostu liczebności,

więc pojawia się konieczność eliminacji,

oczywiście z większym prawdopodobień-

stwem gorzej przystosowanych.

Ewolucja zestawu podstawowych pojęć

jest w nauce zjawiskiem normalnym — pro-

wadzi do znalezienia zestawu najwygodniej-

szego. Czysty, ścisły opis określonego me-

chanizmu pozwala na wygodne dostrzeżenie

zależności i wyłuskanie z nich przyczyn in-

teresującego nas efektu. Taki model zwykle

jest jednak uproszczonym opisem, pewne

elementy mogą być w nim świadomie zigno-

rowane, inne umknęły naszej uwadze. Jednak

jest to jedyna droga pozwalająca uchwycić

te elementy, odróżnić je od siebie nawzajem

i doprowadzić model do zadowalającej, zro-

zumiałej postaci, dającej dobrą zgodność z

Algorytmy ewolucyjne i genetyczne

431

doświadczeniem. Jest to szczególnie ważne

i jednocześnie szczególnie trudne w biolo-

gii, gdzie badane obiekty są skrajnie złożone

i posiadają bardzo wiele podobnie istotnych

parametrów. Ta wielka liczba podobnie istot-

nych parametrów jest oczywistym utrudnie-

niem modelowania. Z drugiej jednak strony,

jest ona warunkiem powodzenia ewolucji

— trudniej wpaść w „ślepy zaułek” (lokalne

optimum), który pojawia się, gdy dokładnie

wszystkie parametry jednocześnie są dobra-

ne najlepiej jak można w sporym ich zakre-

sie od osiągniętej wartości. Przy dużej licz-

bie parametrów staje się to po prostu mało

prawdopodobne.

Złożoność sama w sobie wprowadza pew-

ne specyficzne własności, które nie wynikają

z analizy poszczególnych składowych. Jak na

razie nie istnieje jedna, ogólnie przyjęta de-

finicja złożoności. Na stronie: „Complexity_

Zoo” jest obecnie 489 różnych ujęć. Wydaje

się, że to cenne pojęcie ma wiele aspektów i

do określonego zastosowania trzeba użyć od-

powiedniego z nich. Kiedyś koncepcję redu-

kowalności złożonego systemu do własności

jego elementów nazywano redukcjonizmem,

dziś badania sieci złożonych są zaawansowa-

ną i szybko rozwijającą się dziedziną. Dzie-

dzina ta bada właśnie owe niegdyś kwestio-

nowane własności wynikające z parametrów

sieci, które zwykle mają statystyczny charak-

ter i opisują wzajemne powiązania — uza-

leżnienia elementów sieci. Wiele istotnych

własności żywych obiektów ma właśnie takie

pochodzenie.

Wkroczymy w tę nową dziedzinę na przy-

kładzie sieci k AuffMAnA (1993) i jego mode-

lu regulacji genowych. Jest to obecnie model

bardzo popularny i intensywnie badany, choć

określany jako „wczesny”, w odróżnieniu od

modeli mniej abstrakcyjnych budowanych

na bazie koncepcji B AnzhAfA (2003). Ma on

dość dobrą zgodność z doświadczeniem, jed-

nak w tej nowej, ogromnej dziedzinie sze-

rokość i różnorodność koncepcji i badań

jest jeszcze stosunkowo niewielka, co należy

brać pod uwagę przy ocenie sukcesów, które

mogą być zwodnicze.

Według Kauffmana jego model potwier-

dza tezę, że źródłem uporządkowania ob-

serwowanego w żywych organizmach jest

oprócz mechanizmu darwinowskiego także

„spontaniczne uporządkowanie” i to może

nawet w większym stopniu. Koncepcja ta

nosi nazwę „życie na granicy chaosu” . Jest

to obecnie chyba najpoważniejszy atak na

osiągnięcie Darwina. Choć nie podważa on,

a nawet stosuje mechanizm darwinowski, to

jednak usiłuje zaanektować znaczną część

skutków (obserwowanego uporządkowania).

Koncepcja ta nie ma obecnie wyraźnej opo-

zycji, niewątpliwie jest ważna i należy do

najnowocześniejszych trendów, jest bardzo

szeroko i solidnie udokumentowana (co od-

biera odwagę potencjalnym przeciwnikom),

jednak w mojej opinii niedocenia homeosta-

zy opartej na ujemnych sprzężeniach zwrot-

nych i niebawem powinna zastąpić ją jeszcze

bardziej rozbudowana i głębiej zinterpreto-

wana następna jej wersja, z powrotem doce-

niająca potęgę mechanizmu darwinowskiego.

Moje badania (G ecow 2008a) adaptacyjnej

ewolucji sieci złożonych, w tym sieci Kauff-

mana, wskazały źródła pewnych prawidłowo-

ści ewolucji ontogenezy. Jak zobaczymy, po-

jęcia: „sieć Kauffmana” i „chaos” (T eMpczyk

1998 ), użyte tu przed chwilą, nie są trudne

i powinny wejść do obiegu w biologii. Przy-

szłość wyjaśniania mechanizmów ewolucji

biologicznej to właśnie ścisłe modele o cha-

rakterze statystycznym, choć złożone, tak jak

złożone mogą być sieci Kauffmana.

ALGORYTMY EWOLUCYJNE

„Algorytm”, to znacznie szersze pojęcie

niż „program komputerowy”, jednak zapi-

sany w postaci programu osiąga pełną jed-

noznaczność. Pod pojęciem „Algorytm Ewo-

lucyjny” powszechnie rozumie się jedynie

„Algorytm Genetyczny”, który jest znacznie

skuteczniejszy od innych wersji, jednak te

inne, niegenetyczne algorytmy ewolucyjne

istnieją i w podręcznikach są klasyfikowane.

Jako narzędzie, algorytmy ewolucyjne służą

przede wszystkim do optymalizacji i w pod-

ręcznikach zwraca się uwagę na ich skutecz-

ność i wygodę. My jednak rozpoczniemy od

skrajnie prostego modelu, bez krzyżowania

(tj. bez crossing-over), który pozwoli wyro-

bić sobie intuicję niezbędną do poprawnej

interpretacji.

Niech ewoluujący obiekt posiada m cech,

każda opisana liczbą naturalną z zakresu [0,

s -1], czyli mogącą przyjmować s różnych war-

tości. Załóżmy, że wiemy jaki wariant każdej

cechy daje największe prawdopodobieństwo

przeżycia. Tu Kreacjonista uśmiechnie się za-

dowolony myśląc, że całe dalsze rozumowa-

432

A ndrzej G ecow

nie można już pominąć, bo wprowadzony

zostaje „Inteligentny Projekt”, do którego dą-

żyć będzie ewolucja. Nie jest jednak tak źle.

Rzeczywiście, ewolucję kierować będzie-

my do tego ideału za pośrednictwem wa-

runku adaptacji, który posługując się para-

metrem fitness eliminuje zmiany oddalające

od ideału. Jest to sposób na uproszczenie

algorytmu pozwalający zastąpić symulację

długiego i bardzo złożonego procesu trwania

osobnika, która poprzez analizę bardzo wie-

lu zdarzeń elementarnych ma zdecydować o

jego eliminacji lub przeżyciu. Taka decyzja o

eliminacji nadal ma charakter zdarzenia loso-

wego. (Aby lepiej związać ją z cechami ewo-

luującego obiektu warto by uśrednić po wie-

lu podobnych obiektach. Część z nich zginie

nie wydając potomstwa, czyli zostanie wyeli-

minowana. To uśrednienie jest jednak obec-

ne jedynie w naturze, gdy mutacja testowana

jest przez wiele pokoleń wegetatywnych.)

Sukces lub porażka wynika jedynie z przy-

stosowania do aktualnego środowiska i fluk-

tuacji statystycznych. Ta eliminacja jest auto-

matyczna, działa według reguł statystycznych,

nie używa jednak do tego żadnej wiedzy o

„Inteligentnym Projekcie”, przeciwnie — tą

drogą naprowadzania na poprawny kierunek

odkrywa wiedzę o takim aktualnym ideale,

który jednak zmienia się z czasem (o czym

będzie dalej). Taki rzeczywisty (pełny) algo-

rytm (proces) ewolucji nie używa parametru

fitness, choć obserwując wyniki tego automa-

tycznego (spontanicznego) procesu można

go oszacować. Trzeba w tym celu uśrednić

przypadki eliminacji po czasie cyklu życio-

wego i zbiorze podobnych obiektów (po-

pulacji). W praktyce używając algorytmów

ewolucyjnych pomijamy więc modelowanie

tego procesu trwania i szacowania fitness.

Zastępujemy go równoważnym dla danego

badanego problemu obliczeniem fitness, np.

na podstawie podobieństwa do owego arbi-

tralnie wskazanego ideału, lub np. uzyskanej

wydajności jakiegoś procesu. Na podstawie

tego fitness decyzja o eliminacji jest już jed-

noznaczna. W zastosowaniach praktycznych

algorytmów ewolucyjnych zwykle poszukuje

się tego ideału znając metodę określenia po-

dobieństwa do niego. Fitness b można okre-

ślić najprościej jako liczbę cech obiektu, któ-

re są idealnym wariantem tej cechy. Są oczy-

wiście bardziej złożone definicje, ale już ta

najprostsza daje pewne typowe efekty.

W algorytmie ewolucyjnym zmiany są lo-

sowe, co generuje nowe, nieprzewidziane

cechy jako potencjalne kandydatki do pozo-

stania w ewoluującym obiekcie. Algorytm w

naturze prowadzi ewolucję do optimum, ale

„nie zna” go, choć go wskazuje i „nie wie”,

dlaczego ono jest takie, a nie inne. Jak dalej

zobaczymy, może być inne, ale dany kon-

kretny proces znalazł akurat to optimum.

Zbliżona w swej ścisłej naturze teoria gier

ewolucyjnych (patrz artykuł A rGAsińskieGo

w tym zeszycie KOSMOSU) wskazuje m.in.

przy użyciu dynamiki replikatorowej stabilne

ewolucyjnie strategie i przyczyny tego wybo-

ru, ale jest to wybór deterministyczny, ze z

góry określonego zbioru. Do symulacji ewo-

lucji elementów tego zbioru stosowano algo-

rytmy ewolucyjne. Gry ewolucyjne dotyczą

oddziaływania osobników w populacji (zbio-

rze graczy) w przeciwieństwie do algorytmu

ewolucyjnego, który dotyczy ewolucji cech

pojedynczego obiektu.

Powróćmy do naszego prostego przykła-

du. Przy pomocy fitness b definiujemy dalej

warunek adaptacji (eliminacji), zazwyczaj w

postaci b t +1 ≥ b t , który mówi, że fitness nie

może maleć z pokolenia na pokolenie ( t

— numer pokolenia opisujący czas) w wyni-

ku pojawiania się nowej zmienności, która z

zasady jest losowa. Zmienność jest więc do-

wolna, bezkierunkowa, tzn. w każdym możli-

wym kierunku niezależnie od tego, co dziać

się będzie z fitness w jej wyniku. Warunek

adaptacji odrzuca zaistniałe już zmiany po-

mniejszające fitness, tzn. eliminuje je, co od-

powiada w praktyce nieudanej próbie prze-

życia i pozostawienia przynajmniej jednego

potomka. Jeżeli fitness — prawdopodobień-

stwo sukcesu — zmniejszyło się w stosunku

do poziomu minimalnego wystarczającego

do przeżycia, to nie powinno to nikogo dzi-

wić. Oczywiście eliminacja jest w praktyce

stochastyczna, a u nas w modelu wyznaczona

jednoznacznie (można interpretować, że ope-

rujemy na wartościach oczekiwanych), ale to

uproszczenie (o którym już było wyżej) nie-

wiele zmienia a usprawnia algorytm. Elimina-

cja w modelowanej rzeczywistości biologicz-

nej to śmierć, koniec. Jeżeli obiekt był tylko

jeden, to proces jego ewolucji się urwał, ale

jeżeli zbiór obiektów podobnych był większy

(a rozmnażanie na to pozwala), to trwa on

w pozostałych obiektach, aż do chwili, gdy

liczebność spadnie do zera. W programie

komputerowym robi się to inaczej: gdy zmia-

na została odrzucona, powraca się do stanu

sprzed zmiany i losuje następną zmianę, aż

do skutku. Jest to tzw. strategia (1+1) często

stosowana w prostych symulacjach. W takim

przypadku proces jest tak długi, jak życzy

Algorytmy ewolucyjne i genetyczne

433

sobie programista. Takiej symulacji nie pyta-

my jednak: jak długa okazała się ta symulacja

i czy obiekt zbliża się do założonego ideału

(to uwaga dla kreacjonistów, których zbyt

ogólna krytyka nie zwraca uwagi na to, o co

pytamy w danej konkretnej symulacji, a co

jawnie zakładamy).

Zastanówmy się nad postacią warunku

adaptacji, która kieruje proces do optimum,

i jej interpretacyjnymi implikacjami. Stosując

algorytmy ewolucyjne zwykle zakładamy, że

to, do czego dopasowujemy zmienny obiekt

jest stałe, a interesuje nas najlepsze dopaso-

wanie. W ewolucji biologicznej jednak, jeżeli

określone fitness b wystarcza do przeżycia i

wydania przynajmniej jednego potomka, to

czemu podwyższamy poprzeczkę po uzyska-

niu lepszego wyniku? Rzeczywiście nie jest

to konieczne, choć taki model byłby w więk-

szości przypadków nazbyt uproszczony.

Na razie powodu „podnoszenia poprzecz-

ki” rzeczywiście nie widać, ale założenie to

ma silne interpretacyjne podstawy. Prze-

śledźmy, co dziać się będzie z tymi obiek-

tami, którym udało się uzyskać większe b .

Z definicji uda im się pozostawić nieco

więcej (statystycznie) potomstwa i szybko

udział ich potomków w zbiorze wszystkich

rozważanych obiektów będzie wzrastał. Ro-

snąć będzie także liczebność całego zbioru 3 .

W coraz większym zbiorze prawdopodobień-

stwo uzyskania jeszcze większego fitness

także rośnie, przypadki takie zdarzać się

więc będą coraz częściej i koło się zamyka

— następuje coraz szybsza eksplozja ilościo-

wa. Zmienność zazwyczaj psuje fitness, więc

obiektów blisko początkowego b będzie naj-

więcej, ale obiektów ze znacznie większym

fitness także będzie bardzo dużo i średnie b

będzie rosło. Taka sytuacja w praktyce nie

może trwać długo, ogranicza ją pojemność

środowiska i wynikająca z tego nieuniknio-

na konkurencja , która podnosi wymagania

stawiane obiektowi. Parametr b przestaje

mieć prostą interpretację — „prawdopodo-

bieństwo przeżycia” lub „liczba potomstwa”,

raczej odpowiada mu teraz pojęcie „dosko-

nałości”. W praktyce nadal granicą eliminacji

pozostaje prawdopodobieństwo przeżycia

(zawierające w sobie pozostawienie jednego

potomka), ale ono systematycznie podnosi

wymagania na „doskonałość” obiektu, który

ściga się z innymi w podnoszeniu tej „do-

skonałości”, a jest to walka o byt (życie). Po-

zostać może stała liczba obiektów, raczej te

z największym b lub b bliskim największego,

reszta musi umrzeć. I to jest interpretacyjny

powód podnoszenia poprzeczki dla b , któ-

re nadal nazywać będziemy „fitness” zgod-

nie ze zwyczajami w omawianej dziedzinie

algorytmów ewolucyjnych, w której inter-

pretacja parametru b jest dowolna, inaczej

niż w teorii ewolucji. Spadek prawdopodo-

bieństwa przeżycia (pierwotnego określenia

fitness) obiektu, który nie zmienił się (i ma

ciągle takie samo b zależne tylko od niego)

wynika ze zmiany środowiska powodowanej

konkurencją. Parametr b opisuje jedynie stan

obiektu, jego doskonałość, a o przeżyciu de-

cyduje w warunkach konkurencji także do-

skonałość innych obiektów. Konkurencja o

deficytowe dobro może podsuwać rozmaite

rozwiązania, jednym z nich jest zastąpienie

go przez inne, na razie nie wykorzystywane

dobra, co na pewien czas likwiduje konku-

rencję, pozwala na chwilową eksplozję ilo-

ściową. Jest to jedna z dróg wzrostu dosko-

nałości b . Obraz ten (zmiana interpretacji

b i rozpad jej na dwie wielkości z ww. ich

okolicznościami) pozwala uświadomić sobie

elementy problemu „postępu ewolucyjnego”

(G ecow 2008b). Powyższy opis zakładał sta-

ły ideał przystosowawczy, co jednak w wa-

runkach zmiennego, jak widzimy, środowi-

ska nie jest słuszne w dłuższym przedziale

czasu. Środowisko w algorytmie ewolucyj-

nym występuje jedynie w formie warunku

eliminacji.

Ten skrajnie prosty algorytm ewolucyjny

zwykle stosowany jest do badań o charak-

terze rozpoznawczym i jakościowym. Sto-

sowałem go do ww. symulacyjnych badań

prawidłowości ewolucji ontogenezy (G ecow

2008a). Stosował go też B AnzhAf (2003) —

ojciec omawianych na końcu biologicznych

modeli regulacji genowych. Ze względu na

niską wydajność algorytm taki nie ma jednak

większego praktycznego znaczenia dla celów

rzeczywistej optymalizacji. W rzeczywistości

biologicznej dotyczy organizmów rozmnaża-

jących się tylko wegetatywnie, bez żadnych

mechanizmów „poziomej” (między współist-

niejącymi osobnikami) wymiany informacji

genetycznej.

3 Biolodzy nazywają także ten zbiór „populacją”, ale to całkiem inny zbiór i związany z nim mechanizm, niż w

przypadku obecności krzyżowania i używanie tej samej nazwy jest bardzo mylące. Ja więc tego nie popieram i jak

mogę— nie czynię. Jest, co prawda, nazwa: „populacja mendlowska” dla odróżnienia tej drugiej, ale ta nazwa jest

za długa więc nie jest (i nie będzie) praktycznie używana.

Plik z chomika:

Inne pliki z tego folderu:

Inne foldery tego chomika: