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)