19、ERNe框架与进化机制：从反应网络到进化本质的探索

熬夜协会会长

于 2025-11-09 10:29:48 发布

阅读量39

点赞数

CC 4.0 BY-SA版权

分类专栏：进化算法与智能设计文章标签： ERNe框架反应网络进化机制

本文链接：https://blog.youkuaiyun.com/tcp8optimizer/article/details/154601550

进化算法与智能设计专栏收录该内容

19 篇文章 ¥499.90

订阅专栏¥69.90

会员秒杀 ¥9.9 重磅福利

超级会员免费看

ERNe框架与进化机制：从反应网络到进化本质的探索

1. ERNe框架下的反应网络进化

在解决矩形振荡问题的系统中，我们看到了反应网络在进化过程中的有趣变化。最初，一次突变使得系统的适应度略有下降，但在第10代时，开关振荡器的一种衍生结构出现了。当时，激活过程d→k和k→h同时发生了两次开关突变，尽管新结构产生的振荡更接近矩形振荡，但振幅和周期的不匹配导致了较高的均方误差（MSE），适应度大幅下降至12.2585。不过，得益于物种形成机制，这种结构得以保留在种群中，经过优化最终成为适应度为668.1365的最优解。

物种形成过程在可视化图中展现得十分清晰。从左到右代表不同的世代，每一代的物种垂直排列，物种的高度与该代的种群数量成正比。可以明显看到，开关振荡器物种早期种群数量较少，后来逐渐占据主导地位；而长Oligator物种一直表现良好，在种群中占据稳定的比例。大多数初始物种在第10代之前就消失了，这表明简单结构并不适合解决这类复杂问题。

2. ERNe的应用实例

2.1 解决XOR问题

我们使用ERNe来合成解决XOR问题的反应网络。XOR问题是一个典型的线性不可分问题，涉及两位输入向量（00、11、01、10）和一位输出（0、0、1、1）。为了解决这个问题，我们需要两个合适的节点作为输入，一个节点作为输出。

具体操作步骤如下：
1. 设置输入节点的浓度：二进制0对应0 [nM]，二进制1对应25 [nM]。
2. 训练网络：使输出节点的浓度在反应稳定后接近理想输出值。
3. 转换输出浓度：通过设定合适的阈值（这里是200 [nM]）将输出浓度转换为二进制值。

使用的ERNe参数如下表所示：
| 参数 | 值 |
| — | — |
| 种群大小 | 1000 |
| 最大世代数 | 100 |
| 选择方式 | 锦标赛选择（规模20） |
| 交叉方式 | 单点交叉 |
| 共享参数 - 物种数量 | 20 |
| 共享开始阈值 | 0.6 |
| 最小共享阈值 | 0.1 |
| 共享修改步长 | 0.03 |
| 交叉 + 突变概率 | 0.8 |
| 物种间交叉概率 | 0.01 |
| 交叉后突变概率 | 0.75 |
| 无交叉时突变概率 | 0.5 |
| 单基因突变概率 | 0.8 |
| 节点添加概率 | 0.1 |
| 激活概率 | 0.4 |

搜索结果显示，ERNe能够准确地找到合适的结构。在这个例子中，经过61代找到了正确答案的电路。反应稳定后，输出节点c的浓度表现出异或逻辑。

2.2 控制倒立摆问题

倒立摆是一个不稳定的结构，类似于试图在手掌中平衡一把雨伞。为了防止雨伞倒下，需要适当地移动手掌（即摆的支点），这是反馈控制的一个基本例子。

我们使用ERNe来控制倒立摆，具体操作如下：
1. 训练模式：使用十种不同的随机初始位置（摆角）的训练模式进行训练。
2. 适应度评估：观察摆保持在稳定位置（54°到126°之间）的总时间（秒），时间越长适应度越高。每个训练示例的最大执行时间为10,000秒。

使用上述表格中的参数进行搜索，经过40代找到了能够保持完美平衡的电路，适应度值达到10 × 10,000 = 100,000。

此外，我们还对ERNe获得的电路进行了体外验证。使用ERNe设计遗传电路来实现数值函数（如对数、高斯和二次幂），并使用DNA PEN工具盒进行湿实验，结果表明遗传反应网络在体外具有实际应用价值。

3. ERNe解决问题的框架

使用ERNe解决人工智能和机器人控制问题的框架如下：

graph LR
    A[问题定义] --> B[使用ERNe自动设计基因电路]
    B --> C[设置输入节点浓度]
    C --> D[进行生化反应]
    D --> E[测量输出节点浓度]
    E --> F[解释输出浓度]
    F --> G[问题解决（如机器人控制）]

这个框架与DNA计算不同，ERNe通过设计遗传电路主动诱导生化反应。

4. 进化机制的本质思考

进化算法（EA）具有并行性、搜索性和多样性等特点，其中多样性最为重要。在生物学中，我们可以看到许多生物共存的例子，如Vanderhorstia和鼓虾的共生关系，以及蚂蚁和蜜蜂等社会性昆虫合作筑巢。这表明参考自然界中难以理解的机制，将其融入进化计算中，可能会带来新的发现。

在进化过程中，群体中的高绩效成员往往更容易生存，但仅聚集高绩效的精英成员并不总是好事。当环境发生变化时，精英群体的后代可能缺乏适应新情况的能力，导致群体整体衰退。因此，允许群体中存在表现较差的个体是有益的，它们可能在未来成为群体的救星。

进化并不等同于优化，我们可以观察到进化过程中适应度的两种典型变化：
1. 渐进变化：这种情况非常适合进化计算，但可能可以用更简单的方法（如爬山法）解决。
2. 间断平衡变化：许多情况下我们会遇到这种情况，问题的本质在于停滞期。在实际例子中，我们可以看到在适应度提升的过程中会获得重要的组件（子结构或有用的构建块），这对学习的改进具有重要意义。

斯蒂芬·J·古尔德和尼尔·埃尔德雷奇提出了“间断平衡”假说，认为进化发生在物种分支的短时间内，期间存在停滞期。停滞并不意味着无所作为，而是会发生频繁的中性基因重组，在某些触发因素（如环境变化）的作用下，会突然发生进化。这一理论与理查德·道金斯的“自私基因”理论相反，后者认为基因会巧妙地行为以成功繁殖并留下尽可能多的后代。

法国遗传学家弗朗索瓦·雅各布说：“自然是一个修复者，而不是一个工程师。”进化不是简单的随机搜索，而是利用过去的组件创造次优结构的构建装置。我们应该牢记，进化的目标不是最优性，而是鲁棒性。

ERNe框架与进化机制：从反应网络到进化本质的探索

5. 进化与优化的常见误解

许多人常常将“进步”等同于“优化”，认为进化是一个持续发展的过程。然而，这种观点是不准确的。进化并非简单的优化过程，而是构建更好的构建模块。

以长颈鹿的进化为例，我们发现长颈鹿祖先中有短颈的生物化石，但尚未找到中等颈长的长颈鹿化石。这一现象虽然可能是由于研究不够深入或颈部骨骼和软骨不易形成化石，但也引发了我们对进化过程的思考。斯蒂芬·J·古尔德和尼尔·埃尔德雷奇提出的“间断平衡”假说认为，进化是在物种分支的短时间内发生的，而在这些时间段之间存在着停滞期。

在进化计算中，我们也能观察到适应度的两种典型变化：
- 渐进变化 ：这种变化类似于逐渐进步的进化，非常适合进化计算。但在很多情况下，可能可以使用更简单的方法（如爬山法）来解决。
- 间断平衡变化 ：这是我们更常遇到的情况。在这种情况下，问题的关键在于停滞期。在实际应用中，我们会发现，在适应度提升的过程中，会获取到重要的组件（如子结构或有用的构建块），这些知识对于学习的改进具有重要意义。

同时，我们可以用mermaid流程图来展示这两种变化的过程：

graph LR
    classDef startend fill:#F5EBFF,stroke:#BE8FED,stroke-width:2px;
    classDef process fill:#E5F6FF,stroke:#73A6FF,stroke-width:2px;

    A([开始]):::startend --> B(渐进变化):::process
    A --> C(间断平衡变化):::process
    B --> D(适应度平稳提升):::process
    C --> E(适应度停滞):::process
    E --> F(适应度大幅提升):::process
    D --> G([结束]):::startend
    F --> G

6. 进化机制在实际应用中的启示

从进化机制的本质思考中，我们可以得到一些在实际应用中的启示。在设计系统时，我们应该注重多样性，而不是仅仅追求最优解。以下是一些具体的建议：
- 引入多样性 ：在群体中允许存在不同表现的个体，这样可以提高群体对环境变化的适应能力。例如，在进化算法中，可以通过调整遗传操作的概率，如交叉和突变概率，来增加群体的多样性。
- 关注停滞期 ：在间断平衡变化中，停滞期并非毫无意义。我们应该深入研究停滞期，寻找可能的改进点。例如，在训练神经网络时，如果发现训练过程中出现停滞，可以尝试调整学习率、增加训练数据等方法。
- 构建鲁棒性系统 ：进化的目标是鲁棒性，而不是最优性。在设计系统时，我们应该考虑系统在不同环境下的稳定性和适应性。例如，在设计机器人控制系统时，要考虑到各种可能的干扰因素，使机器人能够在复杂环境中稳定运行。

为了更好地说明这些启示，我们可以通过一个简单的例子来展示。假设我们要设计一个多机器人协作系统，每个机器人都有不同的任务和能力。如果我们只选择性能最优的机器人组成团队，那么当环境发生变化时，这个团队可能无法适应。相反，如果我们引入一些表现一般的机器人，它们可能在某些情况下发挥出意想不到的作用，提高整个团队的鲁棒性。