سازگاری مؤثر
در تکامل طبیعی و تکامل مصنوعی (برای مثال حیات مصنوعی و محاسبات تکاملی ) سازگاری (یا عملکرد یا اندازه‌گیری عینی ) یک طرحواره برای نشان دادن سازگاری مؤثر آن که تقاطع و جهش را در نظر می‌گیرد، تغییر مقیاس داده شده است.
سازگاری موثر در محاسبات تکاملی برای درک پویایی جمعیت استفاده می شود. [۱] در حالی که یک تابع سازگاری بیولوژیکی فقط به موفقیت در باروری نگاه می کند، یک عملکرد سازگارانه مؤثر سعی می کند چیزهایی را در برگیرد که برای بقا در سطح جمعیت لازم است. [۲] در جمعیت های همگن، سازگاری تولید مثلی و سازگاری موثر برابر است. [۱] وقتی جمعیتی از همگنی دور می‌شود، شایستگی مؤثرتری برای ژنوتیپ مغلوب حاصل می‌شود. در حالی که جمعیت به سمت تعادل حرکت می کند، این مزیت کاهش می یابد. [۱] انحراف از این تعادل نشان می دهد که چقدر جمعیت در دستیابی به یک حالت ثابت نزدیک است. [۱] هنگامی که این تعادل حاصل شد، حداکثر سازگاری موثر جمعیت حاصل می شود. [۳]
حل مسئله با محاسبات تکاملی با تابع هزینه محقق می شود. اگر توابع هزینه برای بهینه سازی ازدحام اعمال شود، تابع سازگاری نامیده می شود. استراتژی هایی مانند یادگیری تقویتی و تکامل عصبی NEAT در حال ایجاد یک پهنه سازگاری هستند که موفقیت تولیدمثلی اتوماتای سلولی را توصیف می کند. [۴]
تابع سازگاری مؤثر تعداد فرزندان متناسب را مدل می کند [۱] و در محاسباتی استفاده می شود که شامل فرآیندهای تکاملی ،مانند جهش و تقاطع، مهم در سطح جمعیت است. [۵]
مدل سازگاری موثر نسبت به مدل قبلی خود یعنی مدل استاندارد سازگاری تولیدمثلی برتری دارد. این مدل درک کیفی و کمی مفاهیم تکاملی مانند نفخ، خودسازگاری و استحکام تکاملی را ارتقا میدهد [۳] در حالی که سازگاری تولید مثلی فقط به انتخاب خالص نگاه می کند، سازگاری مؤثر جریان جمعیت و انتخاب طبیعی را با در نظر گرفتن اپراتورهای ژنتیکی توصیف می کند. [۱] [۳]
یک تابع سازگاری طبیعی با یک مشکل منطبق است، [۶] در حالی که یک تابع سازگاری مؤثر اگر به هدف رسیده باشد فرضی است. این تفاوت برای طراحی توابع سازگاری با الگوریتم هایی مانند جستجوی نوظهور که در آن هدفِ عوامل ناشناخته است، مهم است. [۷] [۸] در مورد باکتری، سازگاری مؤثر می تواند شامل تولید سموم و سرعت جهش پلاسمیدهای مختلف باشد که عمدتاً به صورت تصادفی تعیین می شوند [۹]
کاربرد ویرایش
هنگامی که معادلات تکاملی پویایی جمعیت مورد مطالعه در دسترس باشد، می توان به صورت الگوریتمی , سازگاری موثر یک جمعیت معین را محاسبه کرد. اگرچه مدل مناسب سازگاری مؤثر هنوز پیدا نشده است، اما از قبل به عنوان چارچوبی خوب برای درک بهتر حرکت نقشه ژنوتیپ- فنوتیپ، پویایی جمعیت و جریان در منظره های سازواری شناخته شده است. [۱] [۳]
منابع ویرایش
- ↑ ۱٫۰ ۱٫۱ ۱٫۲ ۱٫۳ ۱٫۴ ۱٫۵ ۱٫۶ Stephens CR (1999). "Effective Fitness Landscapes for Evolutionary Systems". Proceedings of the 1999 Congress on Evolutionary Computation-CEC99 (Cat. No. 99TH8406): 703–714. arXiv:nlin/0006050. doi:10.1109/CEC.1999.782002. ISBN 0-7803-5536-9.
- ↑ von Bronk B, Schaffer SA, Götz A, Opitz M (May 2017). "Effects of stochasticity and division of labor in toxin production on two-strain bacterial competition in Escherichia coli". PLOS Biology. 15 (5): e2001457. doi:10.1371/journal.pbio.2001457. PMC 5411026. PMID 28459803.
- ↑ ۳٫۰ ۳٫۱ ۳٫۲ ۳٫۳ Stephens CR, Vargas JM (2000). "Effective Fitness as an Alternative Paradigm for Evolutionary Computation I: General Formalism". Genetic Programming and Evolvable Machines. 1 (4): 363–378. doi:10.1023/A:1010017207202.
- ↑ Stadler PF, Stephens CR (2003). "Landscapes and Effective Fitness". Comments on Theoretical Biology. Informa UK Limited. 8 (4–5): 389–431. doi:10.1080/08948550302439.
- ↑ Henry A, Hemery M, François P (June 2018). "φ-evo: A program to evolve phenotypic models of biological networks". PLOS Computational Biology. 14 (6): e1006244. Bibcode:2018PLSCB..14E6244H. doi:10.1371/journal.pcbi.1006244. PMC 6013240. PMID 29889886.
- ↑ Fernandez AC (2017). "Creating a fitness function that is the right fit for the problem at hand".
{{cite journal}}: Cite journal requires|journal=(help) - ↑ Lehman J, Stanley KO (2011). "Abandoning objectives: evolution through the search for novelty alone". Evolutionary Computation. MIT Press - Journals. 19 (2): 189–223. doi:10.1162/evco_a_00025. PMID 20868264.
- ↑ Woolley BF, Stanley KO. "Exploring promising stepping stones by combining novelty search with interactive evolution".
{{cite arxiv}}:|arxiv=required (help) - ↑ Lehman J, Stanley KO (2010-09-24). "Abandoning objectives: evolution through the search for novelty alone". Evolutionary Computation. 19 (2): 189–223. doi:10.1162/EVCO_a_00025. PMID 20868264.