Effective_fitness
自然進化と人工進化（例えば、人工生命と進化的計算）では、スキーマの適応度（またはパフォーマンスまたは客観的尺度）が再スケーリングされ、クロスオーバーと突然変異を考慮した効果的な適応度が得られます。
効果的な適応度は、人口動態を理解するために進化的計算で使用されます。生物学的適応度関数は生殖の成功のみを調べますが、効果的な適応度関数は、人口レベルでの生存のために満たされる必要があるものを包含しようとします。同種の集団では、生殖適応度と有効適応度は同等です。集団が均質性から離れると、劣性遺伝子型に対してより高い効果的な適応度に到達します。人口が平衡に向かって移動する間、この利点は減少します。この平衡からの逸脱は、人口が定常状態を達成するのにどれだけ近いかを示します。 この平衡に達すると、母集団の最大の効果的な適応度が達成されます。
進化的計算による問題解決は、コスト関数で実現されます。コスト関数が群最適化に適用される場合、それらは適応度関数と呼ばれます。強化学習やNEATニューロエボリューションのような戦略は、セルオートマトンの生殖の成功を説明する適応度の景観を作り出しています。
効果的な適応度関数は、適合した子孫の数をモデル化し、人口レベルで重要な突然変異や交差などの進化過程を含む計算で使用されます。
効果的なフィットネスモデルは、その前身である標準的な生殖フィットネスモデルよりも優れています。それは、膨満感、自己適応、および進化の頑健性のような進化の概念の定性的および定量的な理解を前進させます。生殖適応度は純粋な選択のみに注目しますが、効果的な適応度は、遺伝的作用素を考慮に入れることによる集団の流れと自然淘汰を表します。
通常の適応度関数は問題に適合しますが、効果的な適応度関数は目的が達成された場合の仮定です。この違いは、エージェントの目的が不明なノベルティ検索などのアルゴリズムを使用して適応度関数を設計する場合に重要です。 バクテリアの場合、効果的な適応度には、毒素の産生とさまざまなプラスミドの突然変異率が含まれる可能性があり、これらはほとんど確率的に決定されます。
アプリケーション
研究された人口動態の進化方程式が利用可能である場合、与えられた人口の有効な適応度をアルゴリズムで計算することができます。完全な効果的なフィットネスモデルはまだ見つかっていませんが、遺伝子型-表現型マップの移動、人口動態、およびフィットネスランドスケープの流れをよりよく理解するための優れたフレームワークであることがすでに知られています。
ダーウィンの適応度関数と効果的な関数の組み合わせを使用するモデルは、人口の傾向を予測するのに優れています。効果的なモデルを使用して、疾患治療の治療結果を決定することができます。他のモデルは、効果的なタンパク質工学を決定し、新規または高度な生化学を見つけることに向けて機能する可能性が
参考文献
^ Stephens CR（1999）。「進化的システムのための効果的な適応度景観」。進化的計算に関する1999年会議の議事録-CEC99（カタログ番号99TH8406）：703–714。arXiv：nlin / 0006050。土井：10.1109 /CEC.1999.782002。ISBN 0-7803-5536-9。S2CID10062119 。_ ^ von Bronk B、Schaffer SA、GötzA、Opitz M。バラバンN（編）。「Escherichiacoliの2株細菌競合に対する毒素産生における確率論と分業の影響」。PLOS生物学。15（5）：e2001457。土井：10.1371 /journal.pbio.2001457。PMC5411026。_ PMID28459803。_ ^ Stephens CR、Vargas JM（2000）。「進化的計算の代替パラダイムとしての効果的なフィットネスI：一般的な形式主義」。遺伝的プログラミングと進化可能なマシン。1（4）：363–378。土井：10.1023 / A：1010017207202。S2CID1511583。_ ^ Schaffer JD、Sichtig HM、Laramee C（2009）。スパイキングニューラルネットワークを進化させるための一連の失敗した部分的に成功した適応度関数。遺伝的および進化的計算会議に関する第11回年次会議コンパニオンの議事録-GECCO09。ACMPress。土井：10.1145 /1570256.1570378。
^ Afanasyeva A、Buzdalov M（2012）。進化的アルゴリズムと強化学習を使用した補助基準による最適化。ソフトコンピューティングに関する第18回国際会議の議事録MENDEL2012.Vol。2012. pp。58–63。
^ Divband Soorati M、Hamann H（2015）。進化ロボティクスのパフォーマンスに対する適応度関数の設計の影響。遺伝的および進化的計算会議に関する2015年の議事録-GECCO15。ACMPress。土井：10.1145 /2739480.2754676。
^ Stadler PF、Stephens CR（2003）。「風景と効果的なフィットネス」。理論生物学へのコメント。インフォーマUKリミテッド。8（4–5）：389–431。土井：10.1080 / 08948550302439。
^ バニョーリF（1998）。「セルオートマトン」。arXiv：cond-mat / 9810012。
^ Henry A、Hemery M、FrançoisP。「φ-evo：生物学的ネットワークの表現型モデルを進化させるプログラム」。PLOS計算生物学。14（6）：e1006244。Bibcode：2018PLSCB..14E6244H。土井：10.1371 /journal.pcbi.1006244。PMC6013240。_ PMID29889886。_ ^ フェルナンデスAC（2017）。「目前の問題にぴったりの適応度関数を作成する」。
^ 半田H（2006）。時変関数のロバストな解を見つけるための適応度関数。遺伝的および進化的計算に関する第8回年次会議の議事録GECCO06。ACMPress。土井：10.1145 /1143997.1144186。
^ Lehman J、Stanley KO（2011）。「目的を放棄する：ノベルティだけを探すことによる進化」。進化的計算。MITプレス-ジャーナル。19（2）：189–223。土井：10.1162 / evco_a_00025。PMID20868264。_ S2CID12129661。_ ^ Woolley BF、Stanley KO（2012）。「新規性検索とインタラクティブな進化を組み合わせることにより、有望な踏み石を探る」。arXiv：1207.6682 。
^ Lehman J、Stanley KO（2010-09-24）。「目的を放棄する：ノベルティだけを探すことによる進化」。進化的計算。19（2）：189–223。土井：10.1162 / EVCO_a_00025。PMID20868264。_ S2CID12129661。_ ^ Mahdipour-Shirayeh A、Kaveh K、Kohandel M、Sivaloganathan S（2017-10-30）。「癌の進化のモデル化における表現型の不均一性」。PLOSONE。12（10）：e0187000。arXiv：1610.08163。Bibcode：2017PLoSO..1287000M。土井：10.1371 /journal.pone.0187000。PMC5662227。_ PMID29084232。_ ^ Xu Y、Hu C、Dai Y、Liang J（2014-08-11）。「適応度景観のための単純化されたグローバル非線形関数について：逆タンパク質フォールディングの事例研究」。PLOSONE。9（8）：e104403。Bibcode：2014PLoSO … 9j4403X。土井：10.1371 /journal.pone.0104403。PMC4128808。_ PMID25110986。_
外部リンク
遺伝的プログラミングの基礎
この進化関連”