人工生命仿真研究综述.docxVIP

人工生命仿真研究综述 进化计算方法 在过去的30年中，进化原则被广泛应用于许多计算机研究领域。3月，莱瑟霍夫采用了进化策略，并被认为是第一个应用进化理论的项目。随后, Fogel在1966年利用进化规划 (Evolutionary Programming) 对有限状态机进行优化, 1975年由Holland提出了遗传算法 (Genetic Algorithms)。所有这些进化计算的计算模型都源于19世纪著名的生物学家达尔文的《物种起源》。 进化计算比其他问题求解方法有如下几个优点。 1) 可以在对问题的背景知识了解很少的情况下使用该方法。例如, 对于函数优化问题, 进化算法与别的求解方法不同, 无需了解函数的一阶或二阶导数以及是否连续等知识。它只需知道如何近似地判断目标函数的相对优劣即可。 2) 进化计算不容易陷入局部最优。因为进化计算保持了候选解的一个群体, 并且在搜索先前产生优秀个体的区域和未知区域之间采取了一种平衡。 3) 进行计算可以运用于有噪音或不稳定的目标函数。这种优点使得进化计算更适宜于广域的问题求解, 特别是当目标问题中隐含某些生物学特征时, 尤为合适。例如, 智能和自适应的能力。 人工生命则是进化计算在计算机仿真学上的全新应用, 它是利用进化论的原理, 在计算机中创建类似生命的实体。1994年, 《人工生命》的出版表明该领域已成为计算机学科的一个活跃分支。 1.1 创建人造系统的方法 人工生命的定义在许多文章和书中都可以找到。不过, 还没有一种普遍接受、一致认同的观点。最流行的观点是:人工生命是对展示自然生命系统行为特征的人造系统的研究。 创建人造系统的方法有三种:有机件、软件和硬件。第一种方法使用人造和人控制的有机分子建造人工系统;第二种则是计算机软件仿真;第三种由自主式机器人实现。 人工生命的方法通常分为两种:弱方法和强方法。在弱方法中, 人工生命程序被用来仿真已知存在的有机体, 以便于理解真实有机体。而在强方法中, 则是通过创造人工生命来搜索地球上存在或不存在的生命世界。本文仅限于讨论人工生命的软件模型。 1.2 基于个体的模型与基于全局 许多生态学模型都假设群体中的所有个体是相同的, 或者可以用群体中个体的平均值来描述群体现象。因此, 许多进化模型和生态学模型一样, 也假设群体中个体的相互作用是相似的。不过, 这些假设经常是违背自然规律的。许多生态学家和进化生物学家开发出来了基于个体的模型, 以特别强调个体区别和局部相互作用。 基于个体的模型有两种类型: (1) 分布式模型和 (2) 结构化模型。分布式模型通过收集具有相同特征的个体来考察个体的区别。而结构化模型则记录群体中所有个体的行为, 以综合考察个体差异和局部相互作用。在基于个体的结构化模型中, 针对群体级的假设 (例如群体中的特征分布的形状和空间分布) 要比分布式模型中的少得多。在某些结构化模型中, 群体现象可以由单独编程的个体行为呈现。概括地说, 基于个体的结构化模型可以看作是人工生命。事实上, 某些模型既可以当作基于个体的模型, 也可以看作是人工生命。不过, Langton指出人工生命与基于个体的模型有以下几点区别。 1) 人工生命由设定单个个体行为的简单程序的群体组成。 2) 各程序呈松耦合结构, 系统没有主控程序。 3) 每个程序都描述了简单个体在局部交互过程中的反应方式。 4) 系统中不包含任何指定全局行为的规则, 因此任何由个体交互作用而产生的全局行为都是不可预见的。 据此说法, 人工生命的成功取决于由个体交互作用产生的新的全局行为。 基于个体的模型与Langton的人工生命都采用相同的由底向上的方法, 该方法认为实体间的行为和相互作用结果是低级实体与全局模式的起源。人工生命是由不包含全局行为规则的个体模型构成的。某些基于个体的模型被用于测试已知的生物学问题。因此, 其结果可能出现在已知生物体的参数空间范围之内。与之相反, 某些人工生命模型并不以已知的生物学问题为起点, 而是涉及新的全局模式, 这些模式不一定与生物学现象相关。另外, 人工生命经常是针对无限定条件的仿真, 因而其结果和规则随时间不断变化, 而完全不可预测。 因此基于个体的模型与人工生命是紧密相关的, 有时还是完全一致的, 但是对人工生命研究者来说, 突现是生命的要素, 所以实现人工生命需要突现。作者认为人工生命是基于个体模型的一个特例。所以, 广义地认为, 利用包括基于个体模型的人工系统来探究生命可以看作是人工生命。 2.2 不可预测性的严格限制 如上所述, 人工生命的关键概念就是突现。不过, 对于不同的科学领域, 甚至不同的研究者来说, 突现的定义都可能不同。Allen和Starr的定义认为突现属性是无法从早期行为中推导出来的属性。同样在复杂性问题研究中突现意味着