presentation

Digitales Leben Tierra, Avida & Physis

Autor: Donald Barkowski

Übersicht  Motivation  Tierra

 Genetische Programmierung  Avida  Physis

Motivation  Definition von Artificial Life:

„Das Studieren von Leben mit Hilfe von menschengeschaffenen Analogien zu lebenden Systemen“  Begriffsprägung: Konferenz „Artificial Life I“ (1987)

Motivation  zwei Ausprägungen von Artificial Life strong alife: Leben ist unabhängig vom Medium weak alife: Leben existiert nur auf Kohlenstoffbasis

Motivation  Das Spiel Core War (Scientific

American, Mai 1984) Assemblerprogramme kämpfen um

Hauptspeicher Kampfstrategie: Stein-Schere-Papier Sieg: Gegner wird nicht mehr ausgeführt keine Mutationen

Motivation  spezielle Programmiersprache:

Redcode wenige verschiedene Befehle kurze Befehle alle Speicherzugriffe modulo

Speichergröße keine externen Register

Motivation  Weiterentwicklung: Core World Mutationen: zufällige Codeänderungen keine Evolution von stabilen oder komplexen Programmen wegen schlechter Unterstützung durch Programmiersprache; Mutationen meist nicht lebensfähig

Motivation  Erfahrungen durch Core world  Programmiersprache:  nur relative Sprungadressen  (Touring-)Vollständigkeit  Abgeschlossenheit  Interpreter besser als direkte Ausführung, wenn auch

langsamer

 virtuelle Welt:  keine Sprünge außerhalb reserviertem Speicherbereich

(Modulo-Arithmetik)

Übersicht  Motivation  Tierra

 Genetische Programmierung  Avida  Physis

Tierra  ab Ende 1989 von Tom Ray

entwickelt  Motivation: Beobachtung von Leben abseits von Kohlenstoffverbindungen  “Our current knowledge of life and evolution is based on a sample size of one: life on Earth.”

Tierra  neuer Befehlssatz  Mutationen und Rekombination  Fitness = Fortpflanzungs- und

Überlebensfähigkeit  Fast alle Versuche, den evolutionären Aspekt

von Tierra zu verbessern, sind gescheitert

Tierra  Eigene Welt: virtual machine führt Maschinenbefehle aus Code flexibel genug für Evolution: unterstützt Mutation (bitweise Änderung) und

Rekombination (Austausch von Programmsegmenten) mutierter Code oft genug ausführbar

Topologie: Entfernung = Zugriffszeit

Tierra  Eigenes „darwinistisches“ Betriebssystem  verwaltet RAM (Material, Soup) und CPU (Energie)  Reaper  „tötet“ bei Bedarf älteste Programme  schafft freie Speicherbereiche für Nachwuchs

 Slicer  teilt Prozessen Zeitscheiben zu (nicht-deterministisch)  verwaltet (virtuellen) Prozessor

Wirt-Parasit-Experiment

 viele Wirte (rot)  kurz nach der Injektion: einige Parasiten (gelb) vorhanden

Wirt-Parasit-Experiment

 Parasiten haben sich stark vermehrt  Wirte in Bedrängnis  erstes Auftreten von resistenten Wirten (blau)

Wirt-Parasit-Experiment

 Parasiten werden räumlich verdrängt  nicht-resistente Wirte schwinden weiter  resistente Wirte vermehren sich und verdrängen Parasiten

Wirt-Parasit-Experiment

 Parasiten werden selten (sterben bald aus)  nicht-resistente Wirte schwinden weiter  resistente Wirte dominante Lebensform

Tierra  dank Tierra erstmalig beobachtet: zielgerichtete und erfolgreiche Evolution von Programmen Bedeutung von Koevolution im (virtuellen) Evolutionsprozess

Tierra  ABER: ⊖keine Einflussnahme auf Evolutionsziel ⊖alle Prozesse im gleichen Speicher ⇒ Ergebnisse nicht reproduzierbar

Übersicht  Motivation  Tierra

 Genetische Programmierung  Avida  Physis

Genetische Programmierung  Aufgabe:

Generierung eines Computerprogramms anhand von Trainingsdaten  Weiterentwicklung von Evolutionären Algorithmen: nicht die Lösung wird entwickelt, sondern der Lösungsweg  Spezialfall von Genetischen Algorithmen: Der Algorithmus entsteht direkt in einer (Pseudo)Programmiersprache

Genetische Programmierung  Programmiersprache:

z.B. LISP

 Lesbarkeit  einfache Struktur

 Darstellung des

Codes: Baum

 innere Knoten:

Funktionen  Blätter: Terminale  Maximalhöhe

Genetische Programmierung  Mutation: spontane

Veränderung der Knoten / Blätter  Rekombination: Austausch von Teilbäumen (Crossover)

Genetische Programmierung  Ansprüche an die Fitnessfunktion möglichst exakte Erfassung der Qualität auch differenzierte Bewertung von Teillösungen evtl. mehrere Kriterien Berücksichtigung von Laufzeit/Komplexität

Fitness im „darwinistischen“ Sinne

Genetische Programmierung  Abbruchbedingung: bestimmte Anzahl von Generationen exakte Lösung hinreichend genaue Lösung

Genetische Programmierung  mögliche Selektionskriterien: immer fitteste Individuen nehmen stochastischer Prozess: auch schlechter angepasste Individuen können überleben meistens: zufällige Auswahl einer Gruppe, dann Selektion mit Fitnessfunktion (Ziehen mit Zurücklegen)

Genetische Programmierung  Algorithmus:

Genetische Programmierung  Effizienzverbesserungen: bessere Sprachen (auf Kosten der Lesbarkeit) ADFs (automatisch definierte Funktionen) Analogie zum klassischen Programmieren:

Unterprogrammaufrufe Festlegungen bezüglich Struktur Aufwand schwer abschätzbar

Genetische Programmierung  Problembezogen / Ergebnisorientiert Replikation nicht Bestandteil des Algorithmus kein Artificial Life wichtig: Reproduktion/Aufbereitung des Ergebnisses muss möglich sein!!

Übersicht  Motivation  Tierra

 Genetische Programmierung  Avida  Physis

Avida Artificial Life + genetische Programmierung

Avida  Anlehnung an Tierra, aber: getrennter Speicher für Programme eigene virtuelle CPU für jedes Programm modifizierbare Fitnessfunktion (Belohnung für erwünschte Eigenschaft)

Avida  Die virtuelle CPU: Instruction Pointer

Köpfe

Genom

Register

Puffer

Stack

Avida  Befehlssatz:  individuelle Auswahl möglich  evtl. selbstdeklarierte Funktionen

 Anforderungen:  Vollständigkeit (auch: alles lässt sich ohne großen Aufwand berechnen)  Robustheit: Anweisungen führen in jedem Kontext (sinnvolle) Aktionen aus  möglichst geringe Redundanz

Avida  wichtiges Konzept: „nop“-Anweisungen  keine Aktion zur Ausführungszeit  verändern u.U. den vorangehenden Befehl  3 „Befehlsklassen“

 bilden Labels (Sprungziele) im Code  komplementäre nops:  nop-A & nop-B

 nop-B & nop-C  nop-C & nop-B

Avida Befehlssatz (Ausschnitt) Befehl

Auswirkung

h-alloc

Reserviere Speicher für einen Nachkommen

h-search

Finde ein komplementäres Muster und platziere den Flow-Head dahinter Bewege den ?IP? an die gleiche Stelle wie den Flow-Head

mov-head h-copy if-label

h-divide

Kopiere einen Befehl vom Lese- zum Schreibkopf und schiebe beide eine Position weiter Führe die nächste Instruktion nur dann aus, wenn das Komplement zum gegebenen Muster als letztes kopiert worden ist Trenne einen Nachkommen zwischen Lese- und Schreibkopf heraus

Avida ein einfachstes Genom (nur selbstreproduzierend) # --- Setup -h-alloc # Allocate extra space at the end of the genome to copy the offspring into. h-search # Locate an A:B template (at the end of the organism) and place the Flow-Head after it nop-C # nop-A # mov-head # Place the Write-Head at the Flow-Head (which is at beginning of offspring-to be). nop-C # [ Extra nop-C commands can be placed here w/o harming the organism! ] # --- Copy Loop -h-search # No template, so place the Flow-Head on the next line (to mark the beginning of the copyloop) h-copy # Copy a single instruction from the read head to the write head (and advance both heads!) if-label # Execute the line following this template only if we have just copied an A:B template. nop-C # nop-A # h-divide # ...Divide off offspring! (note if-statement above!) mov-head # Otherwise, move the IP back to the Flow-Head at the beginning of the copy loop. nop-A # End label. nop-B # End label.

Avida  Nachteil: Der Benutzer bestimmt den

Befehlssatz und legt damit auch die (virtuelle) Hardware fest

Übersicht  Motivation  Tierra

 Genetische Programmierung  Avida  Physis

Physis  Information über

den ausführenden Prozessor ist Teil des Genoms  entwickelt ab 2000  Ähnlich zu Tierra und Avida, aber universeller einsetzbar

Physis  Universelle Prozessorarchitektur, auf

der viele Prozessortypen implementiert werden können  Interaktion zwischen Prozessen möglich (z.B. Parasitismus)  detaillierte Messungen und Beobachtungen möglich

Physis  Standard-Prozessor (mit festem

Befehlssatz)

Physis Nach der Evolution: 1. Nachbau des Prozessors gemäß der Beschreibung

Physis Nach der Evolution: 2. Programmcode auf dem neuen Prozessor ausführen

Physis  Tatsächlich: Laufzeitvorteile

Noch Fragen???

???

Literatur  Volker Nissen: Einführung in Evolutionäre

Algorithmen (vieweg 1997)  Tierra: www.his.atr.jp/~ray/tierra/  Physis: physis.sourceforge.net/ physis.sourceforge.net/old/index.html  Avidad: http://dllab.caltech.edu/avida/  www.wikipedia.org  Richard E. Lenski, et al: The evolutionary origin of complex features (nature 2002)