ทำไมคนที่มีสมรรถภาพร่างกายต่ำจึงมีโอกาสรอดชีวิตคนรุ่นต่อไป


24

ขณะนี้ฉันกำลังอ่านและดูเกี่ยวกับอัลกอริทึมทางพันธุกรรมและฉันคิดว่ามันน่าสนใจมาก (ฉันไม่ได้มีโอกาสศึกษาในขณะที่ฉันอยู่ที่มหาวิทยาลัย)

ฉันเข้าใจว่าการกลายพันธุ์ขึ้นอยู่กับความน่าจะเป็น (การสุ่มเป็นรากฐานของวิวัฒนาการ) แต่ฉันไม่เข้าใจว่าทำไมการเอาชีวิตรอดจึงเป็นเช่นนั้น

จากสิ่งที่ฉันเข้าใจบุคคลที่IมีฟิตเนสF(i)เช่นสำหรับบุคคลอีกคนที่Jมีฟิตเนสเรามีจากนั้นมีโอกาสดีกว่าF(j)F(i)>F(j)IJเพื่อความอยู่รอด เพื่อรุ่นต่อไป

ความน่าจะเป็นหมายความว่าJ อาจอยู่รอดและI อาจไม่ (กับ "โชคร้าย") ฉันไม่เข้าใจว่าทำไมสิ่งนี้ถึงดีเลย? ถ้าIจะอยู่รอดสิ่งที่เลือกไว้เสมอสิ่งที่จะผิดพลาดในอัลกอริทึม? ฉันเดาว่าอัลกอริทึมจะคล้ายกับอัลกอริทึมโลภ แต่ฉันไม่แน่ใจ


13
ติดขัดในระดับต่ำสุดในท้องถิ่น
Louis

แม้ในชีวิตจริงการกลายพันธุ์ที่มีประโยชน์ไม่ได้ / การออกกำลังกายเพื่อสิ่งแวดล้อมที่ดีกว่าไม่รับประกันความอยู่รอดสำหรับบุคคลที่มีพวกเขา / ซึ่งจริง ๆ แล้วจะช่วยให้การแสดงออกที่หลากหลายมากขึ้น (และอาจเป็นประโยชน์หากสภาพแวดล้อมมีการเปลี่ยนแปลง แม้ว่าจะไม่เป็นเช่นนั้นสำหรับอัลกอริทึมการปรับให้เหมาะสม) ... และนั่นคือคำตอบสุดท้ายของนิค
JAB

1
หากคุณฆ่าคนอ่อนแอตลอดเวลาคุณมีอะไรเป็นเพียงคนธรรมดาธรรมดา
กราฟิลส์

คำตอบ:


35

แนวคิดหลักก็คือการอนุญาตให้บุคคลที่อยู่ภายใต้การอยู่รอดมีชีวิตรอดคุณสามารถสลับจาก "จุดสูงสุด" แห่งหนึ่งในแนวนอนวิวัฒนาการไปเป็นแนวอื่นผ่านลำดับการกลายพันธุ์ที่เพิ่มขึ้นเล็กน้อย ในทางกลับกันหากคุณได้รับอนุญาตให้ขึ้นเขาเท่านั้นต้องมีการผ่าเหล่าขนาดมหึมาและไม่น่าเป็นไปได้ที่จะเปลี่ยนยอดเขา

นี่คือแผนภาพแสดงความแตกต่าง:

ป้อนคำอธิบายรูปภาพที่นี่

ในทางปฏิบัติสถานที่ให้บริการโลกาภิวัตน์นี้เป็นจุดขายหลักของอัลกอริทึมวิวัฒนาการ - ถ้าคุณเพียงแค่ต้องการหา maxima ท้องถิ่นมีเทคนิคพิเศษที่มีประสิทธิภาพมากขึ้น (เช่น, L-BFGS พร้อมการไล่ระดับสีที่แตกต่างกันอย่าง จำกัด และการค้นหาบรรทัด)

ในโลกแห่งความเป็นจริงของการวิวัฒนาการทางชีวภาพการยอมให้บุคคลที่อยู่ภายใต้ความอยู่รอดสร้างความแข็งแกร่งเมื่อภูมิทัศน์วิวัฒนาการเปลี่ยนแปลง ถ้าทุกคนกระจุกตัวกันที่จุดสูงสุดถ้าจุดสูงสุดนั้นกลายเป็นหุบเขาประชากรทั้งหมดก็จะตาย (เช่นไดโนเสาร์เป็นสัตว์ที่เหมาะสมที่สุดจนกระทั่งมีการจู่โจมดาวเคราะห์น้อยและภูมิทัศน์วิวัฒนาการเปลี่ยนไป) ในทางตรงกันข้ามถ้ามีความหลากหลายในประชากรเมื่อภูมิทัศน์เปลี่ยนแปลงบางอย่างจะมีชีวิตรอด


2
"ในโลกแห่งความเป็นจริงของการวิวัฒนาการทางชีวภาพการยอมให้บุคคลที่อยู่ใต้บังคับบัญชามีชีวิตรอดสร้างความแข็งแกร่งเมื่อภูมิทัศน์วิวัฒนาการเปลี่ยนไป" - ในฐานะนักชีววิทยาที่อันดับนี้ คนที่มีความฟิตต่ำไม่ได้ "อนุญาต" ให้อยู่รอดเพื่อเพิ่มความแข็งแรงที่เป็นธรรมชาติของความเป็นจริง สิ่งมีชีวิตที่มีความฟิตต่ำกำลังพยายามเอาชีวิตรอดให้ได้มากที่สุด
Jack Aidley

แน่นอนว่าคุณพูดถูกธรรมชาติไม่ได้ตัดสินใจที่จะอนุญาตหรือไม่อนุญาตอะไรเลยมันแค่เกิดขึ้น ในอีกด้านหนึ่งมีตัวอย่างมากมายที่มนุษย์มีการคัดเลือกพืชและสัตว์ที่ดีที่สุดเพียงอย่างเดียวการสร้างวัฒนธรรมเชิงเดี่ยวที่ไม่แข็งแรงเมื่อโรคใหม่เข้ามาหรือการเปลี่ยนแปลงของสภาพแวดล้อม
Nick Alger

มีเทคนิคอื่น ๆ ในการต่อสู้กับเอฟเฟกต์นี้เช่นการทำขั้นตอนที่ใหญ่ขึ้นและการใช้ซ้ำกับกลุ่มประชากรเริ่มต้น ยิ่งไปกว่านั้นในการปรากฏตัวของการรวมตัวข้ามการรักษายีนที่อ่อนแอลงรอบ ๆ อาจเป็นประโยชน์หากมีการกลายพันธุ์ที่แข็งแกร่งขึ้นและการข้ามระหว่างทั้งสองกลายเป็นสิ่งที่แข็งแกร่ง
กราฟิลส์

13

คำตอบของ Nick Alger นั้นดีมาก แต่ฉันจะทำให้มันเพิ่มขึ้นอีกเล็กน้อยด้วยวิธีการทางคณิตศาสตร์ตัวอย่างเช่นวิธี Metropolis-Hastings

สถานการณ์ที่ฉันจะสำรวจคือคุณมีประชากรหนึ่งคน คุณเสนอการกลายพันธุ์จากรัฐไปยังรัฐเจมีน่าจะเป็นQ ( ฉัน, J )และเรายังกำหนดเงื่อนไขที่ว่าQ ( ฉัน, J ) = Q ( J , ฉัน ) เราจะสมมติว่าF ( i ) > 0สำหรับiทั้งหมด; หากคุณไม่มีศูนย์ออกกำลังกายในแบบจำลองของคุณคุณสามารถแก้ไขได้โดยเพิ่มเอปไซลอนขนาดเล็กทุกที่ผมJQ(ผม,J)Q(ผม,J)=Q(J,ผม)F(ผม)>0ผม

เราจะยอมรับการเปลี่ยนจากเป็นjด้วยความน่าจะเป็น:ผมJ

นาที(1,F(J)F(ผม))

กล่าวอีกนัยหนึ่งถ้าเหมาะสมมากกว่าเรามักจะรับมัน แต่ถ้าjไม่พอดีเราจะใช้ความน่าจะเป็นF ( j )JJมิฉะนั้นเราจะลองอีกครั้งจนกว่าเราจะยอมรับการกลายพันธุ์F(J)F(ผม)

ตอนนี้เราต้องการที่จะสำรวจ , ความน่าจะเป็นจริงว่าเราเปลี่ยนไปจากฉันไปเจP(ผม,J)ผมJ

เห็นได้ชัดว่ามัน:

P(ผม,J)=Q(ผม,J)นาที(1,F(J)F(ผม))

สมมติว่า ) จากนั้นmin ( 1 , F ( j )F(J)F(ผม)= 1 และอื่น ๆ :นาที(1,F(J)F(ผม))

= F ( i ) Q ( i , j ) ขั้นต่ำ( 1 , F ( j )

F(ผม)P(ผม,J)
=F(i)Q(i,j)=Q(j,i)mฉันn(1,F(i)
=F(ผม)Q(ผม,J)นาที(1,F(J)F(ผม))
=F(ผม)Q(ผม,J)
=Q(J,ผม)ม.ผมn(1,F(ผม)F(J))F(J)
=F(J)P(J,ผม)

ผม=JผมJ

F(ผม)P(ผม,J)=F(J)P(J,ผม)

สิ่งนี้น่าทึ่งด้วยเหตุผลสองสามข้อ

QFQ

ผม

ΣผมF(ผม)P(ผม,J)=ΣผมF(J)P(J,ผม)

P(J,ผม)1ผม1

F(J)=ΣผมF(ผม)P(ผม,J)

F

แน่นอนว่านี่เป็นเพียงตัวอย่างเดียวจากหลาย ๆ ดังที่ฉันได้ระบุไว้ด้านล่างมันเป็นวิธีการที่อธิบายได้ง่ายมาก โดยทั่วไปคุณจะใช้ GA เพื่อสำรวจไฟล์ PDF แต่เพื่อหาวิธีการแบบสุดขั้วและคุณสามารถผ่อนคลายเงื่อนไขบางอย่างในกรณีนั้นและยังรับประกันการบรรจบกันในที่สุดด้วยความน่าจะเป็นสูง


Q(ผม,J)=Q(J,ผม)QQ(ผม,J)ผมQ(ผม,J)=Q(J,ผม)ผมJ

F(ผม)P(ผม,J)=F(J)P(J,ผม)Fเป็น PDF ที่อยู่กับที่ หากคุณต้องการให้ไฟล์ PDF ของคุณอยู่กับที่เครื่องเขียนจะช่วยให้กระบวนการกลับคืนเวลาได้ในบางกรณี นอกจากนี้หากช่วยได้อัลกอริธึม MH ได้รับการออกแบบสำหรับปัญหาต่อเนื่อง (การขนส่งนิวตรอน) โดยที่ไม่มีขอบนอกจำนวนมาก แน่นอนหากคุณกำลังพยายามหาค่าสูงสุดทั่วโลกการค้นหาไฟล์ PDF ทั้งหมดไม่ได้เป็นอย่างที่คุณต้องการจริงๆ นี่เป็นเพียงภาพประกอบเท่านั้น
นามแฝง

7

ข้อดีของการใช้ GA คือคุณสามารถสำรวจพื้นที่การค้นหาที่กว้างขึ้นโดยทำตามเส้นทางที่มาจากผู้สมัครที่อาจแย่กว่านั้น ควรมีผู้สมัครที่แย่กว่านั้นเพื่อที่จะสำรวจพื้นที่ที่แตกต่างกันของการค้นหาไม่มาก แต่น้อย หากคุณเริ่มต้นทำสิ่งที่ดีที่สุดทุกครั้งที่คุณลบมุมมองการสำรวจของอัลกอริทึมนี้และมันจะกลายเป็นเนินเขามากขึ้น นอกจากนี้การเลือกที่ดีที่สุดอย่างต่อเนื่องอาจนำไปสู่การบรรจบก่อนวัยอันควร


6

ที่จริงแล้วอัลกอริทึมการเลือกใช้แนวทางทั้ง วิธีหนึ่งคือสิ่งที่คุณแนะนำและอีกวิธีหนึ่งคือบุคคลที่มีความแข็งแรงสูงกว่าจะถูกเลือกและผู้ที่มีระดับต่ำกว่านั้นจะไม่ถูกเลือก

ผมJF(ผม)>F(J)ผมJJF(J)>F(ผม)

เนื่องจากมีการจำลอง GAs รอบ ๆ โลกแห่งความเป็นจริงเมื่อมีการใช้การแจกแจงความน่าจะเป็นพวกมันถูกสร้างแบบจำลองเป็นหลักว่าชุมชนจริงวิวัฒนาการในบางครั้งคนที่มีความฟิตต่ำอาจรอดชีวิตในขณะที่คนที่มีความ ภัยพิบัติอื่น ๆ :-))


0

มันง่ายมากจากหนึ่งใน POV: บางครั้งการแก้ปัญหาที่สูงกว่า "เด็ก" สามารถเกิดขึ้นได้จากการแก้ปัญหา "ผู้ปกครอง" ที่ต่ำกว่าผ่านทางครอสโอเวอร์หรือการกลายพันธุ์ (ที่จริงแล้วเป็นทฤษฎีทางพันธุกรรมจำนวนมาก) ดังนั้นโดยทั่วไปแล้วเราต้องการแสวงหา / พกพาโซลูชันที่มีสมรรถภาพสูงกว่า แต่ให้ความสำคัญกับการรักษา / เพาะพันธุ์เฉพาะโซลูชั่นที่มีสมรรถภาพสูงเท่านั้นที่จะนำไปสู่การติดอยู่ในท้องถิ่นน้อยที่สุดและไม่ค้นหา "ภูมิทัศน์วิวัฒนาการ" ขนาดใหญ่ อันที่จริงคน ๆ หนึ่งสามารถสร้าง "ความฟิตที่สูงขึ้น" เพื่อความอยู่รอดที่เข้มงวดหรือไม่เข้มงวดเท่าที่ความปรารถนาและการทดสอบว่ามันส่งผลกระทบต่อคุณภาพของโซลูชั่นสุดท้าย ทั้งกลยุทธ์ตัดสั้นที่เข้มงวดเกินไปหรือเข้มงวดเกินไปจะนำไปสู่วิธีแก้ปัญหาขั้นสุดท้ายที่ต่ำกว่า แน่นอนว่าทั้งหมดนี้มีความสัมพันธ์กับวิวัฒนาการทางชีววิทยาที่แท้จริง มีอีก "

โดยการใช้ไซต์ของเรา หมายความว่าคุณได้อ่านและทำความเข้าใจนโยบายคุกกี้และนโยบายความเป็นส่วนตัวของเราแล้ว
Licensed under cc by-sa 3.0 with attribution required.