主题：【请教】关于生物的Self-Adaptive行为的知识和在计算机方面 -- 梦里依稀
种和种之间都有很大区别,就别说白蚁,蜜蜂,蚂蚁这样的目/科级别的不同了.俺不太懂仿生学,但是感觉要不是精确到"仿"一个特定种的话,恐怕很乱,很麻烦.
概况的说(假设咱们现在说的都是WORKER吧),就俺的理解,每个个体的基因组里都存在着很多套"程序".而不同的"程序"在一定条件下被激活.这些条件可以是年龄(比如年轻工蚁一般在巢内作建筑工人,年长的则出去觅食),外界信号(比如下雨后必要清理道路,没食儿了就得外出打工,鬼子来了还得帮着兵蚁打架),或受其他个体的信号影响(QUEEN的作用常通过其外激素控制WORKER的形态发育表现. 另外,有的种类的确有LEADER,其实就是最先反应的个体,反应同时为其它后来者留下信号).总的来讲,越高等的社会昆虫,其WORKER内部的分工越明确,通常一个个体在一段时间内只负责干一个工作,这样一来任务简单明确,比如:外出觅食 -- 叼回馒头渣一枚 -- 喂给幼虫 -- 幼虫反哺自己吃饱 -- 再外出.在执行这个任务时,它完全相当于一只个体生存的昆虫 (除了有可能获得同伴的帮助外).
从整巢的水平看,一个巢根据外界环境变化和自身发育情况会有不同的分工需要,比如年轻的巢里没几十口子人,就都得出去找饭辙,家大业大,要搬的时候,就统统作搬运工,等到后宫有变的时候就更热闹了,很多人的角色会有变化...
反正作为生物系统,社会昆虫的任务也是SURVIVE AND REPRODUCE,而由于术业专攻,每个个体不管身外之事,其本职工作效率极高,再加上庞大的数量和有效的管理系统,使其具备相当的竞争优势.
俺不懂计算机,这些生物方面的东东不知道对你们有用没有,希望吧.
本帖一共被 2 帖 引用 (帖内工具实现)
蚂蚁的某些活动,比如下雨前把泥土堆在门口,姑且不论蚂蚁如何知道会下雨,蚂蚁个体是否知道门在哪里,而有意识的把泥土往门口堆,还是完全跟随其他蚂蚁的行动?
先声明, 在下对你们谈的东东很感兴趣, 但自己是100%的外行. 偶干的工作和科学研究关系太远了. 提点胡思乱想, 请老大们指点.
好象, 如果将时间段无限细分的话, 似乎可以说在某一时间段内只有一只蚂蚁在工作, 或者说只有一只蚂蚁在做放东西(PUTDOWN)的动作. 那我们就可以把乱糟糟蚂蚁窝分解成一只只个别蚂蚁的行为.
假设有A,B,C 三个地方, 分别可以放泥土,食物,蚂蚁蛋. 先假设这三个地方已经分别有三样东西了.
蚂蚁1 随机PICKUP任何一种东东, 随机走到一个地方, 如果和环境的东西一样就PUTDOWN.不同就背走.
蚂蚁2 随机PICKUP一种东东, 如此类推.
在筑巢,御敌这种大规模行动中,每个个体都知道自己在干什么.虽然组织纪律的强度因种而易,但总的说一般没有统一的号令或是领导,实际上是在各自为战(对环境变化和相应的工作进度及需要的瞬时感知能力也是每个参加劳动的工蚁都具备的).我在上面说,这时每个蚂蚁都相当于一只个体生活的昆虫,就是这个意思.
有些种类在"觅食/防卫 -- 发现食物/攻击敌人 -- 留下外激素引导伙伴"这个过程中会有LEADER,但是LEADER不是固定的个体,而是随几出现的.也就是说,谁先撞了大运,就跟别人言语一声儿,呵呵.
以下发言与楼主的主题没有直接关系，只是一点背景，不感兴趣的可以略过。
1. 关于Self-Adaptive，
这个名词在生物里面是不存在的，适应是对于整个种族而言的，对于个体来说，其生存的作用，在于维系种族适当的多样性，并传宗接代。如果有某个个体对于一个特定的环境特别适合，那么，这只是说明，整个基因库中存在这样的一个组合，可以很好的适应这个环境。个体对于环境的适应，应该是一个正态分布的曲线，虽然存在个别极端的特例，但是总的分布是有自己的中间点的。中间点的造成是由等位基因（等位基因编码某一特定蛋白，但是不同的基因间有或大或小的差异）在基因库中的比例造成的。
对于基因来说，单个基因对于个体的适应性出现非常大的改变，这本身是非常危险的事情，因为同样的改变可以在不同的环境中造成截然相反的效果。生物系统最大的特点在于稳定。一旦建立，整个以新陈代谢位代表的生命体系就会一直维持，直到消亡。这个稳定性是以冗余作为代价的。大多数基因都有自己的备用拷贝在起作用。这种情况下，不大可能存在单一基因造成的适应优势，适应优势通常只能通过基因组合来完成。
2. 还是关于Self-Adaptive
所谓的适应，即进化优势的获得，是被动的。某一外在环境通过使正态分布中的一部分个体获得优势来改进基因库中的等位基因的组成。从而改变中间点，使更多的个体，具有优势的基因组合。从而提高整个种族的竞争性。而另外的环境会促进基因库中其他基因组成的改变，或者这组基因的另外方向的改变。
3. 由此可见，“Self-”Adaptive
的基础，在于个体的不同性。而这些差异在大多数的数学模型中被忽略，因为，如此多的差异是无法用数学来描述的。所以，也就无法用数学来模拟所谓的适应。
但是这种不可描述的差异，不是象蝴蝶效应一样是过程不可知的，而是因为数目巨大，而无法被一一追踪。Self-Adaptive的突破，需要新数学的介入。
一点陋见，欢迎砖头。
本帖一共被 1 帖 引用 (帖内工具实现)
请看这一页
http://www.aaai.org/AITopics/html/reinf.html
尤其是
Reinforcement Learning: A Survey. By Leslie Pack Kaelbling, Michael L. Littman, and Andrew W. Moore.
请先看看里面的模型合不合用。如果不合，请说说缺了啥，大家好再想办法。
希望能够在不需要每台机器都掌握全局化的知识（或者尽量少的全局化知识的情况下），也在拥有尽量少的结构化层次时（比如集中的管理中心），能够有效地实现某些功能。
因为全局化的知识，一般需要传递大量的数据，会带来大量的 Overhead Traffic, 这一点对于无线网络中的移动设备尤其严重，因为在移动设备一般使用电池，能源有限，而向FreeSpace发射电波这种通信方式耗能尤其严重，因此希望能够把这种Overhead减低至最小。
而使用集中的管理中心，首先遇到的就是Scalability的问题（就是如果需要管理的范围不断扩大时遇到的容量问题），其次是Robust（就是是否牢靠），Adaptability (就是在环境变化的情况下，比如某些机器坏掉，某条光纤断掉等等，如何处理问题)
一个典型的例子就是 Internet 的Routing, 也就是说，寻找一台计算机向另外一台计算机发送消息的有效路径，
比如，一台从纽约的机器向加州的机器发送数据，是走Chicago的中间节点好呢，还是Detroit好。（没看图，乱说的）
有效途径，不见得需要是最优路径。这个问题，在现有的固定网络上，有许多解决方法，不过这是基于固定网络网络环境变化不是很大的情况，那么如果是无线网络呢？比如战场环境，移动设备的位置是变化的，有的可能被击毁，有些可能是敌人冒充的，如果有一个控制中心，也可能被敌人俘获，是否有一种比较好的办法，把智能分散到各个移动设备，每个设备知道自己的东西，临近设备的信息，或者少量的全局知识，在这样的情况下，仍然能够实现有效地通信？
在更高层的应用上，比较受到关注的是否Peer To Peer Network的研究，PeerToPeer Network是相对Client Server方式而言的，举个例子，各位上西西河，cchere.com 是Server, 我们各自的机器是Client, Client向Server请求数据和服务。
而Napstor, Edonkey, BT 等等则是PeerToPeer Network, 也就是说，每一台机器都可以是数据源，也可以是数据请求者，同时不断有成员参与，也有成员退出，因此参与成员和网络拓扑都是在不断变化的。
这样也就有一个一台机器如何知道什么地方有它想要的数据的问题。 当然，我们不希望设置一个集中数据库，保存所有参与机器的内容索引，而是，每台机器知道自己的，邻居的一些信息，同时可能有几个管理者提供有限的全局知识，在这种情形下，如何使参与者迅速有效地发现他所需要的数据？
这些问题，从宏观上看，同生物世界，比如上面的蚂蚁问题似乎有某些相似性。
本帖一共被 1 帖 引用 (帖内工具实现)
第一篇绝对相关，只是结果还很不理想。第二篇我也没仔细看过，似乎相关。
http://www.ai.mit.edu/people/lpk/papers/AIM-2003-025.pdf
http://www.ai.mit.edu/people/lpk/papers/chang-nips03.pdf
其实这个就是群体遗传学研究的东西。倒也并非不能用数学来描述，群遗从一开始就试图用数学来描述群体的变化。你所说的困难在于我们很难追踪每一个个体在适应过程中的行为，但是作为一个群体，它的行为还是可以被研究，用的当然是统计学方面的方法。你所说的正态分布的描述就是一个例子啊。
我认为真正的挑战还在于，我们以前一直都关注质量性状的适应变化，而忽视数量性状的适应变化。后者可能更重要，但是因为有多个基因参与其中，研究的困难很大。
可以认为这类研究与群体遗传学密切相关。但是，他们的侧重点明显不同。
我认为，群体遗传学试图用数学模型来阐述整个种群中个体的分布状态，但是它不可能指出特定的个体所处的状态（正如您所指出的）。而计算机模拟的目的是找出最佳适应的个体。所以他们用self-adaptive而不是adaptive。这样一来，群体遗传学的数学模型完全不适用于这个任务。
但是，这种分布中的个体是完全可知的，无论从最细微的基因构成，到宏观上对于整个种族的作用，都是可以追踪的。这一点上，与原子核内的电子运动是截然不同的。虽然追踪这样的个体，需要极大的计算量，但是，是完全可行的，而非理论上不可能的。虽然我不知道现有的数学能否完成这个任务。
在经典的遗传学中，对于数量性状遗传的研究是很少的，因为缺乏特别有力的模型或者模式体系。同时也因为即使在现在，研究某一特定基因在某一特定细胞内的表达量还是一件非常困难的试验。（如果不是完全不可能的话）所以我们并不知道，数量性状在大的遗传体系中所占的地位。rodger说的对，也许这是非常重要的。我们期待在这一方面新的突破也许会改变我们对于遗传体系的整个的了解。
另外一点需要指出的是，生物体系中一个很重要的特点，就是个体的全能性。无论是一个个体还是一个细胞，都带有全部的遗传代码和先存信息（我不知道如何翻译这个词，pre-existant message,指不依赖于DNA或RNA中心法则而存在的结构或其他信息）。但是，这种全能型只在特定的状态下得到表达。因此，在以计算机进行模拟的时候，必须考虑到这一点。
梦里依稀提到
这似乎提到一个根本的区别，即生物以个体的全能性作为发展的先决条件，所以，现实生活中的全局化知识对于个体来说，是无关紧要的。因为这种全局化知识的存在，只能是具有相当高的智力的情况下，才可能对于个体以及种族的存在、发展带来正面的效果。所以，几乎所有的生物个体都没有全局性知识作为自己行动的考虑。
而模拟的时候，之所以引入全局性知识，是否因为个体的权限太小，或者说个体完全缺乏全能性而造成的？而全局性知识的引入，在我看来是主控制体在个体的投射，这样造成的适应，因为个体缺乏自主性，是没有意义的。而改进的唯一办法就是扩大个体的权限，使之能够自主进化，而主控制体的任务改为设置条件进行监护。（这是对于自然选择体系的模拟）
当然，对于生物体系的模拟，其目的不是在人工体系中进行一遍进化和选择。而是择其善者而从之。所以全局性知识的引入，未见得就是一个错误的选择，只是从生物体系来看是不可取的。
我对计算机行业几乎一窍不通，只是瞎侃几句，希望能够有所帮助。
本帖一共被 1 帖 引用 (帖内工具实现)
这个就不该加了。水风兄总是喜欢回帖不喜欢原创。
因为开一个主题太费脑筋，不如看别人说话瞎掺合几句。风水嘛，信则灵，不信就不灵嘛
我就混混而已，虽然说贫道不贪财，多多益善，。二掌柜的还是多多鼓励新人吧。
不过真高兴在这里看到这么多高水平的发言。贫道在此稽首了。
这模拟结果就是随机的，和你观察一壶烧开的开水没有什么区别－－布朗运动。
和水风讨论感觉很爽，呵呵。
以前我们没有可能对每一个个体的行为都作研究，但是现在存在这种可能了，就是用计算机模拟。只是我在想，现在的群体遗传学基本上把这个how都研究得差不多了，我觉得，即使细致到每一个个体的水平，最终结果也不会有多大改变，唯一不同的是，现在我们可以试图回答一个why的问题，即群体行为是怎么从个体行为中emerge出来的。我楼下提到的SFI一直在做这方面的工作，他们96年出了一本Adaptive Individuals in Evolving Populations: Models and Algorithms。我还没机会看到，不过我觉得会很有意思。