In der Entwicklungsbiologie werden Fitnesslandschaften oder anpassungsfähige Landschaften verwendet, um sich die Beziehung zwischen Genotypen (oder Phänotypen) und Fortpflanzungserfolg zu vergegenwärtigen. Es wird angenommen, dass jeder Genotyp eine bestimmte Erwiderungsrate (häufig gekennzeichnet als Fitness) hat. Diese Fitness ist die "Höhe" der Landschaft. Wie man sagt, sind Genotypen, die sehr ähnlich sind, an einander "nah", während diejenigen, die sehr verschieden sind, von einander "weit" sind.

Die zwei Konzepte der Höhe und Entfernung sind genügend, um das Konzept einer "Landschaft" zu bilden. Der Satz aller möglichen Genotypen, ihr Grad der Ähnlichkeit und ihre zusammenhängenden Fitnesswerte werden dann eine Fitnesslandschaft genannt. Die Idee von einer Fitnesslandschaft hilft, rissig gemachte Formen in der Evolution, einschließlich Großtaten und Störschübe in Tieren wie ihre Reaktionen zu supernormalen Stimuli zu erklären.

In Entwicklungsoptimierungsproblemen sind Fitnesslandschaften Einschätzungen einer Fitnessfunktion für alle Kandidat-Lösungen (sieh unten). Die Idee, Evolution zu studieren, indem sie den Vertrieb von Fitnesswerten als eine Art Landschaft vergegenwärtigt worden ist, wurde zuerst von Sewall Wright 1932 eingeführt.

Fitnesslandschaften in der Biologie

Fitnesslandschaften werden häufig von als Reihen von Bergen konzipiert. Dort bestehen Sie lokale Spitzen (Punkte, von denen alle Pfade abschüssig sind, d. h. Fitness zu senken), und Täler (Gebiete, von denen die meisten Pfade bergauf führen). Eine Fitnesslandschaft mit vielen lokalen durch tiefe Täler umgebenen Spitzen wird rau genannt. Wenn alle Genotypen dieselbe Erwiderungsrate andererseits haben, wie man sagt, ist eine Fitnesslandschaft flach. Die Gestalten von Fitnesslandschaften sind auch nah mit epistasis, wie demonstriert, durch das NK-Landschaft-Modell von Stuart Kauffman verbunden.

Eine sich entwickelnde Bevölkerung klettert normalerweise bergauf in der Fitnesslandschaft durch eine Reihe von kleinen genetischen Änderungen, bis ein lokales Optimum (Abb. 1) erreicht wird. Dort bleibt es, wenn eine seltene Veränderung keinen Pfad zu einer neuen, höheren Fitnessspitze öffnet. Bemerken Sie jedoch, dass an der hohen Veränderung gilt, ist dieses Bild etwas vereinfacht. Eine Bevölkerung kann nicht im Stande sein, eine sehr scharfe Spitze zu besteigen, wenn die Veränderungsrate zu hoch ist, oder es weg von einer Spitze treiben kann, die es bereits gefunden hatte; folglich, die Fitness des Systems reduzierend. Der Prozess des Treibens weg von einer Spitze wird häufig das Klinkenrad von Muller genannt.

Der offenbare Mangel an rädrigen Tieren ist ein Beispiel einer Fitnessspitze, die jetzt wegen eines Umgebungstales unzugänglich ist.

Im Allgemeinen höher die Konnektivität das rauere wird das System. So hat ein einfach verbundenes System nur eine Spitze, und wenn ein Teil des Systems dann geändert wird, wird es wenig, falls etwa, Wirkung auf jeden anderen Teil des Systems geben. Eine hohe Konnektivität deutet an, dass die Variablen oder Subsysteme viel mehr aufeinander wirken und sich das System mit einem Niveau 'der Fitness' tiefer kann abfinden müssen, als es im Stande sein könnte zu erreichen. Das System würde dann seine Annäherung an die Überwindung was für Probleme ändern müssen, die ihm gegenüberstehen, so das 'Terrain' ändernd und ihm ermöglichend, weiterzugehen.

Fitnesslandschaften in der Entwicklungsoptimierung

Abgesondert vom Feld der Entwicklungsbiologie hat das Konzept einer Fitnesslandschaft auch Wichtigkeit in Entwicklungsoptimierungsmethoden wie genetische Algorithmen oder Entwicklungsstrategien gewonnen. In der Entwicklungsoptimierung versucht man, wirkliche Probleme (z.B, Technik oder Logistik-Probleme) zu beheben, indem man die Dynamik der biologischen Evolution imitiert. Zum Beispiel kann ein Lieferwagen mit mehreren Bestimmungsort-Adressen eine große Vielfalt von verschiedenen Wegen nehmen, aber nur sehr wenige werden in einer kurzen Fahrzeit resultieren.

Um Entwicklungsoptimierung zu verwenden, muss man für jede mögliche Lösung s des Problems von Interesse definieren (d. h., jeder mögliche Weg im Fall vom Lieferwagen), wie 'gut' es ist. Das wird durch das Einführen einer skalargeschätzten Funktion f (s) getan (Skalar hat Mittel geschätzt, dass f (s) eine einfache Zahl, solcher als 0.3 ist, während s ein mehr komplizierter Gegenstand, zum Beispiel eine Liste von Bestimmungsort-Adressen im Fall vom Lieferwagen sein kann), der die Fitnessfunktions- oder Fitnesslandschaft genannt wird.

Ein hoher f (s) deutet an, dass s eine gute Lösung ist. Im Fall vom Lieferwagen f konnte (s) die Zahl von Übergaben pro Stunde auf dem Weg s sein. Das beste, oder mindestens sehr gut, Lösung wird dann folgendermaßen gefunden: Am Anfang wird eine Bevölkerung von zufälligen Lösungen geschaffen. Dann werden die Lösungen verändert und für diejenigen mit der höheren Fitness ausgewählt, bis eine befriedigende Lösung gefunden worden ist.

Entwicklungsoptimierungstechniken sind in Situationen besonders nützlich, in denen es leicht ist, die Qualität einer einzelnen Lösung zu bestimmen, aber hart alle möglichen Lösungen eins nach dem anderen durchzugehen (es ist leicht, die Fahrzeit für einen besonderen Weg des Lieferwagens zu bestimmen, aber es ist fast unmöglich, alle möglichen Wege zu überprüfen, sobald die Zahl von Bestimmungsörtern zu mehr als einer Hand voll wächst).

Das Konzept eines Skalars hat Fitnessfunktion f (s) geschätzt auch entspricht dem Konzept eines Potenzials oder Energiefunktion in der Physik. Die zwei Konzepte unterscheiden sich nur darin Physiker denken traditionell, in Bezug auf die potenzielle Funktion zu minimieren, während Biologen den Begriff bevorzugen, dass Fitness maximiert wird. Deshalb verwandelt die Einnahme des Gegenteils einer potenziellen Funktion es in eine Fitnessfunktion, und umgekehrt.

Siehe auch

• Fitnessannäherung
• Fitnessfunktion
• Landschaft von Epigenetic
• Evolution
• Genetischer Algorithmus
• Habitat (Ökologie)
• Hügel, der klettert
• Zuchtwahl
• NK Modell
• Potenzielle Funktion
• Selbstorganisierter criticality

Weiterführende Literatur