Von nichts kommt nichts Oder doch Evolution im

„Von nichts kommt nichts!“ Oder doch? Evolution im Computer Evo. Lab@SGH Martin Reiche, 2005 1

Themenbereiche § § § Evolution als Informationserzeugung Formale Modellierung einer Orientierungsleistung Zustandsautomat „Kombinatorische Explosion“ und „reiner Zufall“ Optimierung, Zielfunktion, „Fitnesslandschaft“ Modellierung des Evolutionsprozesses als „Algorithmus“ § Außerordentliche Leistungsfähigkeit und Universalität der Evolution § Wesen und Wirkung von Reproduktion, Selektion, Mutation, Fitness § Explizites vs. implizites Wissen/Lernen, Abstraktion Evo. Lab@SGH Martin Reiche, 2005 2

Leben und Information § Das Leben auf der Erde besteht aus einzelnen Individuen, die ständig neu geboren werden und wieder sterben. § Was nicht stirbt, ist der Bauplan, nach dem ihr Körper aufgebaut ist und der ihr Verhalten steuert. § Dieser Bauplan ist Ergebnis der Evolution. Er wird immer wieder kopiert und verändert. § Jeden Plan können wir als Information darüber begreifen, wie etwas zu geschehen hat. Die Evolution erzeugt also Information. Evo. Lab@SGH Martin Reiche, 2005 3

Information und Computer § Ein Computer ist eine Maschine zur Informationsverarbeitung. § Kann er nicht auch Information „produzieren“, so wie die Evolution? § Und was bedeutet das eigentlich? § Wir wissen doch: „Von nichts kommt nichts!“ Evo. Lab@SGH Martin Reiche, 2005 4

Zweck von Evo. Lab (allgemein) Wir stellen dem Computer eine Aufgabe, für die er selbständig eine Lösung, einen Plan finden soll. Dabei soll er wie bei der Evolution der Lebewesen verfahren. Dazu bräuchte man nicht unbedingt einen PC: Bleistift, Papier und Würfel täten es auch, allerdings würde das dann sehr zeitaufwändig. . . Evo. Lab@SGH Martin Reiche, 2005 5

Zweck von Evo. Lab (speziell) Der Computer soll „künstliche Ameisen“ züchten, die in der Lage sind, einer Spur zu folgen. Er soll die Information erzeugen, die eine Ameise erfolgreich steuert. Evo. Lab@SGH Martin Reiche, 2005 6

Sicht einer Ameise Evo. Lab@SGH Martin Reiche, 2005 7

Wirkungskreislauf beim Verfolgen einer Spur Auge Welt Gehirn Beine Evo. Lab@SGH Martin Reiche, 2005 8

Zustandsautomaten Sicht: ZA 1 (variabel) , , , , Relative Bewegung: , , , ZA 2 (fest) Absolute Bewegung: N, W, S, O Evo. Lab@SGH Martin Reiche, 2005 9

Darwins Beobachtungen (1) Alle Arten weisen ein derart hohes Fortpflanzungspotential auf, dass ihre Populationsgröße exponentiell zunehmen würde, wenn alle Individuen, die geboren werden, sich erfolgreich fortpflanzten. Evo. Lab@SGH Martin Reiche, 2005 10

Exponentielles Wachstum der Menschheit Evo. Lab@SGH Martin Reiche, 2005 11

Darwins Beobachtungen (2+3) Die meisten Populationen sind normalerweise mit Ausnahme saisonaler Schwankungen in ihrer Größe stabil. Die natürlichen Ressourcen sind begrenzt. Evo. Lab@SGH Martin Reiche, 2005 12

Darwins Folgerungen (1) Die Produktion von mehr Nachkommen, als die Umwelt tragen kann, führt unter den Individuen einer Population zu einem Kampf ums Überleben, wobei in jeder Generation nur ein Bruchteil des Nachwuchses überlebt. Evo. Lab@SGH Martin Reiche, 2005 13

Darwins Beobachtungen (4+5) Die Individuen einer Population variieren enorm in ihren Merkmalen; keine zwei Individuen sind exakt gleich. Ein Großteil dieser Variabilität ist erblich. Evo. Lab@SGH Martin Reiche, 2005 14

Darwins Folgerungen (2) Das Überleben im Existenzkampf beruht nicht auf Zufall, sondern hängt unter anderem von den Erbanlagen der überlebenden Individuen ab. Die durch ihre ererbten Merkmale am besten an die Umwelt angepassten Individuen hinterlassen wahrscheinlich mehr Nachkommen als weniger gut angepasste. Evo. Lab@SGH Martin Reiche, 2005 15

Industriemelanismus Evo. Lab@SGH Martin Reiche, 2005 16

Fitnesslandschaft – der eindimensionale Fall (1) Evo. Lab@SGH Martin Reiche, 2005 17

Fitnesslandschaft – der eindimensionale Fall (2) Evo. Lab@SGH Martin Reiche, 2005 18

Fitnesslandschaft – der zweidimensionale Fall Evo. Lab@SGH Martin Reiche, 2005 19

Gib‘ dem Zufall eine Chance! Erreichte Fitness Anzahl 0 97. 702. 041 1 2. 223. 557 2 69. 426 3 2. 300 4 383 5 0 6 0 7 2. 293 8 und größer 0 Summe: Evo. Lab@SGH 100. 000 Martin Reiche, 2005 20

Der Evolutions. Algorithmus Start 200 Genome mit zufälligen Regeln belegen Fitness aller 200 Genome bestimmen maximale Fitness erreicht? ja Fertig! nein Die 20 besten Genome als Eltern wählen Evo. Lab@SGH Selektion Durch Kreuzung aus den 20 Eltern 200 neue Genome herstellen Reproduktion Einige Genome zufällig verändern Mutation Martin Reiche, 2005 21

Crossing-Over (1) Elter 1 Elter 2 Tochter a b c Evo. Lab@SGH Martin Reiche, 2005 22

Crossing-Over (2) Genom 1: rekombiniert mit Genom 2: ergibt Tochtergenom: Evo. Lab@SGH Martin Reiche, 2005 23

Mutation vorher: nachher: Evo. Lab@SGH Martin Reiche, 2005 24

Zwei Arten zu Lernen Explizites Lernen Implizites Lernen Auswendiglernen Verstehen Telefonbuch Addition von Dezimalzahlen nein ja Funktioniert auch, wenn keine Regelmäßigkeit vorhanden ist ja nein Gelerntes lässt sich auf ähnliche Phänomene übertragen nein ja ja nein umgangssprachlich Beispiel Erfasst die Regelmäßigkeit der Aufgabenstellung Speicherbedarf wächst mit Lernumfang Evo. Lab@SGH Martin Reiche, 2005 25

Evo. Lab und die natürliche Evolution Natürliche Evolution Evo. Lab Generationenfolge mit Selektion und Mutation ja ja Individuen können sich in ihre Umwelt orientieren ja ja Wesen der Individuen Materieller Körper mit Bitmuster, „Zahlen“ Stoffwechsel Umwelt Natur Computer Komplexität der Individuen hoch gering nein (nicht erkennbar) ja ja nein komplex einfach Evolution hat festes Ziel Individuen interagieren (Wettbewerb, Kooperation) Definition der Fitness Evo. Lab@SGH Martin Reiche, 2005 26