Zusammenfassung
In dieser Einleitung werden die formalen Grundlagen des Regulator Algorithmus (RGA) gezeigt, auf denen die inhaltlichen Beiträge aufbauen.
This is a preview of subscription content, log in via an institution to check access.
Access this chapter
Tax calculation will be finalised at checkout
Purchases are for personal use only
Notes
- 1.
Mit Mutation meint man die zufällige Änderung eines oder mehrerer Gene; Rekombination ist der Austausch von Teilen von Gensequenzen. Bei den evolutionären Algorithmen der KL versteht man darunter die zufällige Veränderung einzelner Komponenten der Vektoren, die Genome repräsentieren (Mutation), und den „kreuzweisen“ Austausch von Teilvektoren (Rekombination) – daher „crossover“.
- 2.
Tatsächlich wird gegenwärtig sogar angenommen, dass es drei Typen von Genen gibt, wovon hier allerdings abstrahiert wird.
- 3.
Damit lässt sich z. B. erklären, warum so verschiedene Organismen wie Mäuse und Menschen ungefähr die gleiche Anzahl von Genen auf der Baukastenebene haben, aber phänotypisch völlig verschieden sind. Menschen haben nämlich wesentlich mehr Regulatorgene (Moore 2020).
- 4.
Zur Vermeidung einer möglichen terminologischen Verwirrung: Ein einzelner Vektor bei den evolutionären Algorithmen wird wie bisher als n-dimensional bezeichnet, wenn er n Komponenten hat. Das Gesamtsystem eines evolutionären Algorithmus ist aus eindimensionalen Vektoren zusammengesetzt, wenn diese Vektoren geometrisch in einer Dimension dargestellt werden und alle miteinander kombiniert werden (können) wie beim GA. Das Gesamtsystem eines RGA dagegen besteht aus einer Population aus zweidimensionalen Einheiten wegen der Unterscheidung zwischen den beiden Ebenen „Regulation“ und „Baukasten“. Insofern besteht eine Population für einen RGA aus zweidimensionalen Elementen mit jeweils m-dimensionalen Regulatorvektoren und n-dimensionalen Baukastenvektoren.
- 5.
Streng genommen gibt es sogar 128 verschiedene Kombinationsmöglichkeiten. Das kann man sich dadurch verdeutlichen, dass die genannten 7 Verknüpfungsmöglichkeiten selbst als binäre Operationen dargestellt werden – findet statt oder nicht. Das ergibt dann 27 = 128 Möglichkeiten (im Detail haben wir das in Klüver und Klüver 2016 dargestellt). Bei praktischen Anwendungen reichen jedoch gewöhnlich die sieben Grundmöglichkeiten.
- 6.
Dieses Tool für Windows wurde von Marcel Mintken implementiert.
- 7.
Wahrscheinlich experimentiert die Natur abwechselnd mit unterschiedlichen Möglichkeiten, da sich ja Veränderungen in der Evolution sowohl auf beiden Genebenen als auch bei den Verknüpfungen nachweisen lassen. Das müssen wir jedoch so als Hypothese stehen lassen, da es in der Literatur dazu, wie bemerkt, keine detaillierten Hinweise gibt.
Literatur
Carroll SB (2008) Evo Devo. Berlin University Press, Berlin, Das neue Bild der Evolution
Klüver J, Klüver C (2016) The regulatory algorithm (RGA): a two-dimensional extension of evolutionary algorithms. Soft Comput 20:2067–2075. https://doi.org/10.1007/s00500-015-1624-6
Moore JE, Purcaro MJ, Pratt HE et al (2020) Expanded encyclopaedias of DNA elements in the human and mouse genomes. Nature 583:699–710. https://doi.org/10.1038/s41586-020-2493-4
Author information
Authors and Affiliations
Corresponding author
Editor information
Editors and Affiliations
Rights and permissions
Copyright information
© 2021 Springer Fachmedien Wiesbaden GmbH, ein Teil von Springer Nature
About this chapter
Cite this chapter
Klüver, C., Klüver, J. (2021). Künstliches Leben (KL) – Der Regulator Algorithmus (RGA). In: Klüver, C., Klüver, J. (eds) Neue Algorithmen für praktische Probleme. Springer Vieweg, Wiesbaden. https://doi.org/10.1007/978-3-658-32587-9_19
Download citation
DOI: https://doi.org/10.1007/978-3-658-32587-9_19
Published:
Publisher Name: Springer Vieweg, Wiesbaden
Print ISBN: 978-3-658-32586-2
Online ISBN: 978-3-658-32587-9
eBook Packages: Computer Science and Engineering (German Language)