Кіріспе
Генетикалық мутацияға байланысты репродуктивті табыстылық. Табиғи эволюция мен жасанды эволюцияда (мысалы, жасанды өмір және эволюциялық есептеу) схеманың жарамдылығы (немесе өнімділігі немесе объективті өлшемі) кроссовер және мутацияны ескере отырып, тиімді жарамдылықты анықтау үшін қайта бағаланады. Эволюциялық есептеуде тиімді жарамдылық популяция динамикасын түсіну үшін қолданылады. Биологиялық жарамдылық функциясы тек репродуктивті табысты қарастырса, тиімді жарамдылық функциясы популяция деңгейінде тірі қалу үшін қажетті жағдайларды қамтуға тырысады. Біртекті популяцияларда репродуктивті жарамдылық пен тиімді жарамдылық тең болады. Эволюциялық есептеулер арқылы мәселені шешу шығын функциясы арқылы жүзеге асырылады. Егер шығын функциялары үйірмені оңтайландыруға қолданылса, олар жарамдылық функциясы деп аталады. Реинфорсменттік оқыту және NEAT нейроэволюциясы сияқты стратегиялар жасушалық автоматтардың репродуктивті табысын сипаттайтын жарамдылық ландшафтын құрайды. Тиімді жарамдылық функциясы жарамды ұрпақтардың санын моделеуге мүмкіндік береді.
In natural evolution and artificial evolution (e. g. artificial life and evolutionary computation) the fitness (or performance or objective measure) of a schema is rescaled to give its effective fitness which takes into account crossover and mutation. Effective fitness is used in Evolutionary Computation to understand population dynamics. While a biological fitness function only looks at reproductive success, an effective fitness function tries to encompass things that are needed to be fulfilled for survival on population level. In homogeneous populations, reproductive fitness and effective fitness are equal. Problem solving with evolutionary computation is realized with a cost function. If cost functions are applied to swarm optimization they are called a fitness function. Strategies like reinforcement learning and NEAT neuroevolution are creating a fitness landscape which describes the reproductive success of cellular automata. The effective fitness function models the number of fit offspring
The effective fitness model is superior to its predecessor, the standard reproductive fitness model. It advances in the qualitatively and quantitatively understanding of evolutionary concepts like bloat, self adaptation, and evolutionary robustness. while an effective fitness function is an assumption if the objective was reached. The difference is important for designing fitness functions with algorithms like novelty search in which the objective of the agents is unknown. In the case of bacteria effective fitness could include production of toxins and rate of mutation of different plasmids, which are mostly stochastically determined
Тиімді жарамдылық моделі стандартты репродуктивті жарамдылық моделінен артықшылыққа ие. Ол эволюциялық ұғымдарды, мысалы, ісіну, өзін-өзі бейімдеу және эволюциялық беріктікті сапалы және сандық тұрғыдан түсінуді дамытады. Тиімді жарамдылық функциясы мақсатқа қол жеткізілген жағдайда ғана болжам болып табылады. Бұл айырмашылық агенттердің мақсаты белгісіз болғанда, жаңалықты іздеу сияқты алгоритмдермен жарамдылық функцияларын жобалау үшін маңызды. Бактериялар жағдайында тиімді жарамдылық токсиндерді өндіруді және әртүрлі плазмидтердің мутация жылдамдығын қамтуы мүмкін, олар көбінесе стохастикалық түрде анықталады.
In natural evolution and artificial evolution (e. g. artificial life and evolutionary computation) the fitness (or performance or objective measure) of a schema is rescaled to give its effective fitness which takes into account crossover and mutation. Effective fitness is used in Evolutionary Computation to understand population dynamics. While a biological fitness function only looks at reproductive success, an effective fitness function tries to encompass things that are needed to be fulfilled for survival on population level. In homogeneous populations, reproductive fitness and effective fitness are equal. Problem solving with evolutionary computation is realized with a cost function. If cost functions are applied to swarm optimization they are called a fitness function. Strategies like reinforcement learning and NEAT neuroevolution are creating a fitness landscape which describes the reproductive success of cellular automata. The effective fitness function models the number of fit offspring
The effective fitness model is superior to its predecessor, the standard reproductive fitness model. It advances in the qualitatively and quantitatively understanding of evolutionary concepts like bloat, self adaptation, and evolutionary robustness. while an effective fitness function is an assumption if the objective was reached. The difference is important for designing fitness functions with algorithms like novelty search in which the objective of the agents is unknown. In the case of bacteria effective fitness could include production of toxins and rate of mutation of different plasmids, which are mostly stochastically determined
Қолданбалар
Зерттелетін популяция динамикасының эволюциялық теңдеулері қол жетімді болғанда, нақты бір популяцияның тиімді жарамдылығын алгоритмдік түрде есептеу мүмкін. Толыққанды тиімді жарамдылық моделі әлі табылмаса да, ол генотип-фенотип картасының өзгеруін, популяция динамикасын және жарамдылық ландшафтындағы ағымды жақсырақ түсінуге пайдалы негіз болып табылады. Басқа модельдер тиімді ақуыз инженериясын анықтауға және жаңа немесе күшейтілген биохимияны іздеуге жұмыстар жүргізуге мүмкіндік береді.