Ứng dụng

1.3. CÁC KHÁNG CÁO CỦA TIẾN HÓA

Tại sao sử dụng thuyết tiến hóa là một nguồn cảm hứng cho việc giải quyết vấn đề tính toán? Các nhà nghiên cứu tiến hóa-tính toán, các cơ chế của quá trình tiến hóa dường như rất thích hợp cho một số các vấn đề tính toán cấp bách nhất trong nhiều lĩnh vực. Nhiều vấn đề tính toán yêu cầu tìm kiếm thông qua một số lượng lớn các khả năng cho các giải pháp. Một ví dụ là các vấn đề về kỹ thuật protein tính toán, trong đó một thuật toán là tìm cách mà sẽ tìm kiếm trong số lượng lớn các chuỗi axit amin có thể cho một protein với tài sản quy định. Một ví dụ khác là tìm kiếm một bộ quy tắc hoặc các phương trình đó sẽ dự đoán những thăng trầm của thị trường tài chính, chẳng hạn như đối với ngoại tệ. Vấn đề tìm kiếm như vậy thường có thể được hưởng lợi từ việc sử dụng hiệu quả của xử lý song song, trong đó có nhiều khả năng khác nhau được khám phá cùng một lúc một cách hiệu quả. Ví dụ, trong việc tìm kiếm các protein với tài sản quy định, chứ không phải là đánh giá chuỗi axit amin ở một trong một thời gian nó sẽ nhanh hơn nhiều để đánh giá nhiều cùng một lúc. Cả hai song song tính toán những gì là cần thiết là (tức là, nhiều bộ vi xử lý việc đánh giá trình tự cùng một lúc) và một chiến lược thông minh cho việc lựa chọn các tập tiếp theo của trình tự để đánh giá.

Nhiều vấn đề tính toán đòi hỏi một chương trình máy tính phải được thích nghi để tiếp tục thực hiện tốt trong một môi trường thay đổi. Điều này được đặc trưng bởi các vấn đề trong điều khiển robot, trong đó một robot có để thực hiện một nhiệm vụ trong một môi trường thay đổi, và bởi giao diện máy tính phải thích ứng với những đặc tính của người dùng khác nhau. Vấn đề khác đòi hỏi các chương trình máy tính để được sáng tạo để xây dựng một cái gì đó hoàn toàn mới và độc đáo, chẳng hạn như là một thuật toán mới để hoàn thành một nhiệm vụ tính toán hoặc thậm chí là một khám phá khoa học mới. Cuối cùng, nhiều vấn đề tính toán đòi hỏi các giải pháp phức tạp mà khó có thể lập trình bằng tay. Một ví dụ nổi bật là vấn đề của việc tạo ra trí thông minh nhân tạo. Ban đầu, các học viên AI tin rằng nó sẽ được đơn giản để mã hóa các quy tắc đó sẽ trao tình báo về một chương trình; hệ chuyên gia là một kết quả của sự lạc quan quá sớm này. Ngày nay, nhiều nhà nghiên cứu AI tin rằng "quy tắc" cơ bản tình báo là quá phức tạp cho các nhà khoa học để mã hóa bằng tay trong một "top-down" thời trang. Thay vào đó họ tin rằng con đường tốt nhất để trí tuệ nhân tạo là thông qua một "từ dưới lên" mô hình mà trong đó con người chỉ viết các quy tắc rất đơn giản, và hành vi phức tạp như tình báo nổi lên từ các ứng dụng ồ ạt song song và tương tác của các quy tắc đơn giản. Connectionism (tức là, các nghiên cứu của các chương trình máy tính lấy cảm hứng từ hệ thống thần kinh) là một ví dụ của triết lý này (xem Smolensky 1988); tính toán tiến hóa là một. Trong connectionism các quy định là thường đơn giản "thần kinh" ngưỡng, kích hoạt lan rộng, và tăng cường hoặc suy yếu của các kết nối; sự thừa nhận hy vọng-cho hành vi nổi là mô hình tinh vi và học tập. Trong tính toán tiến hóa các quy tắc thông thường "chọn lọc tự nhiên" với biến thể do chéo và / hoặc đột biến; những hy vọng, hành vi nổi là việc thiết kế các giải pháp chất lượng cao cho các vấn đề khó khăn và khả năng thích ứng với các giải pháp này khi đối mặt với một môi trường thay đổi.

Tiến hóa sinh học là một nguồn hấp dẫn của nguồn cảm hứng cho việc giải quyết những vấn đề. Evolution, có hiệu lực, một phương pháp tìm kiếm trong số một số lượng rất lớn của khả năng "giải pháp". Trong sinh học tập rất lớn khả năng là các thiết lập của trình tự gen có thể, và mong muốn "giải pháp" là rất phù hợp với các sinh vật cũng có thể tồn tại và sinh sản trong môi trường của họ. Tiến hóa cũng có thể được xem như là một phương pháp để thiết kế các giải pháp sáng tạo cho các vấn đề phức tạp. Ví dụ, hệ thống miễn dịch của động vật có vú là một giải pháp tiến hóa tuyệt vời cho vấn đề của các mầm bệnh xâm nhập cơ thể. Nhìn trong ánh sáng này, các cơ chế của quá trình tiến hóa có thể truyền cảm hứng cho các phương pháp tìm kiếm tính toán. Tất nhiên thể lực của một sinh vật sinh học phụ thuộc vào nhiều yếu tố, ví dụ, làm thế nào cũng có thể vượt qua các đặc tính vật lý của môi trường của nó và như thế nào nó có thể cạnh tranh với hoặc hợp tác với các sinh vật khác xung quanh nó. Các tiêu chí tập thể dục liên tục thay đổi như những sinh vật phát triển, vì vậy tiến hóa được tìm kiếm một tập liên tục thay đổi các khả năng. Tìm kiếm các giải pháp khi đối mặt với các điều kiện thay đổi chính xác là những gì là cần thiết cho chương trình máy tính thích nghi. Hơn nữa, sự tiến hóa là một phương pháp tìm kiếm song song lớn: hơn là làm việc trên một loài tại một thời điểm, kiểm tra sự tiến hóa và thay đổi hàng triệu loài song song. Cuối cùng, nhìn từ một mức độ cao các "quy tắc" của tiến hóa là khá đơn giản: các loài tiến hóa bằng phương tiện của biến ngẫu nhiên (thông qua đột biến, tái tổ hợp, và các nhà khai thác khác), tiếp theo là chọn lọc tự nhiên trong đó có xu hướng các fittest để tồn tại và tái sản xuất, do đó tuyên truyền vật liệu di truyền cho các thế hệ tương lai. Tuy nhiên, những quy tắc đơn giản được cho là chịu trách nhiệm, một phần lớn, cho sự đa dạng bất thường và phức tạp, chúng ta thấy trong sinh quyển.

1.4.BIOLOGICAL TERMINOLOGY

Tại thời điểm này, nó là hữu ích để chính thức giới thiệu một số thuật ngữ sinh học sẽ được sử dụng trong suốt cuốn sách. Trong bối cảnh của thuật toán di truyền, các thuật ngữ sinh học được sử dụng trong tinh thần tương tự với sinh học thực sự, mặc dù các thực thể mà họ tham khảo là đơn giản hơn nhiều so với những người sinh học thực sự.
 

Tất cả các sinh vật sống bao gồm các tế bào, và mỗi tế bào có chứa cùng một tập hợp của một hoặc nhiều NST-chuỗi DNA phục vụ như là một "bản thiết kế" cho các sinh vật. Một nhiễm sắc thể có thể được khái niệm chia thành genes- mỗi mã hóa một protein đặc biệt. Rất gần, người ta có thể nghĩ về một gen mã hóa như một đặc điểm, chẳng hạn như màu mắt. Sự khác nhau có thể "cài đặt" cho một đặc điểm (ví dụ, màu xanh, nâu, nâu nhạt) được gọi là alen. Mỗi gen nằm tại một locus đặc biệt (vị trí) trên nhiễm sắc thể.

Rất nhiều sinh vật có nhiều nhiễm sắc thể trong mỗi tế bào. Các bộ sưu tập hoàn chỉnh các vật liệu di truyền (tất cả các nhiễm sắc thể lấy nhau) được gọi là hệ gen của sinh vật. Các kiểu gen hạn đề cập đến một tập các gen chứa trong một bộ gen. Hai cá nhân có bộ gen giống hệt được cho là có kiểu gen giống nhau. Các kiểu gen làm phát sinh, phát triển của thai nhi dưới và sau đó, đến kiểu hình của nó đặc điểm thể chất và tinh thần của sinh vật, chẳng hạn như màu mắt, chiều cao, kích thước bộ não và trí thông minh.

Sinh vật có nhiễm sắc thể được dàn trận theo cặp được gọi là lưỡng bội; sinh vật có nhiễm sắc thể là lẻ được gọi là đơn bội. Trong tự nhiên, các loài sinh sản tình dục nhất là dạng lưỡng bội, bao gồm cả con người, mỗi người có 23 cặp nhiễm sắc thể trong mỗi tế bào soma (không trùng) trong cơ thể. Trong sinh sản hữu tính, tái tổ hợp (hoặc chéo) xảy ra: trong mỗi phụ huynh, các gen được trao đổi giữa mỗi cặp nhiễm sắc thể để tạo thành một giao tử (một nhiễm sắc thể đơn), và sau đó giao tử từ hai bố mẹ cặp để tạo ra một bộ đầy đủ của nhiễm sắc thể lưỡng bội . Trong sinh sản hữu tính đơn bội, gen được trao đổi giữa các nhiễm sắc thể đơn sợi hai cha mẹ '. Con cái có thể đột biến, trong đó nucleotide đơn (bit tiểu học của DNA) được thay đổi từ cha mẹ sang con cái, những thay đổi này thường do lỗi sao chép. Các tập thể dục của một sinh vật thường được định nghĩa là khả năng mà các sinh vật sẽ sống để tái tạo (tính khả thi) hoặc như là một chức năng của số lượng các con vật có (sinh sản).

Trong các thuật toán di truyền, nhiễm sắc thể hạn thường đề cập đến một giải pháp ứng cử viên cho một vấn đề, thường được mã hóa như là một chuỗi bit. "Gen" là một trong hai bit duy nhất hoặc các khối ngắn bit liền kề mã hóa một yếu tố đặc biệt của giải pháp ứng cử viên (ví dụ, trong bối cảnh tối ưu hóa chức năng đa thông các bit mã hóa một thông số cụ thể có thể được coi là một gen). Một allele trong một chuỗi bit là 0 hoặc 1; cho bảng chữ cái lớn hơn nhiều alen là có thể tại mỗi locus. Crossover thường bao gồm trao đổi vật liệu di truyền giữa hai cha mẹ đơn bội singlechromosome. Đột biến bao gồm lật bit tại một locus chọn ngẫu nhiên (hoặc, đối với bảng chữ cái lớn hơn, thay thế một biểu tượng tại một locus chọn ngẫu nhiên với một biểu tượng mới được chọn ngẫu nhiên).

Hầu hết các ứng dụng của các thuật toán di truyền sử dụng cá nhân đơn bội, đặc biệt là, các cá nhân đơn nhiễm sắc thể. Kiểu gen của một cá nhân trong một chuỗi bằng cách sử GA bit chỉ đơn giản là cấu hình của các bit trong nhiễm sắc thể của cá nhân đó. Thường thì không có khái niệm "kiểu hình" trong bối cảnh khí, mặc dù gần đây nhiều hơn công nhân đã thử nghiệm với khí trong đó có cả một mức độ gen và mức kiểu hình (ví dụ, các mã hóa bit-string của một mạng lưới thần kinh và mạng lưới thần kinh chính nó).