از ژنتیک تا مهندسی
از ژنتیک تا مهندسی
تکامل زیستی چنان موجودات پیچیده و مختاری را تولید کرده است که میتوانند مسایل سخت و شگفتآوری را حل کنند، از جمله سازگاری مداوم با محیطهای پیچیده، مبهم و همواره در حال دگرگونی. به همین خاطر، موجودات ممتاز، همچون پستانداران، از تواناییهای شگفتآوری در الگوشناسی[1]، یادگیری و هوش برخوردار هستند. دامنهی گستردهی وضعیتهایی که زندگی با آنها سازگار است نشان میدهد که فرایند تکامل قدرتمند است و همچنین میتواند دستههای بسیاری از مسایل را حل کند. این امر به کسی که جهان زنده را مشاهده میکند اجازهی تصور این موضوع را میدهد که برای ساخت سامانههای پیچیده و کارامد به گونهای رضایتبخش، به غیر از ایجاد فرایندهای دقیق، که به تدریج از دانش کیفی مربوط به قوانین طبیعت بهدست آمدهاند، راههای دیگری نیز وجود دارد.
بر اساس نظریهی سی. داروین[2] [داروین، 1859]، سازوکار اصلی تکامل موجودات زنده بر پایهی رقابتی است که سازگازترین افراد به محیطشان را انتخاب میکند در حالی که هنگام انتقال ویژگیهای مفید به فرزندان که موجب بقای والدین میشود، یک نژاد تضمین میگردد. این سازوکار وراثت، به ویژه، بر پایهی گونهای از همکاری است که با تکثیر جنسی انجام میگردد.
فرضی که نظریهی داروین برای سازوکار تکامل به شمار آورد، که با دانش کنونی ژنتیک نیز غنی شده است، هنوز تایید نشده است. هیچ کس تا امروز تایید نکرده است که این سازوکارها به طور کامل شناخته شدهاند و دیگر هیچ پدیدهی مهم دیگری پنهان نمانده است. از اینرو مثلا لازم بود که مدت زمان زیادی بگذرد تا بفهمیم که پرندگان چگونه پرواز میکنند، که دلیل آن چندان به خاطر برخورد باد با بالهایشان نبود، که دلیلی قابل مشاهده و گمراه کننده را ایجاد میکند، بلکه دلیل آن شکل بالهای آنها بود، که پدیدهی مطلوب ایرودینامیک[3] را موجب میشود.
با اینحال، نئو- داروینیسم[4] تنها نظریهی تکاملی است که تاکنون هرگز نقض نشده است. توسعهی ماشینحسابهای الکترونیکی مطالعهی این نظریه را در شبیهسازی آسان کرد و برخی پژوهشگران، خیلی پیشتر در دههی 1950، علاقهمند به آزمودن آن بر روی مسایل مهندسی بودند. اما این کار چندان راضیکننده نبود و دلیل آن هم دانش ناکافی از ژنتیک طبیعی در آن زمان و نیز کارایی ضعیف ماشینحسابهای موجود بود. بهعلاوه، آهستگی بسیار زیاد تکامل این تفکر را که چنین فرایندی بتواند به خوبی مورد استفاده قرار گیرد، فلج کرد.
طی دهههای 1960 و 1970، که ماشینحسابهای با قدرت معتبر پا به عرصهی وجود نهادند، تلاشهای بسیاری برای مدلسازی فرایند تکامل صورت گرفت. در میان آنها، سه زمینه بهطور مستقل پدیدار شد، که تا آغاز دههی 1990، از دید یکدیگر پنهان بودند:
· استراتژیهای تکـامل[5] (EA) از اچ. پی. شوفل[6] و آی. ریچنبرگ[7] [ریچنبرگ، 1965، بیر، 2001] که در میـانهی دههی 1960 همچون یـک روش بهینهسازی برای مسایلی که از پارامترهای پیوستهی مختلفی استفاده میکنند، طراحی شد؛
· برنامهنویسی تکاملی[8] (EP) از ال. جی، فوگل[9] و دیگران [فوگل و دیگران، 1966] که توانست، در میانهی دههی 1960، ساختار ماشینهای با حالات محدود[10] را به وسیلهی انتخابها و جهش[11] های مکرر گسترش دهد؛ که این امر برای آغاز دورانی در زمینهی دیگری از هوش مصنوعی مطلوب بود.
· الگوریتم ژنتیک[12](GA) که در 1975 توسط جی. اچ. هالند[13] [هالند، 1992] ارائه شد، با هدف درک سازوکار موجود در زیرسامانههای خود-سازگار[14] ارایه شد.
از آن پس، بر اساس مسایل مختلفی که یابندگان این روشها و شاگردانشان با آنها برخورد داشتند، این روشها دستخوش تغییرات بسیاری شدند.
[1] Patern Recognization
[2] C. Darwin
[3] Aerodynamic
[4] Neo-Darwinism
[5] Evolution Strategies
[6] H. P. Schwefel
[7] I. Rechenberg
[8] Evolutionary programming
[9] L. J. Fogel
[10] Finite-state Automata
[11] mutation
[12] Genetic Algorithm
[13] J. H. Holland
[14] Self-adaptive
