Efektivní kondice - Effective fitness

Část série na
Evoluční algoritmus
Genetický algoritmus
Genetické programování

v přirozený vývoj a umělá evoluce (např. umělý život a evoluční výpočet ) zdatnost (nebo výkon nebo objektivní opatření ) a schéma je změněn, aby dal své efektivní kondice který bere v úvahu crossover a mutace.

Efektivní zdatnost se v Evolučních výpočtech používá k pochopení populační dynamiky.[1] Zatímco funkce biologické zdatnosti se pouze dívá na reprodukční úspěch, efektivní funkce fitness se snaží zahrnout věci, které je třeba splnit pro přežití na populační úrovni.[2] V homogenních populacích je reprodukční zdatnost a efektivní zdatnost stejná.[1] Když se populace odkloní od homogenity, dosáhne se vyšší efektivní kondice pro recesivní genotyp. Tato výhoda se bude snižovat, zatímco se populace bude pohybovat směrem k rovnováze.[1] Odchylka od této rovnováhy ukazuje, jak blízko je populace k dosažení ustáleného stavu.[1] Po dosažení této rovnováhy se dosáhne maximální efektivní zdatnosti populace.[3]

Řešení problému s evoluční výpočet je realizována s nákladovou funkcí.[4] Pokud jsou na optimalizaci roje použity nákladové funkce, říká se jim a fitness funkce. Strategie jako posilování učení[5] a NEAT neuroevoluce[6] vytvářejí fitness krajina který popisuje reprodukční úspěch mobilní automaty.[7][8]

Efektivní funkce fitness modeluje počet vhodných potomků[1] a používá se ve výpočtech, které zahrnují evoluční procesy, jako jsou mutace a křížení, důležité na úrovni populace.[9]

Efektivní fitness model je lepší než jeho předchůdce, standardní model reprodukční fitness. Pokrok v kvalitativním a kvantitativním chápání evolučních konceptů, jako je nafouknutí, vlastní adaptace, a evoluční robustnost.[3] Zatímco reprodukční zdatnost se zaměřuje pouze na čistý výběr, efektivní zdatnost popisuje tok populace a přirozený výběr zohledněním genetických operátorů.[1][3]

Normální fitness funkce hodí se k problému,[10] zatímco efektivní fitness funkce je předpoklad, pokud bylo dosaženo cíle.[11] Rozdíl je důležitý pro návrh fitness funkcí s algoritmy jako hledání novosti ve kterém není znám cíl agentů.[12][13]V případě bakterií by efektivní kondice mohla zahrnovat produkci toxinů a rychlost mutace různých plazmidů, které jsou většinou stochasticky stanoveny[14]

Aplikace

Když jsou k dispozici evoluční rovnice studované populační dynamiky, lze algoritmicky vypočítat efektivní zdatnost dané populace. Ačkoli dokonalý efektivní model fitness ještě není možné najít, je již známo, že je dobrým rámcem pro lepší pochopení pohybu mapy genotyp-fenotyp, populační dynamiky a toku po fitness krajinách.[1][3]

Modely využívající kombinaci darwinovských fitness funkcí a efektivních funkcí lépe předpovídají populační trendy. Efektivní modely by mohly být použity ke stanovení terapeutických výsledků léčby onemocnění.[15] Jiné modely by mohly určit efektivní proteinové inženýrství a usilovat o hledání nových nebo zvýšených biochemie.[16]

Reference

  1. ^ A b C d E F G Stephens CR (1999). „Efektivní krajiny pro fitness pro evoluční systémy“. Sborník příspěvků z Kongresu o evolučních výpočtech CEC99 z roku 1999 (kat. Č. 99TH8406): 703–714. arXiv:nlin / 0006050. doi:10.1109 / CEC.1999.782002. ISBN  0-7803-5536-9. S2CID  10062119.
  2. ^ von Bronk B, Schaffer SA, Götz A, Opitz M (květen 2017). Balaban N (ed.). „Účinky stochasticity a dělby práce při produkci toxinů na bakteriální konkurenci dvou kmenů v Escherichia coli“. PLOS Biology. 15 (5): e2001457. doi:10.1371 / journal.pbio.2001457. PMC  5411026. PMID  28459803.
  3. ^ A b C d Stephens CR, Vargas JM (2000). „Effective Fitness as a Alternative Paradigm for Evolutionary Computation I: General Formalism“. Genetické programování a vyvíjející se stroje. 1 (4): 363–378. doi:10.1023 / A: 1010017207202. S2CID  1511583.
  4. ^ Schaffer JD, Sichtig HM, Laramee C (2009). Série neúspěšných a částečně úspěšných fitness funkcí pro vývoj špičkových neuronových sítí. Sborník z 11. ročníku doprovodné konference o konferenci o genetických a evolučních výpočtech - GECCO 09. ACM Press. doi:10.1145/1570256.1570378.
  5. ^ Afanasyeva A, Buzdalov M (2012). Optimalizace pomocí pomocných kritérií pomocí evolučních algoritmů a učení výztuže. Sborník z 18. mezinárodní konference o soft computingu MENDEL 2012. 2012. str. 58–63.
  6. ^ Divband Soorati M, Hamann H (2015). Vliv designu fitness funkcí na výkon v evoluční robotice. Sborník konference o genetických a evolučních výpočtech z roku 2015 - GECCO 15. Tisk ACM. doi:10.1145/2739480.2754676.
  7. ^ Stadler PF, Stephens CR (2003). „Krajiny a efektivní fitness“. Komentáře k teoretické biologii. Informa UK Limited. 8 (4–5): 389–431. doi:10.1080/08948550302439.
  8. ^ Bagnoli F (1998). "Mobilní automaty". arXiv:cond-mat / 9810012.
  9. ^ Henry A, Hemery M, François P (červen 2018). „φ-evo: Program vývoje fenotypových modelů biologických sítí“. PLOS výpočetní biologie. 14 (6): e1006244. Bibcode:2018PLSCB..14E6244H. doi:10.1371 / journal.pcbi.1006244. PMC  6013240. PMID  29889886.
  10. ^ Fernandez AC (2017). Msgstr "Vytvoření fitness funkce, která se hodí pro daný problém". Citovat deník vyžaduje | deník = (Pomoc)
  11. ^ Handa H (2006). Fitness funkce pro hledání robustních řešení pro časově proměnné funkce. Sborník příspěvků z 8. výroční konference o genetických a evolučních výpočtech GECCO 06. ACM Press. doi:10.1145/1143997.1144186.
  12. ^ Lehman J, Stanley KO (2011). „Opouštění cílů: evoluce pouze hledáním novosti“. Evoluční výpočet. MIT Press - Časopisy. 19 (2): 189–223. doi:10.1162 / evco_a_00025. PMID  20868264. S2CID  12129661.
  13. ^ Woolley BF, Stanley KO (2012). "Zkoumání slibných odrazových můstků kombinací hledání novosti s interaktivní evolucí". arXiv:1207.6682 [cs.NE ].
  14. ^ Lehman J, Stanley KO (2010-09-24). „Opouštění cílů: evoluce pouze hledáním novosti“. Evoluční výpočet. 19 (2): 189–223. doi:10.1162 / EVCO_a_00025. PMID  20868264. S2CID  12129661.
  15. ^ Mahdipour-Shirayeh A, Kaveh K, Kohandel M, Sivaloganathan S (2017-10-30). „Fenotypová heterogenita v modelování vývoje rakoviny“. PLOS ONE. 12 (10): e0187000. arXiv:1610.08163. Bibcode:2017PLoSO..1287000M. doi:10,1371 / journal.pone.0187000. PMC  5662227. PMID  29084232.
  16. ^ Xu Y, Hu C, Dai Y, Liang J (2014-08-11). „O zjednodušené globální nelineární funkci pro fitness prostředí: případová studie inverzního skládání proteinů“. PLOS ONE. 9 (8): e104403. Bibcode:2014PLoSO ... 9j4403X. doi:10.1371 / journal.pone.0104403. PMC  4128808. PMID  25110986.

externí odkazy