Filozofia ewolucji Charlesa Sandersa Peirce’a a współczesne problemy algorytmów ewolucyjnych

Semina Nr 16 Scientiarum 2017 s. 43–66 DOI: http://dx.doi.org/10.15633/ss.2484 Adam Kłóś Filozofia ewolucji Charlesa Sandersa Peirce’a a współczesne problemy algorytmów ewolucyjnych Związki między biologią a informatyką sięgają samych początków historii współczesnego komputera1, czyli mniej więcej lat pięćdziesiątych ubiegłego wieku. Współpraca ta jest owocnie kontynuowana i dostarcza naukom biologicznym odpowiednich metod pozyskiwania i opracowywania danych empirycznych, a informatyce inspiracji w poszukiwaniu nowych narzędzi. Tak pojawiło się wiele metod obliczeniowych naśladujących mechanizmy funkcjonujące w świecie przyrody. Jednym z najważniejszych narzędzi – któremu poświęcona jest obecna praca – są algorytmy ewolucyjne, z ich flagowymi przedstawicielami: algorytmami genetycznymi. Wśród innych narzędzi obliczeniowych inspirowanych naturą można wymienić np. automaty komórkowe, sztuczne sieci neuronowe, sztuczne życie, algorytmy inteligencji grupowej (swarm algorithms), sztuczne układy immunologiczne itd. Stosowane w ich przypadku „podglądanie” natury okazało się spełniać niezastąpioną rolę w rozwoju współczesnej informatyki, oferując skromniejszą, ale na dłuższą metę bardziej skuteczną metodę rozwiązywania problemów – na zasadzie prób i błędów. Za wyborem tej strategii leży – wydaje się, że uza1 Zainteresowanych pogłębieniem wzajemnych relacji między biologią a narzędziami obliczeniowymi odsyłamy do monografii: N. Forbes, Imitation of Life. How Biology Is Inspiring Computing, Cambridge 2004. 44 Adam Kłóś sadniona – wiara w to, że im lepiej będziemy w stanie odwzorować w naszych metodach informatycznych występujące w naturze mechanizmy ewolucyjne, tym sprawniejsze i wydajniejsze będą owe algorytmy. W artykule tym pragnę pokazać, jak przyjęty model ewolucji przekłada się na sprawność utworzonych na jego podstawie narzędzi informatycznych. Pokażę braki tradycyjnych typów algorytmów ewolucyjnych, zbudowanych na schemacie ewolucji neodarwinistycznej, które mogą być konsekwencją przyjęcia nieadekwatnej teorii ewolucji, a następnie zaproponuję alternatywny, Peirce’owski model ewolucji i próbę implementacji tej propozycji w ramach nowych schematów algorytmicznych. 1. Algorytmy oparte na neodarwinistycznym modelu ewolucji Kanoniczna wizja ewolucji, która stanowi wciąż oficjalną wykładnię rozwoju świata ożywionego, oparta jest na teorii neodarwinistycznej. Podstawowa wersja tej teorii zakłada, że akumulacja ślepych mutacji w połączeniu z działaniem selekcji naturalnej odpowiedzialna jest za wywoływanie zmian makroskopowych2. W stanowisku tym można wykazać następujące tezy: (1) przypadkowe, ślepe mutacje w połączeniu z krzyżowaniem się osobników są głównymi (jedynymi?) źródłami nowości ewolucyjnej; (2) naturalna selekcja jest siłą 2 Oczywiście należy zdawać sobie sprawę, że przyjęty termin „neodarwinizm” jest pewnym uogólnieniem, mieszczącym w sobie bogactwo różnych teorii. Co prawda, wymienione w tekście ogólne punkty są dość powszechnie przyjmowane przez zwolenników tego kierunku, lecz poszczególni uczeni różnią się choćby w kwestiach epistemologicznych, mają odmienne poglądy odnośnie ukierunkowania ewolucji, natury procesów ewolucyjnych czy też zakresu stosowalności praw ewolucyjnych itd. O występujących różnicach w ramach „ortodoksyjnego” neodarwinizmu, na przykładzie trzech znamienitych przedstawicieli tego kierunku: Theodosiusa Dobzhansky’ego, Bernharda Renscha i Ernsta Mayra, można przeczytać w: R. G. Delisle, The Uncertain Foundation of Neo-Darwinism: Metaphysical and Epistemological Pluralism in the Evolutionary Synthesis, „Studies in History and Philosophy of Biological and Biomedical Sciences” 40 (2009), s. 119–132. Filozofia ewolucji Charlesa Sandersa Peirce’a… 45 napędową ewolucji; (3) gradualizm – powolna akumulacja zmian (które przeszły przez sito selekcji), które małymi krokami prowadzą do obserwowalnych zmian fenotypowych. Powyższy model rozwoju życia został przyjęty jako teoretyczna podstawa przy tworzeniu narzędzia heurystycznego zwanego algorytmem ewolucyjnym. Ideę algorytmu ewolucyjnego przedstawię na przykładzie jego najpopularniejszej wersji, mianowicie algorytmu genetycznego. Narzędzie to należy do metod heurystycznych, które symultanicznie przeszukują przestrzeń alternatywnych rozwiązań w celu znalezienia rozwiązania optymalnego (maksimum bądź minimum lokalnego, w zależności od sposobu zakodowania problemu). W tym celu generuje się wyjściową populację osobników, która zasiedla płaszczyznę adaptacyjną. Każdy z owych osobników (jeden punkt na płaszczyźnie) jest propozycją rozwiązania zadanego problemu (genotyp osobnika). Oczywiście w zależności od odległości, jaka dzieli go od rozwiązania optymalnego, osobnik ten będzie charakteryzował się lepszą lub gorszą wartością dostosowania (fenotyp osobnika, czyli jego wartość selekcyjna). Obrazując zbiór danych rozwiązań za pomocą płaszczyzny adaptacyjnej, otrzymujemy powierzchnię przypominającą pasmo górskie. Przyjmijmy, że najlepsze rozwiązanie zadanego problemu reprezentowane jest przez globalne minimum. Proces ewolucji organizmów będzie polegał na stopniowym zbliżaniu się danego osobnika do rozwiązania optymalnego, czyli w omawianym przypadku na schodzeniu jednostki w dolinę minimum globalnego. Niestety, optymalizacja sekwencji na zasadzie schematu neodarwinistycznego napotyka pewne problemy. Przypadkowe mutacje i krzyżowanie się osobników powodują, że rozwiązanie „pijanym krokiem” będzie wędrowało w dowolnym kierunku po płaszczyźnie adaptacyjnej. Bardzo prawdopodobne, że kolejne pokolenia analizowanego osobnika zaczną przypadkowo schodzić do najbliższej, a niekoniecznie najgłębszej doliny. Naturalna selekcja zadba zaś o to, by raz obrawszy drogę w dół (w kierunku minimum), osobnik nigdy się nie cofnął. Selekcja bowiem zawsze promuje sekwencję lepiej dopasowaną. Tym oto sposobem osobnik, raz obrawszy drogę zejścia, będzie trawersował w dół najbliższej kotliny. Gdy lokalne minimum zostanie już osiągnięte, ewolucja zgodnie z mechanizmem proponowanym 46 Adam Kłóś przez neodarwinizm zatrzyma się i organizm utknie w dolinie. Zakazana jest nawet tymczasowa wspinaczka w górę (chwilowe obniżenie swojego dostosowania) w celu rozpoczęcia wędrówki w kierunku doliny głębszej (uzyskania finalnie lepszego dostosowania). Ewolucja jest krótkowzroczna i wybiera zawsze to, co w danym momencie przynosi korzyść organizmowi. Taki scenariusz ewolucji proponowany przez podstawową wersję modelu neodarwinistycznego może dobrze funkcjonować, ale – jak pisze Richard A. Watson – „tylko dla ograniczonej klasy problemów”3, mianowicie dla klasy przypadków, w których mamy do czynienia z „gładką” powierzchnią adaptacyjną. Pod pojęciem „gładkiej” płaszczyzny rozumiemy takie ukształtowanie terenu, które posiada tylko jedną dolinę. Jedynie w tym przypadku, kierowany naturalną selekcją, mechanizm adaptacji małych mutacji bezbłędnie zoptymalizuje sekwencję, doprowadzając ją do najlepszego rozwiązania. Problem jednak w tym, że j (...truncated)