Incremental Genome Growth for the Evolution of Genotype Representations of Artificial Cellular Organisms

I denne avhandlingen utforsker vi mulighetene for utvikling cellulær automat attraktorer i forskjellige størrelser med en algoritme som sakte utvider genotype av individer. Attraktorer av forskjellige størrelser er dyrket i cellulære automater med forskjellige innstillinger, for å sikre at potensielle suksess er ikke strengt begrenset til størrelsen og innstillingene for automaten. Egenskapene til attraktorer som er produsert ved denne nye algoritmen blir sammenlignet med attraktorer utviklet med statiske genotyper som gir lignende og vesentlig søke område. Sammenligne og analysere resultatene viser at en langsom utvidelse av søke området under evolusjonen produsere resultater med kompakte og effektive representasjoner, som favoriserer små transienter, og oppførselen er vedvarende med skiftende cellulære automater parametere. Et stort søke område gav attraktorer med vilkårlige lengder på transientene , og en overdreven og ineffektiv bruk av tilgjengelige kromosomer i genotype. Attraktorene utviklet på en statisk genotype, men begrenset til en størrelse hvor det voksende evolusjon genotypen var i stand til å finne løsninger, ga lignende resultater som de voksende genotype. Begge produsert et lite sett med attraktorer, som inneholdt gjentatte lignende mønstre og ofte gav identiske løsninger. Settet med forskjellige løsninger som er produsert av den statiske genotype er funnet å være litt større enn det av en voksende genotype, på grunn av den voksende genotypens favorisering av korte transienter. Denne typen automatisk generering av representasjon, er antatt å være bra et alternativ for en manuell eller overdreven representasjon, og det reduserte søke område, og inkrementelle prosessen med å forbedre fitness kan være nyttig både med kjøretid, og med å redusere sjansene for å bli sittende fast på lokalt optimas i fitness landskapet. Dette er bare et bevis på at en evolusjon med en ekspanderende søke område er mulig, og skaper gode resultater og representasjoner, men trenger ytterligere testing for å være bedre tilpasset og integrert til nyttig problemløsning