自私的基因_自私基因的生物计算机模拟
自私的基因
TL; DR:我对猴子的行为进化进行了计算机模拟,继续阅读以了解最初在《自私的基因》中是如何陈述问题的。 第一部分显示了我的Java实现 ,第二部分显示了图表结果和结论。
问题
我最近读了理查德·道金斯 ( Richard Dawkins)的 《自私的基因》 ,尽管已经40岁,但它的开篇非常开阔。 尽管原始文本有时已经过时了(“ 您只能在头骨中装上几百个晶体管 ,但如今更像是数万亿 个晶体管 ,您好, 摩尔定律 ),但一般的要求却像从前一样吸引人。
作为计算机工程师,引起我特别注意的一章是关于进行社交修饰的动物,例如某些猴子(请参见上图)。 让我引用相关章节 :
假设某个物种[…]被带有危险疾病的特别讨厌的壁虱所寄生。 非常重要的一点是,应尽快清除这些壁虱。 […]一个人可能无法伸手可及,但没有什么比让朋友为他做容易的事了。 以后,当朋友被自己寄生时,可以偿还善行。 […]这具有直接的直观意义。 任何有意识的先见之明的人都可以看出,达成相互退让的安排是明智的。 […]
假设B在他的头顶上有一个寄生虫。 一个把它拉下来。 后来,时机到了,A头上有寄生虫。 他自然地寻找B,以便B可以偿还他的善行。 B只是转过鼻子走开。 B是一个骗子,一个人接受其他人的利他主义的利益,但不偿还或无偿还。 作弊要比不加选择的利他主义者做得更好,因为作弊者无需付出成本即可获得收益。 可以肯定的是,与去除寄生虫的好处相比,修饰另一个人的头部的花费似乎很小,但这并不是可以忽略的。 必须花费一些宝贵的精力和时间。
让总体由采用两种策略之一的个体组成。 […]称这两个策略为Sucker和Cheat。 吸盘会随意修饰需要的任何人。 骗子接受抽油机的利他主义,但他们从不修饰别人,甚至以前没有修饰过的人也没有。 […]作弊会比傻瓜做得更好。 即使整个人口濒临灭绝,也永远不会有比傻瓜做得更好的人。 因此,只要我们只考虑这两种策略,没有什么能阻止吸盘的灭绝,而且很可能阻止整个人口的灭绝。
但是现在,假设有第三种策略称为Grudger。 怨恨者会为陌生人和以前曾修饰过他们的人提供服务。 但是,如果任何人欺骗了他们,他们会记住事件并怀恨在心:他们将来不会修饰该人。 在充满怨恨和吮吸者的人群中,不可能分辨出哪个是哪个。 两种类型对其他所有人都有利他的表现[…]。 如果与作弊者相比,仇恨者稀少,那么仇恨者基因将灭绝。 一旦仇恨者设法增加数量,使他们达到关键的比例,他们彼此相遇的机会就变得足够大,可以抵消他们在欺骗作弊方面的浪费。 当达到这个关键比例时,他们将开始平均获得比作弊更高的回报,并且作弊将以加速的速度被驱逐到灭绝。 […]
引自: 理查德·道金斯 ( Richard Dawkins)的 《自私的基因》 (ISBN 0-19-857519-X)。
随后,作者进行了一系列计算机模拟,以观察这三种策略在各种条件下如何共同发挥作用。 显然源代码不可用,我对此很满意。 首先,因为我有机会编写一些有趣的代码。 其次:这本书出版于1976年,距C发明4年,距C ++多年(使您了解),我真的不太想Fortran 。
实作
因此,我砍掉了几节课来模拟整个人群中的作弊者,吮吸者和怨恨者。 我想看看不同类型的行为如何影响人口规模。 哪种行为稳定并保证生存。 最后,如何减轻随机突变和死亡。 我决定尝试一些技术,即:
- 手工进行依赖注入,没有任何容器
- 完全单线程
- 逻辑时钟已显式改进以模拟时间流逝
我们将模拟一群猴子(从几只到几百万只),每只猴子都有独立的行为,随机的寿命等等。 使用诸如角色或至少线程之类的多代理解决方案似乎很明显。 但是, “React式编程原理”课程告诉我这通常是一项过度设计。 从本质上讲,这种模拟是一系列将来应该发生的事件:一只猴子应该在2年内出生,应该在5年内繁殖,并且应该在10年内死亡。当然,此类事件更多,猴子也更多。 但是,将所有这些事件放入单个优先级队列中就足够了,在这些队列中,将来最接近的事件将排在第一位。 这就是Planner
的基本实现方式:
public abstract class Action implements Comparable<Action> {private final Instant schedule;public Action(Clock simulationTime, Duration delay) {this.schedule = simulationTime.instant().plus(delay);}@Overridepublic int compareTo(Action other) {return this.schedule.compareTo(other.schedule);}public abstract void run();}//...public class Planner implements Runnable {private final Queue<Action> pending = new PriorityQueue<>();private final SimulationClock simulationClock;public void schedule(Action action) {pending.add(action);}@Overridepublic void run() {while (!pending.isEmpty()) {Action nearestAction = pending.poll();simulationClock.advanceTo(nearestAction.getSchedule());nearestAction.run();}}
}
我们有一个具有预定义schedule
的Action
(应在何时执行)和一个pending
的将来操作队列。 无需等待,我们只需选择将来的最近动作并提前模拟时间即可:
import java.time.Clock;public class SimulationClock extends Clock {private Instant simulationNow = Instant.now();@Overridepublic Instant instant() {return simulationNow;}public void advanceTo(Instant instant) {simulationNow = instant;}}
因此,我们实质上实现了一个事件循环 ,可以在队列中的任何位置(不一定在末尾)添加事件。 现在,当我们有了一个基本框架时,让我们实现猴子的行为:
public class Sucker extends Monkey {//...@Overridepublic boolean acceptsToGroom(Monkey monkey) {return true;}}public class Cheater extends Monkey {private final double acceptProbability;//...@Overridepublic boolean acceptsToGroom(Monkey monkey) {return Math.random() < acceptProbability;}
}public class Grudger extends Monkey {private final Set<Monkey> cheaters = new HashSet<>();@Overridepublic boolean acceptsToGroom(Monkey monkey) {return !cheaters.contains(monkey);}@Overridepublic void monkeyRejectedToGroomMe(Monkey monkey) {cheaters.add(monkey);}}
如您所见,这三个类捕获了三种不同的行为。 Sucker
总是接受修饰请求, Cheater
只是有时(在原始模拟中-从来没有,但是我使它可配置), Grudger
记得谁之前拒绝了他们的请求。 猴子聚集在一个“ Population
类中,这是一个小片段:
public class Population {private final Set<Monkey> monkeys = new HashSet<>();private final MonkeyFactory monkeyFactory;private Population addMonkey(Monkey child) {if (!full()) {newMonkey(child);}return this;}private boolean full() {return monkeys.size() >= environment.getMaxPopulationSize();}private void newMonkey(Monkey child) {monkeys.add(child);planner.scheduleMonkeyLifecycle(child, this);log.debug("New monkey in population {}total {}", child, monkeys.size());}//...
}
我们为每只新猴子安排其所谓的生命周期,即与繁殖,修饰和死亡有关的事件(在Planner
):
void scheduleMonkeyLifecycle(Monkey child, Population population) {askForGrooming(child, environment.getParasiteInfection().make(), population);scheduleBreedings(child, population);kill(child, environment.getLifetime().make(), population);
}void askForGrooming(Monkey child, Duration parasiteInfection, Population population) {schedule(new AskForGrooming(child, parasiteInfection, population));
}private void scheduleBreedings(Monkey child, Population population) {final int childrenCount = RANDOM.nextInt(environment.getMaxChildren() + 1);IntStream.rangeClosed(1, childrenCount).forEach(x -> breed(child, environment.getBreeding().make(), population));
}void kill(Monkey child, Duration lifetime, Population population) {schedule(new Kill(child, lifetime, population));
}private void breed(Monkey child, Duration breeding, Population population) {schedule(new Breed(child, breeding, population));
}
AskForGrooming
, Kill
, Breed
等是已经提到的Action
类的实例,例如Kill
:
public class Kill extends MonkeyAction {private final Population population;public Kill(Monkey monkey, Duration lifetime, Population population) {super(monkey, lifetime);this.population = population;}@Overridepublic void run(Monkey monkey) {population.kill(monkey);}
}
我将所有模拟参数封装在一个简单的值类Environment
,许多参数(例如parasiteInfection
, lifetime
或breeding
不是常量,而是RandomPeriod
类的实例:
@Value
public class RandomPeriod {private static final Random RANDOM = new Random();Period expected;Period stdDev;public Duration make() {final long shift = Periods.toDuration(expected).toMillis();final long stdDev = Periods.toDuration(this.stdDev).toMillis();final double gaussian = RANDOM.nextGaussian() * stdDev;double randomMillis = shift + gaussian;return Duration.ofMillis((long) randomMillis);}}
这使我能够捕捉具有期望值,标准偏差和正态分布的随机时间段的概念。 make()
方法仅生成一个这样的随机周期。 我不会探索该模拟的完整源代码, 可以在GitHub上找到 。 现在终于可以运行几次了,观察种群如何增长(或灭绝)。 顺便说一下,我使用相同的计划程序和操作机制来查看发生的情况:我只需每年一次(逻辑时间!)注入Probe
动作,然后输出当前的人口规模。
就像许多事件循环一样,访问事件必须只有一个线程。 我们遵循这种做法,模拟是单线程的,因此根本不需要执行任何同步或锁定,我们还可以使用标准,不安全但速度更快的集合。 较少的上下文切换和改进的缓存局部性也有帮助。 同样,我们可以轻松地将模拟状态转储到磁盘上,例如以后将其还原。 当然有缺点。 由于有成千上万的猴子,因此模拟速度变慢,除了谨慎的优化和购买更快的CPU(甚至没有更多的CPU!)外,我们无能为力。
本实验
作为对照组,我们从一个很小的(10个样本)种群开始,这些种群仅由吸盘以及吸盘和怨恨者的混合物组成。 在没有作弊者的情况下,这两种行为是无法区分的。 我们关闭突变(一个有傻瓜和怨恨的孩子成为骗子,而不是后来成为傻瓜或怨恨的孩子的可能性),然后查看种群的增长方式(X轴代表时间,Y轴代表种群数量):
请注意,由于这两种行为的行为完全相同,因此吸盘和怨恨者的比例波动约50%。 只用很少的作弊者进行模拟是没有意义的。 由于他们通常不互相修饰,因此他们很快死去,擦除了“ 作弊基因 ”。 另一方面,仅吸盘(无突变)呈指数增长(您可以清楚地看到高原后出生的新生代):
但是,如果我们模拟一个只有100个骗子和5个骗子的种群,会发生什么情况? 突变再次被关闭以保持仿真的干净:
有两种可能的情况:作弊者基因消失或扩散,导致种群灭绝。 这有点自相矛盾-如果这个特定的基因获胜,整个人口(包括那个基因!)注定要失败。 现在让我们模拟一些更有趣的东西。 我们打开了5%的突变概率,并要求作弊者在10个案例中有9个进行修饰(因此,它们的行为有点像傻瓜)。 我们从拥有5个吮吸者和5个怨恨者的健康人群开始:
您是否看到怨恨者如何Swift扩张,并且几乎总是数量超过吮吸者? 这是因为在有时由于突变而导致作弊者出现的环境中,吮吸者更加脆弱。 您是否注意到每当出现少量吸盘时,人口如何Swift减少? 怨恨者也很脆弱:他们在欺骗新生的骗子之前不知道自己是谁。 但是,他们不会像傻瓜那样重复此错误。 这就是为什么吸盘总是松动的原因,但是由于它们在某种程度上受到仇恨者的保护,因此它们并未完全灭绝。 仇恨者并不直接,而是通过不修饰来杀死作弊者,从而减少威胁。 这就是不同行为的配合方式。 那么为什么人口最终灭绝了呢? 仔细查看图表的末尾,在某些时候,由于某种随机原因,吮吸者的人数超过了怨恨者-在当时没有作弊者的情况下,这种情况尤其可能发生。 所以发生了什么事? 由于突变,一些作弊者突然出现了,这个猴子社会注定要失败。
现在让我们研究另一个例子:一个已经生活着100个吸盘的成熟社会,没有观察到其他行为。 当然由于突变,仇恨者和作弊者很快就出现了。 大多数情况下,这种模拟很快就结束了,几代之后就结束了。 作弊者出生的可能性与怨恨者的可能性相同,但是我们需要更多的怨恨者来保护吮吸者。 因此人口死亡。 但是我设法进行了几次模拟,而这些社会实际上幸存了一段时间:
有趣的是,吸盘在整个人口中占据了相当长的一段时间,但是又一次流行的作弊者袭击杀死了大多数吸盘。 不幸的是,骗子的最后增长使怨恨者的数量减少到了无法再保护吮吸者的地步,所有人都突然死亡。
摘要
从实现的角度来看,尽管难以扩展,但使用单线程模型和操作队列确实非常有效。 然而,生物学结论更加有趣:
- 只要没有作弊者,无私的人(只有傻瓜 )可以永远快乐地生活,试图利用该系统
- 利他主义群体中只有一个作弊者会导致此类群体崩溃
- 人口需要保护免受骗子侵害的警卫( 怨恨者)
- 即使在守卫在场的情况下,仍有少量骗子未被发现的地方
- 如果作弊者的数量超过某个临界比率,那么人们将无法保护自己并放弃。 每个标本都会死亡,包括作弊者
- 即使对整个种群都造成了不利影响的基因,也普遍存在对已灭绝的种群有害的基因
您可以自由地将结论推广到人类社会。
- 完整的源代码可在GitHub上获得,随时尝试,也欢迎拉取请求!
翻译自: https://www.javacodegeeks.com/2015/04/biological-computer-simulation-of-selfish-genes.html
自私的基因
自私的基因_自私基因的生物计算机模拟相关推荐
- 李嘉诚的“自负指数”与盖茨的“自私基因”看成功需要什么?
李嘉诚:我有一个"自负指数"--"自负指数"是一套衡量检讨自我意识.态度和行为的简单心法 下文为李嘉诚6月26日出席汕头大学毕业典礼时的演讲: 首先让我代表校董 ...
- NBT:人类微生物组千万基因的参考基因集
文章目录 人类肠道中整合参考基因集 热心肠日报 摘要 要点 Main 结果Results 构建整合基因集 图1. IGC的构建 整合基因集的质量和完整度 图2. IGC覆盖度 IGC中的物种 图3. ...
- 风湿与类风湿的关系以及风湿病涉及基因突变与基因甲基化的文献收集(仍在更新。。。)
风湿 风湿是什么 可分为哪几类 发病原因 风湿与类风湿的关系 类风湿关节炎RA血清生物学标志物 诊断生物标志物Diagnostic biomarkers for RA 常用的血清生物学标志物 新的血清 ...
- 一篇五分生信临床模型预测文章代码复现——Figure1 差异表达基因及预后基因筛选——下载数据(一)
之前讲过临床模型预测的专栏,但那只是基础版本,下面我们以自噬相关基因为例子,模仿一篇五分文章,将图和代码复现出来,学会本专栏课程,可以具备发一篇五分左右文章的水平: 本专栏目录如下: Figure 1 ...
- 如何获得基因名与基因类型的对应关系——下载GTF文件 基因注释
GTF文件是用于保存基因结构信息的文件格式.它是基于通用特征格式(GFF)的制表符分隔文本格式,但包含一些特定的附加基因信息. 1.打开GENECODE网站 ,下载GTF文件 https://www. ...
- 百姓基因快讯:基因检测可以诊断出哪些类型的疾病?
百姓基因快讯:基因检测可以诊断出哪些类型的疾病? 能够进行DNA测验以确诊一系列心脏和血管疾病或承认发生这些疾病的危险.这些测验现在在南非可用.某些类型的癌症,铁超负荷和其他遗传性遗传疾病的集合也能够 ...
- 自私基因的生物计算机模拟
TL; DR:我对猴子的行为进化进行了计算机模拟,继续阅读以了解最初在<自私的基因>中是如何陈述问题的. 第一部分显示了我的Java实现 ,第二部分显示了图表结果和结论. 问题 我最近读了 ...
- 坐道机器人xy基因改变yx基因_除了XY,决定性别还有另一种关键基因
原标题:除了XY,决定性别还有另一种关键基因 男人和女人有许多明显不同的地方,以往认为所有这些不同背后的本质原因隐藏在我们的第23对染色体--X和Y染色体中,过去的绝大部分研究都集中在这两个基因是怎样 ...
- python基因差异分析_差异基因
以前是没有想过用这个软件的,直到有一个我的htseq无法对比对的bam文件进行基因计数(后来我才发现htseq无法计数的原因是gtf版本不同导致坐标不同,而且gtf对染色体编号没有加上chr),我简单 ...
最新文章
- 2021年大数据Spark(二十八):SparkSQL案例三电影评分数据分析
- 你可能不知道的Shell
- Hystrix 熔断器02 —— hystrix 案例之构建
- 看漫画学python pdf下载_看漫画还能学Python❓❓❓| 0基础小白福音
- [深入浅出Cocoa]iOS网络编程之NSStream
- 小菜:Java异常处理的10个最佳实践
- 2018蓝桥杯省赛---java---A---10(付账问题)
- 数论 —— 莫比乌斯反演
- 百度关键词点击ios_百度推广关键词点击价格高,如何处理?
- C语言pop_back用法,【C语言】单链表的所有操作的实现(包括PopBack、PushBack、PopFront、PushFront、Insert)...
- python any() all()
- RFC2544性能测试64字节实际报告显示为66字节
- 二、python小项目模块(制作.npy形式数据集、图像添加随机噪声、将.npy的数据合成图像、创建文件夹)
- python ppt 图片_Python批量导出多个PPT\/PPTX文件中每个幻灯片为独立JPG图片
- 【活动】VUCA时代下的项目管理:京东技术+系列论坛
- 移动云计算的四大特点
- pr调整图层java,glm`prepected()`错误:没有适用于'predict'的方法应用于类“list”的对象...
- Delphi 把字符串复制到剪贴板
- 利用unity和steamVR完成场景漫游(五) 学习VRTK中简单案例
- 王佩丰excel教程笔记(单元格设置)