En la evolución natural y la evolución artificial (por ejemplo, la vida artificial y el cálculo evolutivo ), la aptitud (o el rendimiento o la medida objetiva ) de un esquema se reescala para dar su aptitud efectiva que tiene en cuenta el cruce y la mutación .
La aptitud efectiva se utiliza en Computación evolutiva para comprender la dinámica de la población. [1] Mientras que una función de aptitud biológica solo mira hacia el éxito reproductivo , una función de aptitud efectiva intenta abarcar las cosas que se necesitan para la supervivencia a nivel de población. [2] En poblaciones homogéneas, la aptitud reproductiva y la aptitud efectiva son iguales. [1] Cuando una población se aleja de la homogeneidad, se alcanza una mayor aptitud efectiva para el genotipo recesivo. Esta ventaja disminuirá mientras la población avanza hacia un equilibrio. [1] La desviación de este equilibrio muestra qué tan cerca está la población de lograr un estado estable. [1] Cuando se alcanza este equilibrio, se logra la máxima aptitud efectiva de la población. [3]
La resolución de problemas con computación evolutiva se realiza con una función de costo. [4] Si las funciones de costo se aplican a la optimización del enjambre, se denominan función de aptitud . Estrategias como el aprendizaje por refuerzo [5] y la neuroevolución NEAT [6] están creando un panorama de aptitud que describe el éxito reproductivo de los autómatas celulares . [7] [8]
La función de aptitud efectiva modela el número de descendientes aptos [1] y se utiliza en cálculos que incluyen procesos evolutivos, como mutación y cruzamiento, importantes a nivel de población. [9]
El modelo de aptitud efectiva es superior a su predecesor, el modelo de aptitud reproductiva estándar. Avanza en la comprensión cualitativa y cuantitativa de conceptos evolutivos como hinchazón, autoadaptación y robustez evolutiva . [3] Mientras que la aptitud reproductiva solo mira la selección pura, la aptitud efectiva describe el flujo de una población y la selección natural tomando en cuenta los operadores genéticos. [1] [3]
Una función de aptitud normal se ajusta a un problema, [10] mientras que una función de aptitud efectiva es una suposición si se alcanzó el objetivo. [11] La diferencia es importante para diseñar funciones de adecuación con algoritmos como la búsqueda de novedades en los que se desconoce el objetivo de los agentes. [12] [13] En el caso de las bacterias, la aptitud efectiva podría incluir la producción de toxinas y la tasa de mutación de diferentes plásmidos, que en su mayoría se determinan estocásticamente [14]
Aplicaciones
Cuando se dispone de ecuaciones evolutivas de la dinámica de población estudiada, se puede calcular algorítmicamente la aptitud efectiva de una población determinada. Aunque aún no se ha encontrado el modelo de aptitud perfecto y efectivo, ya se sabe que es un buen marco para comprender mejor el movimiento del mapa de genotipo-fenotipo, la dinámica de la población y el flujo en los paisajes de aptitud. [1] [3]
Los modelos que utilizan una combinación de funciones de aptitud darwinianas y funciones efectivas son mejores para predecir las tendencias de la población. Se podrían utilizar modelos eficaces para determinar los resultados terapéuticos del tratamiento de enfermedades. [15] Otros modelos podrían determinar la ingeniería de proteínas efectiva y trabajan para encontrar una bioquímica nueva o mejorada . [dieciséis]
Referencias
- ↑ a b c d e f g Stephens CR (1999). "Paisajes de aptitud efectiva para sistemas evolutivos" . Actas del Congreso de 1999 sobre Computación Evolutiva-CEC99 (Cat. No. 99TH8406) : 703–714. arXiv : nlin / 0006050 . doi : 10.1109 / CEC.1999.782002 . ISBN 0-7803-5536-9. S2CID 10062119 .
- ^ von Bronk B, Schaffer SA, Götz A, Opitz M (mayo de 2017). Balaban N (ed.). "Efectos de la estocasticidad y la división del trabajo en la producción de toxinas sobre la competencia bacteriana de dos cepas en Escherichia coli" . PLOS Biología . 15 (5): e2001457. doi : 10.1371 / journal.pbio.2001457 . PMC 5411026 . PMID 28459803 .
- ^ a b c d Stephens CR, Vargas JM (2000). "Aptitud efectiva como paradigma alternativo para la computación evolutiva I: formalismo general". Programación genética y máquinas evolutivas . 1 (4): 363–378. doi : 10.1023 / A: 1010017207202 . S2CID 1511583 .
- ^ Schaffer JD, Sichtig HM, Laramee C (2009). Una serie de funciones de aptitud fallidas y parcialmente satisfactorias para la evolución de las redes neuronales de picos . Actas de la 11ª conferencia anual acompañante de la conferencia sobre computación genética y evolutiva - GECCO 09. ACM Press. doi : 10.1145 / 1570256.1570378 .
- ^ Afanasyeva A, Buzdalov M (2012). Optimización con criterios auxiliares mediante algoritmos evolutivos y aprendizaje reforzado . Actas de la 18ª Conferencia Internacional de Soft Computing MENDEL 2012. 2012 . págs. 58–63.
- ^ Divband Soorati M, Hamann H (2015). El efecto del diseño de funciones de acondicionamiento físico sobre el rendimiento en robótica evolutiva . Actas de la Conferencia 2015 sobre Computación Genética y Evolutiva - GECCO 15. ACM Press. doi : 10.1145 / 2739480.2754676 .
- ^ Stadler PF, Stephens CR (2003). "Paisajes y Fitness Efectivo" . Comentarios sobre biología teórica . Informa UK Limited. 8 (4–5): 389–431. doi : 10.1080 / 08948550302439 .
- ^ Bagnoli F (1998). "Autómata celular". arXiv : cond-mat / 9810012 .
- ^ Henry A, Hemery M, François P (junio de 2018). "φ-evo: un programa para desarrollar modelos fenotípicos de redes biológicas" . PLOS Biología Computacional . 14 (6): e1006244. Código bibliográfico : 2018PLSCB..14E6244H . doi : 10.1371 / journal.pcbi.1006244 . PMC 6013240 . PMID 29889886 .
- ^ Fernández AC (2017). "Creación de una función de fitness que se adapte perfectamente al problema en cuestión". Cite journal requiere
|journal=
( ayuda ) - ^ Handa H (2006). Función Fitness para encontrar soluciones sólidas en funciones variables en el tiempo . Actas de la 8ª conferencia anual sobre computación genética y evolutiva GECCO 06. ACM Press. doi : 10.1145 / 1143997.1144186 .
- ^ Lehman J, Stanley KO (2011). "Abandonando los objetivos: evolución a través de la búsqueda de la novedad únicamente". Computación evolutiva . Prensa del MIT - Revistas. 19 (2): 189–223. doi : 10.1162 / evco_a_00025 . PMID 20868264 . S2CID 12129661 .
- ^ Woolley BF, Stanley KO (2012). "Explorando peldaños prometedores combinando la búsqueda de novedades con la evolución interactiva". arXiv : 1207,6682 [ cs.NE ].
- ^ Lehman J, Stanley KO (24 de septiembre de 2010). "Abandonando los objetivos: evolución a través de la búsqueda de la novedad únicamente". Computación evolutiva . 19 (2): 189–223. doi : 10.1162 / EVCO_a_00025 . PMID 20868264 . S2CID 12129661 .
- ^ Mahdipour-Shirayeh A, Kaveh K, Kohandel M, Sivaloganathan S (30 de octubre de 2017). "Heterogeneidad fenotípica en el modelado de la evolución del cáncer" . PLOS ONE . 12 (10): e0187000. arXiv : 1610.08163 . Código bibliográfico : 2017PLoSO..1287000M . doi : 10.1371 / journal.pone.0187000 . PMC 5662227 . PMID 29084232 .
- ^ Xu Y, Hu C, Dai Y, Liang J (11 de agosto de 2014). "En función no lineal global simplificada para el paisaje de fitness: un estudio de caso de plegamiento de proteínas inverso" . PLOS ONE . 9 (8): e104403. Código bibliográfico : 2014PLoSO ... 9j4403X . doi : 10.1371 / journal.pone.0104403 . PMC 4128808 . PMID 25110986 .
enlaces externos
- Fundamentos de la programación genética