Письмо в редакцию
Oct. 14th, 2022 11:15 am![[personal profile]](https://www.dreamwidth.org/img/silk/identity/user.png){kind=small}
mns2012Мне написали отклик на мою публикацию "Действительно ли это результат эволюции?", посвященную использованию так наз. генетических алгоритмов при решении практических задач. В частности, я обсуждал использование генетического алгоритма для нахождения оптимальной пространственной формы антенны устройства NASA.
Читатель пишет:
Успешные (приспособленные) размножаются, не приспособленные вымирают. Нас окружают те особи, которые умеют хорошо (успешно) размножаться. Именно это и есть целевая функция (и не важно, что мы до конца не понимаем всех тонкостей).
Не так важно какой отбор: посредством людей или посредством факторов природы. Отбор направлен на уничтожение неприспособленных (в простонаречьи - "слабых").
Моя точка зрения состоит в том, что у эволюции нет активного управления по значениям функции цели. Функции цели вообще нет как таковой, потому что нет оценивания качества решения. Читатель неправ, полагая, что выживание выступает критерием эффективности в контексте эволюции. Критерием является не выживание, а селективное преимущество полезной мутации, повышающей численность потомства в данных условиях среды обитания. Селективное преимущество — это разница в процентном выражении между числом особей с данной (полезной) мутацией и числом особей без этой мутации. Селективное преимущество влияет на вероятность закрепления мутации (то есть распространения мутации на всю популяцию).
Эволюция представляет собой случайный поиск в пространстве решений без оценивания качества. Случайный поиск действительно может найти локально (и гипотетически даже глобально) оптимальное решение, что и будет проявлением эволюционного процесса оптимизации. Однако это происходит лишь при выполнении некоторых условий:
1. Фитнесс-ландшафт достаточно гладкий.
2. Поиск начинается вблизи оптимума.
3. Влиянием факторов, отрицательно отражающихся на устойчивости решения, можно пренебречь. К числу таких факторов в контексте эволюционирующих популяций относится так наз. дрейф генов, в результате которого частоты аллелей меняются случайным образом, что отрицательно сказывается на селективном преимуществе полезных мутаций, то есть когда они, попросту говоря, теряются.
Насколько эти условия выполняются в технологической практике или в контексте биосферы, можно судить по имеющейся литературе. Всё, с чем я лично имел опыт работы, а также источники по биоинформатике, которые я смотрел, говорят одно: эти условия в общем случае не выполняются.
Равносильно ли моё утверждение утверждению о том, что эволюции (понимаемой в смысле случайного блуждания по параметрическому пространству) не наблюдается? Разумеется, нет. Однако её влияние в среднем практически не имеет места. Дарвинисты переоценивают возможности дарвиновской эволюции.
Что такое "оценить качество решения"?
Оценить значит поставить в соответствие состоянию системы значение целевой функции (вычисленное, к тому же, с очень высокой точностью) с тем, чтобы управлять последующим процессом по этому значению, то есть направить поиск в ту или иную область пространства решений.
Именно это имеет место в генетических алгоритмах (ГА) и именно этого нет в дарвиновской модели. ГА моделируют искусственный отбор селекционера именно потому, что в ГА есть оценивание качества. Оценивание качества с использованием булева оператора (выжил/не выжил), как предлагает читатель, на практике не применяется. Почему? Потому что как это смоделировать? Будет ли это эффективным?! Ни один практически работающий эффективный ГА не является моделью дарвиновской эволюции. На практике могут использоваться вариации алгоритмов со случайным блужданием по параметрическому пространству, но не сами по себе, а в гибридном контексте, то есть когда есть другой управляющий алгоритм, с которым модуль случайного блуждания связан тем или иным образом.
Я предложил своему корреспонденту написать алгоритм поиска, основанный на дарвиновской эволюции, и разобраться, можно ли это сделать вообще, как он бы хотел без того, чтобы в значительной мере не отклоняться от представлений дарвиновской модели, а потом проанализировать эффективность этого алгоритма.
Давайте попытаемся эту разницу проиллюстрировать на примере. Допустим, некоторый признак для закрепления в данной популяции требует закрепления трех независимых мутаций. Для простоты примем, что вероятность закрепления каждой есть р < 1. Тогда вероятность последовательного закрепления всех трёх составляет р3 ≪ 1, то есть достаточно малое число. Введём число N событий репликации (появления организма потомка), связанное с введённой вероятностью p следующим образом:
p = 1/N.
Таким образом, вероятность закрепления всех трёх мутаций есть 1 из N3 событий репликации. О чём это говорит? Это говорит о том, что среда должна "просмотреть" N3 состояний для того, чтобы в популяции закрепилась данная мутация.
В отличие от среды, cелекционеру не нужно дожидаться закрепления мутации и просматривать все N3 состояний. Он сразу видит необходимый ему признак и может отобрать для последующего разведения только те особи, которые обладают этой мутацией. Таким образом, селекционер избавлен от необходимости "перемножать вероятности", ему нужно только дождаться появления в популяции особей с нужными свойствами. Поэтому чувствительность искусственного отбора, которую можно оценить как O(p), многократно возрастает по сравнению с чувствительностью естественного отбора O(р3). Иными словами, селекционер многократно эффективнее естественного отбора.
Не следует забывать также, что генетический дрейф оказывает сильное влияние на частоту аллелей. Дрейф приводит к тому, что случайные вариации генома нивелируют селективное преимущество. Имеют место и другие факторы (например, взаимное ослабление частот аллелей полезных мутаций, конкурирующих между собой).
В прошлом математик Г.Чейтин задавался целью промоделировать дарвиновскую эволюцию и продемонстрировать эффективность эволюционного поиска. Так появилась его известная модель под названием "метажизнь". Анализ реалистичности допущений и выводов из этой модели можно посмотреть вот здесь. Одним словом, модель не отражает реальность.
Читатель пишет:
Успешные (приспособленные) размножаются, не приспособленные вымирают. Нас окружают те особи, которые умеют хорошо (успешно) размножаться. Именно это и есть целевая функция (и не важно, что мы до конца не понимаем всех тонкостей).
Не так важно какой отбор: посредством людей или посредством факторов природы. Отбор направлен на уничтожение неприспособленных (в простонаречьи - "слабых").
Моя точка зрения состоит в том, что у эволюции нет активного управления по значениям функции цели. Функции цели вообще нет как таковой, потому что нет оценивания качества решения. Читатель неправ, полагая, что выживание выступает критерием эффективности в контексте эволюции. Критерием является не выживание, а селективное преимущество полезной мутации, повышающей численность потомства в данных условиях среды обитания. Селективное преимущество — это разница в процентном выражении между числом особей с данной (полезной) мутацией и числом особей без этой мутации. Селективное преимущество влияет на вероятность закрепления мутации (то есть распространения мутации на всю популяцию).
Эволюция представляет собой случайный поиск в пространстве решений без оценивания качества. Случайный поиск действительно может найти локально (и гипотетически даже глобально) оптимальное решение, что и будет проявлением эволюционного процесса оптимизации. Однако это происходит лишь при выполнении некоторых условий:
1. Фитнесс-ландшафт достаточно гладкий.
2. Поиск начинается вблизи оптимума.
3. Влиянием факторов, отрицательно отражающихся на устойчивости решения, можно пренебречь. К числу таких факторов в контексте эволюционирующих популяций относится так наз. дрейф генов, в результате которого частоты аллелей меняются случайным образом, что отрицательно сказывается на селективном преимуществе полезных мутаций, то есть когда они, попросту говоря, теряются.
Насколько эти условия выполняются в технологической практике или в контексте биосферы, можно судить по имеющейся литературе. Всё, с чем я лично имел опыт работы, а также источники по биоинформатике, которые я смотрел, говорят одно: эти условия в общем случае не выполняются.
Равносильно ли моё утверждение утверждению о том, что эволюции (понимаемой в смысле случайного блуждания по параметрическому пространству) не наблюдается? Разумеется, нет. Однако её влияние в среднем практически не имеет места. Дарвинисты переоценивают возможности дарвиновской эволюции.
Что такое "оценить качество решения"?
Оценить значит поставить в соответствие состоянию системы значение целевой функции (вычисленное, к тому же, с очень высокой точностью) с тем, чтобы управлять последующим процессом по этому значению, то есть направить поиск в ту или иную область пространства решений.
Именно это имеет место в генетических алгоритмах (ГА) и именно этого нет в дарвиновской модели. ГА моделируют искусственный отбор селекционера именно потому, что в ГА есть оценивание качества. Оценивание качества с использованием булева оператора (выжил/не выжил), как предлагает читатель, на практике не применяется. Почему? Потому что как это смоделировать? Будет ли это эффективным?! Ни один практически работающий эффективный ГА не является моделью дарвиновской эволюции. На практике могут использоваться вариации алгоритмов со случайным блужданием по параметрическому пространству, но не сами по себе, а в гибридном контексте, то есть когда есть другой управляющий алгоритм, с которым модуль случайного блуждания связан тем или иным образом.
Я предложил своему корреспонденту написать алгоритм поиска, основанный на дарвиновской эволюции, и разобраться, можно ли это сделать вообще, как он бы хотел без того, чтобы в значительной мере не отклоняться от представлений дарвиновской модели, а потом проанализировать эффективность этого алгоритма.
- В этой статье авторы утверждают, что создать эффективно работающую алгоритмическую модель дарвиновской эволюции вообще нельзя.
- А здесь демонстрируется, что для практически эффективного поиска необходимо управление, использующее внешний источник информации о структуре пространства решений.
Давайте попытаемся эту разницу проиллюстрировать на примере. Допустим, некоторый признак для закрепления в данной популяции требует закрепления трех независимых мутаций. Для простоты примем, что вероятность закрепления каждой есть р < 1. Тогда вероятность последовательного закрепления всех трёх составляет р3 ≪ 1, то есть достаточно малое число. Введём число N событий репликации (появления организма потомка), связанное с введённой вероятностью p следующим образом:
p = 1/N.
Таким образом, вероятность закрепления всех трёх мутаций есть 1 из N3 событий репликации. О чём это говорит? Это говорит о том, что среда должна "просмотреть" N3 состояний для того, чтобы в популяции закрепилась данная мутация.
В отличие от среды, cелекционеру не нужно дожидаться закрепления мутации и просматривать все N3 состояний. Он сразу видит необходимый ему признак и может отобрать для последующего разведения только те особи, которые обладают этой мутацией. Таким образом, селекционер избавлен от необходимости "перемножать вероятности", ему нужно только дождаться появления в популяции особей с нужными свойствами. Поэтому чувствительность искусственного отбора, которую можно оценить как O(p), многократно возрастает по сравнению с чувствительностью естественного отбора O(р3). Иными словами, селекционер многократно эффективнее естественного отбора.
- Интересно, что при достаточно малой вероятности p и достаточно большом числе K событий закрепления необходимых для появления желаемого признака мутаций можно "вылететь" за пределы вероятностных ресурсов эволюции. Просто-напросто в таком случае результирующая вероятность рK столь мала, что за всю естественную историю биоты желаемого нами события могло вообще не произойти в рамках эволюции. Этот сценарий был рассмотрен биохимиком М.Бихи в книге "The edge of evolution". Поэтому в том случае, если мы наблюдаем подобный признак, который требует вероятностных ресурсов, превышающих возможности эволюции, мы имеем дело с проявлением дизайна.
Не следует забывать также, что генетический дрейф оказывает сильное влияние на частоту аллелей. Дрейф приводит к тому, что случайные вариации генома нивелируют селективное преимущество. Имеют место и другие факторы (например, взаимное ослабление частот аллелей полезных мутаций, конкурирующих между собой).
- В литературе (см., напр., публикации популяционного генетика Джона Сэнфорда) показывается, что реальные значения селективного преимущества ограничиваются несколькими процентами.
В прошлом математик Г.Чейтин задавался целью промоделировать дарвиновскую эволюцию и продемонстрировать эффективность эволюционного поиска. Так появилась его известная модель под названием "метажизнь". Анализ реалистичности допущений и выводов из этой модели можно посмотреть вот здесь. Одним словом, модель не отражает реальность.
