人工生命仿真研究综述

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(EvolutionaryProgramming)对有限状态机进行优化,1975年由Holland提出了遗传算法(GeneticAlgorithms)。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从低级行为和规则中无法预测而出现的高级现象。例如,在细胞机器人中,遵循简单规则的相邻细胞之间的相互作用,有时能够产生一些无法从这些规则中预测的、复杂的全局模式。‘不可预测性’和‘意外现象’经常被用作评估突现的标准。不过,混沌物理学家和一些哲学家声称‘不可预测性’不是突现的合适标准。意外和不可预测性仅仅意味着知识的缺乏和数据的不完整。一旦仿真结束,我们就拥有了控制仿真结果的相互作用与临界事件的所有线索。在某些情况下,我们要以跟踪和解释为什么程序命令会导致仿真结果的事件,这就表明它们并非意外,因而也不是突现。因此,没有一个完全的标准来衡量得到的结果是可预测的还是不可预测的。一些计算机科学家认为突现有更多的限制。以他们的观点来看,几乎所有的人工生命仿真都不能产生突现,因为计算机程序的计算过程不能被仿真结果的规则改变。因此,获得的结果或多或少已被编程。不过,即使不能从计算机中获得真正的突现,计算机程序本身也可以模拟发生在自然界中的意外现象。因此,Langton提出一个更加实际的定义,即突现是介于微观和宏观行为之间的反馈。Taylor将其清楚的表达如下。“全局动态结构的突现来源于一组相互作用的实体的局部动态行为。该全局动态结构的稳定是通过在其局部操作中设定边界条件来实现的。即,这些全局结构可以‘向下延伸至’它们自身的物理支撑,并且不断地调整以达到自身的全局目标。这种从局部到全局再返回局部的中间级的反馈周期是生命的本质,而且是理解其起源、进化和多样性的关键。”这样,突现可以伴随全局结构的形式出现,而其结构的边界条件受到局部动态操作的限制和改变。因为通过中间级的反馈周期,模式的出现不能从其初始程序中轻易地预测到,因此,全局模式是自然出现的。通过创建自繁殖实体可以获得实现。本文遵循突现的这个定义,不过突现问题本身是非常重要的,而且需要进一步的加工。2人工鸟的仿真生态学和进化论假设的试验涉及真正的生物体。真正的生物体显示出复杂的行为,而且有时候其继承行为也同样复杂。为了仿真真正的生物体,应该有两方面的模型。首先,人工生命仿真是对控制人体行为和相互作用的规则的搜索过程,这些规则产生了自然界中存在的突现模式。其次,真正生物体的特征和环境在人工个体中被当作参数作用,以比较同真正生物体的进化和生态学现象的区别。这两种方法不是相互排斥的。人工鸟Boid是人工生命的第一种情形的一个实例。鸟群是有组织的,因此这群鸟的行为似乎是由鸟群自身控制的。不过,鸟群的飞行模式可以通过人工鸟来仿真,这种只有三个简单规则的人工鸟个体通过与相邻鸟的相互作用来实现鸟群的飞行仿真。另外,几个研究小组对控制个体相互作用,从而导致蚂蚁社会组织行为的规则进行了研究。下面两个研究可以作为第二种情形的例子。Toquenaga等人研究了豆类象鼻虫的竞争。他们的研究包括三个领域:自然界、实验室和人工的。在自然界有两种类型的竞争:混夺和争夺。在争夺竞争中,处于支配地位的个体通过干预其下属来独占有限的资源。而在混夺竞争中,所有的竞争者分享和竞争有限的资源。通过对自然界的观察,Toquenaga等人假设混夺竞争在大的豆中进化,而争夺竞争在小的豆中进化。瓶子试验验证了这种假设。另外,他们通过遗传算法实现人工生命仿真。更进一步的人工生命研究表明,意外的因素(例如幼虫进入豆粒中心区域的行为)在竞争类型的进化当中扮演了重要的角色。RAM系统同样对群体行为和进化的模型进行了研究。在该系统中,通过对生物体加入一些特征来实现人工生命个体的原型,从而解释有关真正生物体的假设。2.1伪自参考系统人工生命研究者创建自繁殖程序是为了解决无限回归悖论。自繁殖程序必须包含对其自身的说明,以及对说明的说明等等。该领域的先驱是冯·诺依曼通过细胞自动机模型首次证明了自繁殖机器的想法。许多计算机科学家运用该原型生成了自繁殖实体和复杂的系统。自繁殖过程可能是对Langton的突现定义的最适合的表示方法。自繁殖与自参考的关系非常密切。自参考系统的信息流在它开始运行之后是封闭的。通过从系统外部提供连续的信息流可以建立伪自参考系统。例如,在人工生命研究中蚂蚁跟踪行为被认为是一个很好的关于意外系统的例子。系统启动时,要在领域空间内撒上糖粒来作为资源。蚂蚁在开始时的觅食行为是随机的。在足迹激素的帮助下,它们迟早会发现糖粒并形成足迹。在糖粒耗尽之后这些足迹就会消失。然后蚂蚁们又会重新开始随机觅食。但是该系统没有一个闭合的自参考循环。从发现资源到耗尽资源是一个单向的过程,只能通过再次引入新的资源分布来重新开始。真正的自参考系统应该综合资源再生过程与蚂蚁觅食的行为。遗憾的是大多数弱方法和强方法人工生命研究对资源限制条件的规定都不成功。2.2添加大量的更新并进行追踪遗传算法(GA)同样是一个自参考的模型。它主要被用作工程优化问题的领域搜索技术。许多人工生命模型都采用GA来创建进化系统。简单GA包含固定长度的位串(例如1001001110的二进制串数据),并且在位串上执行位反转(点变异,即从1变到0或者从0变到1)和位交换(杂交,例如,两个位串1-1111和0-0000产生新的串1-0000和0-1111)。每个串或者一对串根据其适应值进行繁殖,而新生的后代就是变异和复合的目标。和其他强鲁棒性的优化技术一样,GA的几个改进版本也被用于建立无限进化。应该注意到在GA系统的介绍中,经常混淆了染色体和DNA。不过,这种混淆现在已经对GA和分子生物学起到了积极的作用(例如,不一致进化)。3计算机仿真中的一些重要意义自然选择通过对‘媒介’(或称反应器)的选择产生不同的‘复制器幸存者’。复制器是利用复制将其信息直接传递给下一代的实体。而媒介是与环境相互作用的实体,它们可以影响复制的结果。在生态学中,基因是复制器,而生物个体则为媒介。对人工个体的自然选择可以产生优化的遗传基因,因而可以在人工世界中对自然选择理论进行测试。Ray的Tierra是一个著名的通过作用于人工个体的自然选择而实现的人工生命进化仿真。Ray编写了自繁殖程序,这些程序在计算机中竞争存储器空间和时间。它同时还在程序中运用了变异以创建变种。因此,该程序可以看作是复制器,它把其自身复制到存储器的其他地址,而且由于它同时还与其他程序竞争存储器空间,因而也可以看作是媒介。这些仿真给进化生物学提供了重要的指导意义。因此,人工生命可以模拟自然选择的过程,以及验证进化过程中的动力学现象。突现、自组织和复杂性是十分普遍的问题,不仅对生物学,对其他的科学领域也一样。最近,计算机科学家已经开始对复杂性表现出浓厚的兴趣。一些科学家认为通过使用人工生命仿真和协同进化的军备竞赛可以导致混沌。目前还难以证明该概念对实际的生物体有什么重要意义。不过,人工生命的研究可能提供线索,揭示该概念的意义所在。由底向上方法的基本原理以及人工生命仿真中的突现与等级关系问题是密切相关的。生态学和进化领域的研究者对等级关系有着浓厚的兴趣。传统假设认为自然界的实体形成嵌套等级,而每个层次都有规则来解释其自身的现象。不过,自然界并不是嵌套,而且在较高层次发生的现象可能是由其他多个层次的相互作用产生的。因此,很难使用数学理论来解释不同层次之间的关系。人工生命对于研究各层次之间的关系是一种合适的工具。与上面的例子一样,还有许多重要的一般性概念也是用传统方法难于测试的,而且更加难于将这些理论用于真正的生物体(例如转移平衡理论、强调的饱和以及性别进化等)。对于这些情形,人工生命仿真方法可能是一个突破口。4人工生命仿真的局限某些与人工生命发展相关的问题是和基于个体的模型相同的。计算机仿真程序的有效性往往是不容易检测的。同样,也不容易解释其所以然。特别对于人工生命仿真而言,其获得结果是难以从程序中预测的。因此,要确定其仿真结果究竟是真正的突现还是由未知的不相干因素导致的也是一件困难的工作。在生态学和进化论中,对原因的研究非常重要。所以,检验是由局部规则导致全局模式,还是由全局模式本身在导致其自身的出现是很有必要的。如前所述,一些人工生命研究者基于如何获得突现来评估仿真。不过,过分强调突现对使用仿真来解释生物现象可能会带来麻烦。在无限制条件的仿真中,几乎所有的参数都受制于不可预测的因素。从仿真获得的结果可能与生物学问题没有任何关系。相反,为了更加实际地测试生物学问题,研究者将更多的信息编入计算机中,因此仿真将不再是无限制和不可预测的。在缺少从生命体中获得足够信息的情况下,