复杂生命系统部分研究

1、系统科学概论第8讲 复杂生命系统部分研究纲要u达尔文进化论的问题u遗传算法uNK模型u群集智能以蚁群智能为例生命起源问题米勒(1953)实验当时为芝加哥大学研究生Stanley Miller原始地球条件：高温、强紫外线、闪电、火山喷发原始地球大气：甲烷、氨、水蒸气、氢气，硫化氢等，没有氧气 原始生命形成的过程（化学起源假说）无机小分子物质无机小分子物质场所场所: :原始大气原始大气米勒实验米勒实验（聚合）（聚合）有机小分子物质有机小分子物质（组成）（组成）有机高分子物质有机高分子物质演演变变（长期相互作用）（长期相互作用）多分子体系多分子体系原始生命原始生命原原始始海海洋洋第一第一阶段阶段第二

2、第二阶段阶段第三第三阶段阶段第四第四阶段阶段（合成）（合成）达尔文的自然选择学说达尔文的自然选择学说过度繁殖过度繁殖生存斗争生存斗争遗传变异遗传变异适者生存适者生存进化的速度与性状多样性问题生命形式的稳定性和进化速度的不一致性。分子进化的保守性是指在生物大分子进化的过程中，进化的速度从功能上讲是比较慢的。也就是说由一种生物大分子进化产生具有一种新功能的大分子是比较困难的。尤其是那些对于生物的生存及遗传有着重要作用的分子，在漫长的进化过程中它们的变化很小。对于分子进化的这些特点，传统进化理论并不能给出很好的理论，因为根据自然选择的观点，外部环境的选择、群体大小、有利变异对环境的适应在进化中起着决

3、定性的作用，这与事实并不相符。蛋白质胰RNA酶 溶菌酶血红蛋白肌红蛋白胰岛素细胞色素C置换率 2.1 2.0 1.2 0.89 0.44 0.30构成蛋白质的各种氨基酸平均10亿年的置换率多样式性状的突现达尔文认为生命的演化是一个渐进的过程，他深信“自然界无跳跃”，但化石记录显示，生物演化是突变的，过渡物种缺乏化石记录，而主要的动物群又突然出现在化石纪录中（即通常所说的寒武纪生命大爆炸）。 达尔文在物种起源里以化石记录不完整为理由，对这个问题搪塞了一下，但终究不能令人满意。1972年，美国自然史博物馆的古生物学家，艾尔德诺基 （Niles Eldredge）和哈佛大学的古尔德（S. J. Go

4、uld）提出“间断平衡”理论，认为生物的进化并不像原先认为的那样是一个缓慢的渐变积累过程，而是长期的稳定（甚至不变）与短暂的剧变交替的过程， 在某些时期会出现飞跃式发展的情况，从而在地质记录中留下许多空缺。达尔文理论还存在其他多个问题问题的关键在于进化的原动力和机制问题：“自然选择”是进化之源吗，还是进化是生命自身演化的结果？ 遗传算法(Genetic Algorithms)复杂适应系统的一个现实例子是生物系统：生物适应环境而进化。但是其动力学机制是什么？对于人们解决问题又有什么启示。Holland 关于遗传算法的研究提供了很好的说明。该算法于1960-70年代由 John Holland提出

5、Building Block:一个复杂的层次系统的整体演化中,总有若干关键元素在起关键作用 Holland称之为Building Block;Fisher: “The Genetic Theory of Natural Selection” 进化是个体（群体）适应环境的过程这一过程能否用计算机程序实现（模拟）？遗传算法1960年代，“适应性系统理论”研讨班 逐步完善遗传算法1972 Adaptation in Natural and Artificial Systems环境适应度交配突变进化遗传算法:一个例子310)20(min2xx1 确定“个体”和“种群” 在这里,我们选择一组“x”作为“

6、种群”2 确定编码(encoding)方案 这里,我们对每个“x”采用二进制编码可以用5位的二进制数（0000011111)表示031的所有数遗传算法:一个例子310)20(min2xx3 随机选取初始种群 （00000） （10001）（01011） (01100) (11010) (01001)4 计算适应度: f1=1/400; f2=1/9; f3=1/81; f4=1/64; f5=1/36; f6=1/121;归一化: 遗传算法:一个例子5 按照适应度生成新的种群 （10001） （10001）（11010） (01100) (11010) (10001)6 基因配对,并按一定的概

7、率进行“交配”(crossover):个体交换染色体.例如: 100|01 10000 011|00 011017 以较小的概率实施基因突变(mutation): 10001 10011遗传算法的离散动力系统本质种群：一个离散动力系统。微观状态，每个个体的基因组结构；宏观状态，整个种群的环境适应度。种群n种群n+1选择、交换、突变离散映射（迭代）生物进化的Kauffman模型生物进化的Kauffman模型 （Stuart Kauffman) Kauffman The Origins of Order, Oxford Univ. Press, 1993自然选择不是生物体结构的唯一决定者。存在一个

8、同等重要的结构来源，自发有序(spontaneous order)。即复杂系统自发使自身组织成协调模式。因此，研究生物进化不能将生物体的总体性态分解为各个不相关的基因或性状，而应该研究其整体结构在相互作用中的演化。Kauffman认为，最易于进化的系统是混沌边缘的系统，如同处于相变临界点的系统，准备参予相变。Kauffman模型（续）Kauffman试图用这一模型生命形式的稳定性和进化速度的不一致性。冲突约束 传统的进化理论的一个重要假设是生物体能够分解为彼此独立的特征类型。优化一个特征不影响其他特征。这个假设往往是不能成立的。生物体的各个性状可能发生冲突。NK模型由于冲突约束，需要用Fitn

9、ess Landscape“适应度地貌”而不是单一的“适应度”来描述生物体的适应性。Kauffman认为，Fitness Landscape的“崎岖性”峰和谷的数量、它们的高度和间隔是由生物体的内组织决定的。他用一个理想化的模型（NK模型）研究系统的内部组织如何决定Fitness Landscape.NK模型将生物体抽象为一个具有N个部分的组合系统。每个部分对系统的适应度地貌有影响。这种影响直接取决于其他K个部分。于是，大小N和关联度K共同提供了生物体复杂性的度量。NK对的不同值，决定了不同的“地貌”NK 模型N表示基因片段，K是基因片段之间的可能约束关联。这一模型是一个随机布尔网络模型。基因

10、调控网络（Genetic Regulatory Network ）：consists of set of genes, proteins, small molecules, and their mutual regulatory interactions。随机布尔网络 一类特殊的元胞自动机： 每个元胞布尔状态； 元素的连接是随机确定的； 状态转移函数也是随机函数。作为随机布尔网络的基因调控网络：0，1NK模型当K0，即生物体的各个部分完全不相关。一个部分改变不影响其余部分的适应度分布；当N的数量大的时候，单个部分突变难以产生大的影响NK模型当KN1，一个部分的变化影响其余所有部分。在这种情况下

11、，对于一个部分好的变化，很少对他所有相关的部分也是好的。由关联引起的冲突约束降低了总适应度。当N很大时所有的峰值趋于平均适合度的值。NK模型中间某些情况，可能是适合进化的有全局性的方法，使得系统达到全局最优？但更多的停留在局部最优随机NK布尔网络随机NK布尔网络更明确的描述了各部分之间相互关系：N个部分，关联度为K的系统的内部相互作用用随机布尔网络来表示。一个元素在特定时刻的状态由K个其他元素在前一时刻的状态决定（元胞自动机）。而它们的影响是按一定的逻辑规则组合在一起。随机NK布尔网络当K很大的时候，系统定态环的长度往往很长，即系统出现非周期行为。系统是混沌的。当K2时，随机NK布尔网络显示出

12、自发有序，网络出现稳定性假设布尔网络代表了彼此调节的基因所组成的基因组。Kauffman认为：那些具有把它们推向混沌边缘的关联性的基因组具有最优化的演化能力。群集智能（Swarm Intelligence）群集智能（ Swarm Intelligence, SI ） 人们把群居昆虫的集体行为称作“群智能”（“群体智能”、“群集智能”、“集群智能”等） 特点 个体的行为很简单，但当它们一起协同工作时，却能 够突现出非常复杂（智能）的行为特征。 蚁群算法u2020世纪9090年代M MDorigoDorigo，V VManiezzoManiezzo，A AColorniColorni等 从生物进化的机制中受到启发，通过模拟自然界蚂蚁搜索路径的行 为，提出来一种新型的模拟进化算法蚁群算法，是群智能理论研究领域的一种主要算法。u这种方法能够被用于解决很多优化问题或者能够转化为优化求解 的问题。现在其应用领域已扩展到多目标优