Tuesday, July 5, 2011

Introduction - The Mathematics of Evolution Concepts


This mathematics is the proof for evolution.If you don't know this mathematics you will not understand the process of evolution..In computer scienceevolutionary computation is a sub field of artificial intelligence (more particularly computational intelligence) that involves combinatorial optimization problems.


Evolutionary computation uses iterative progress, such as growth or development in a population. This population is then selected in a guided random search using parallel processing to achieve the desired end. Such processes are often inspired by biological mechanisms of evolution.

As evolution can produce highly optimized processes and networks, it has many applications in computer science. Here, simulations of evolution using evolutionary algorithms and artificial life started with the work of Nils Aall Barricelli in the 1960s, and was extended by Alex Fraser, who published a series of papers on simulation of artificial selection. Artificial evolution became a widely recognised optimisation method as a result of the work of Ingo Rechenberg in the 1960s and early 1970s, who used evolution strategies to solve complex engineering problems. Genetic algorithms in particular became popular through the writing of John Holland. As academic interest grew, dramatic increases in the power of computers allowed practical applications, including the automatic evolution of computer programs.[4] Evolutionary algorithms are now used to solve multi-dimensional problems more efficiently than software produced by human designers, and also to optimize the design of systems.]This is derived from the real evolutionary process.This is different from the normal numerical computation.

Fro example you want to solve a set of non linear equations.You simply follow the .steps.

1. choose a suitable method.e.g Newton Raphson method.

2. chose an initial point

3. Using the algorithm determine the incremental step. and calculate the new initial point.

4.Check for convergence. Till  convergence repeat step 3.

An Example with Newton raphson method.

Now let us learn the Evolutionary  Mathematics.

1. a set of solutions are selected(population).

2. Genetic operators (natural selection,cross over,mutation) are applied on the population to produce a new set of population.
The genetic operators are randomized operations .These operations can move a set of points in a duration time(iterations) to desired solution possibilities.
Let us understand the Genetic opertors.Though so many genetic operators performed by the nature on the living beings ,three important operators only used in these algorithms.


Natural selection(reproduction, selection): During each successive generation, a proportion of the existing population is selected to breed a new generation. Individual solutions are selected through a fitness-based process, where fitter solutions (as measured by a fitness function) are typically more likely to be selected. Certain selection methods rate the fitness of each solution and preferentially select the best solutions. Other methods rate only a random sample of the population, as this process may be very time-consuming.


Crossover:After we have decided what encoding we will use, we can make a step to crossover. Crossover selects genes from parent chromosomes and creates a new offspring. The simplest way how to do this is to choose randomly some crossover point and everything before this point point copy from a first parent and then everything after a crossover point copy from the second parent.


Crossover can then look like this ( | is the crossover point):

Chromosome 111011 | 00100110110
Chromosome 211011 | 11000011110
Offspring 111011 | 11000011110
Offspring 211011 | 00100110110

There are other ways how to make crossover, for example we can choose more crossover points. Crossover can be rather complicated and very depends on encoding of the encoding of chromosome. Specific crossover made for a specific problem can improve performance of the genetic algorithm.
Mutation:After a crossover is performed, mutation take place. This is to prevent falling all solutions in population into a local optimum of solved problem. Mutation changes randomly the new offspring. For binary encoding we can switch a few randomly chosen bits from 1 to 0 or from 0 to 1. Mutation can then be following:





Original offspring 11101111000011110
Original offspring 21101100100110110
Mutated offspring 11100111000011110
Mutated offspring 21101101100110110

The mutation depends on the encoding as well as the crossover. For example when we are encoding permutations, mutation could be exchanging two genes.
3.Check for convergence. Till  convergence repeat step 2





If you have doubts 

or Ask me.
All the best.


I am repeating.If you don't know this mathematics you can't understand evolution process!!!!!!!!!!!!



44 comments:

  1. கொஞ்சம் புரிய கஷ்டம்தான்.. ஆனால் ஆர்வமாய் உள்ளது கற்றுக்கொள்ள..

    நல்ல உபயோகமாய் பதிவிடுகிறீர்கள்..

    நன்றி..

    ReplyDelete
  2. வணக்கம் ச்கோ
    எதையாவது கற்போம் க‌ற்றுக் கொடுப்போம் என்பதுதான் நம்து கொள்கை.இதற்கே காலம் போதாது.இந்த பரிணம கண்க்கியலில்தான் உலக்மே இயங்குகிறது என்பது ஆச்ச்ர்யமான் விஷயம்.பரிணாம்த்தை விமர்சிக்கும் எவருக்கும் இது தெரிந்திருக்க வாய்ப்பில்லை என்பதும் நம் கருத்து.
    வருகைக்கும் கருத்து பதிவிற்கும் நன்றி.

    ReplyDelete
  3. எதையாவது கற்போம் க‌ற்றுக் கொடுப்போம் என்பதுதான் நம்து கொள்கை//

    மிக நன்று..

    //பரிணம கண்க்கியலில்தான் உலக்மே இயங்குகிறது//

    அதிச்யமே.. கற்கும் ஆவல் வந்திருக்கு.. பார்ப்போம் கற்றுவிட்டு வருகிறேன் உரையாட..

    ReplyDelete
  4. //I am repeating.If you don't know this mathematics you can't understand evolution process!!!!!!!!!!!!//

    அடப் பாவமே!
    :(

    ReplyDelete
  5. அய்யா வணக்கம்,
    இது நிஜம்,பரிணாம்த்தை விமர்சிப்பவர்கள் அத்னை பற்றி ஒன்றும் தெரியாத அக்மார்க் மதவாதிகள் மட்டுமே என்பது நிஜம்.நடப்பதற்கு மிக குறைவான வாய்ப்பு உள்ள ப்ரோட்டின் அமைப்பு உருவாதல் எப்படி இயற்கையாக ஏற்படும் என்பதற்கு இந்த பரிணாம கணிதமே விளக்கம்.சரியான விடை தெரியாத ஒருவனால் எந்த விளக்கத்தையும் ஏற்றுக் கொள்ள முடியாது.விதண்டாவாதம்தான்.
    வருகைக்கும் கருத்து பதிவிற்கும் நன்றி

    ReplyDelete
  6. பள்ளியில் படிக்கும் பொழுது maths and physics மதிப்பெண்களுக்காக படித்து, மனது ஒட்டாததினால் வெறுத்து, அறிவியல் அல்லாத??? பாடத்தில் இளங்கலை படித்து முடித்துபின் பள்ளிப் பாட புத்தகத்தை எடுத்துப் பார்த்த பொழுது, அட இவ்வளவு எளிமையான அழகான் விஷயங்களை வெறுத்தொம், மதிப்பெண்களுக்காக படிக்காமலிருந்தால் MATHIS PHYSICS அனுபவத்திருக்கலாம் என்ற எண்ணம் தோன்றி எனக்கு முடிந்த வரை அவற்றை படித்து வருகிறேன்.

    அந்த அனுபவம் இந்த பதிவினால் ஏற்பட்டது. படித்துக்கொண்டிருக்கிறேன் புரிந்துகொண்டிருக்கிறேன்.
    நன்றி.

    ReplyDelete
  7. ஆமாம் நரேன்
    கற்றல் என்பதை புரியும் செயலாக வடிவமைக்காமல் மனப்பாடம் செய்து மதிப்பெண் வாங்கும் செயலாக்கிய கல்வியின் வேலை அது.
    பதிவுலகில் கூட பாருங்கள் பல்ர் தமிழில் மிகவும் கடினமான் அறிவியல் கருத்துகளை எளிமையாக் கூறுகிறார்கள்.அவர்களை பார்த்துதான் ஒரு உத்வேகத்தில் எழுத ஆரம்பித்தேன்.தமிழில் கல்விப் பணியாற்றுவதிலும் பதிவுலகின் பங்கு அபாரம்!!!!!!!!!.எதையும் எளிதாக தமிழிலேயே கற்கும் நிலை வந்து விட்டது.
    இன்னும் பல ஆங்கில வார்த்தைகளை தமிழ் படுத்துவதே நம்க்கு அவசியமான் பணி.நன்றி

    ReplyDelete
  8. Evolutionary Computation என்ற துறையை அறிமுகப்படுத்தியதற்கு நன்றி.

    சென்ற பதிவில் பரிணாமத்தின் மீதுள்ள குற்றச்சாட்டுகளை மறுக்கும் போது, கணிதத்தின் நிகழ்தகவு கோட்பாட்டின்படி biological complexity பரிணாமத்தின் மூலம் உருவாதற்கான வாய்ப்பு இல்லை என்ற கேள்விக்கு

    //எவாலுயுனரி கம்யூட்டேஷன்[evolutionary computation] இது நடப்பது நிஜம் என்று நிரூபித்து விட்டது!!!!!!!!!!!!!// என்று பதிலளித்திருந்தீர்கள்.
    உயிரியலில் ஒரு கேள்வி கேட்டால் கணிணி அறிவியலிலிருந்து பதில் தருகிறீர்கள். உயிரியலில் இந்த கேள்விக்கு பதில் இல்லை என்று ஒப்புக் கொண்டதற்கு நன்றி.

    evolutionary computation எவ்வாறு biological complexity உருவாகுவதை நிரூபித்து விட்டது என்றும் விளக்கவில்லை.

    ஒரு non-biological systemஐ உதாரணமாக கொண்டு ஒரு biological systemஐ விளக்குவது அடிப்படையிலேயே தவறு.

    சரி இந்த evolutionary computation நீங்கள் கூறுவதை நிரூபித்ததா என்று பார்ப்போம்

    ReplyDelete
  9. 1.Evolutionary Computation என்றால் என்ன ?
    In computer science, evolutionary computation is a sub field of artificial intelligence (more particularly computational intelligence) that involves combinatorial optimization problems.

    combinatorial optimization problems என்றால் என்ன ?
    In applied mathematics and theoretical computer science, combinatorial optimization is a topic that consists of finding an optimal object from a finite set of objects.[1

    அதாவது இருக்கும் பொருட்களிலிருந்து சிறந்த கலவையை (combination) தேர்ந்தெடுப்பது என்று நினைக்கிறேன் . இதைத்தான் talk origins தளத்தில் உள்ள உதாரணங்களும் கூறுகின்றன‌.
    இந்த சுட்டியைப் பாருங்கள் http://www.trnmag.com/Stories/062800/Genetically_Enhanced_Engine_062800.html

    genetic algorithm அடிப்படையில் முன்பை விட‌ ஒரு சிறந்த டீசல் என்ஜின் உருவாக்கப்பட்டதைப் பற்றி இந்த சுட்டி கூறுகிறது. 5 அளவுறுக்களிலிருந்து (parameters) ஒரு சிறந்த கலவையை இந்த genetic algorithm தேர்ந்தெடுத்திருக்கிறது.

    சரி , இந்த உதாரணம் பரிணாமத்திற்கு பொருந்துமா ?
    இங்கே புதிய செயல்பாடு (new function) எதுவும் உருவாகவில்லையே.

    Evolutionary computation எப்போது பரிணாமத்திற்கு பொருந்தும் ?
    ஒரு சைக்கள் உருவாக்குவதற்கான புரோகிராமிலிருந்து evolutionary computation மூலம் ஒரு மோட்டார் பைக் உருவாக்கி காட்டினால் ஓரளவுக்கு பரிணாமத்தை நிரூபிப்பதாக கூறலாம். இதிலும் பல சிக்கல்கள் உள்ளன.

    http://en.wikipedia.org/wiki/Evolutionary_computation
    http://en.wikipedia.org/wiki/Combinatorial_optimization
    http://jgap.sourceforge.net/doc/reality.html
    http://www.talkorigins.org/faqs/genalg/genalg.html

    ReplyDelete
  10. 2. Evolutionary computationல் Genotype (மரபணு அமைப்பு), Phenotype (தோற்றவமைப்பு) வேறுபாட்டை முழுமையாக கடைபிடிப்பதில்லை. ஒரு genetic algorithm ல் genotypeல் ஏற்படும் ஒவ்வொரு மாறுதலும் phenotypeல் ஒரு மாற்றத்தை ஏற்படுத்தும். ஆனால் உயினங்களில் அவ்வாறு நிகழ்வதில்லை.அதாவது பெரும்பாலான Genotype ல் ஏற்படும் மாற்றங்கள் Phenotypeல் மாற்றத்தை ஏற்படுத்துவதில்லை .

    இயற்கை தேர்வு மூலம் Phenotypeல் ஏற்படும் மாற்றங்களையே தேர்ந்தெடுக்க முடியும் என்பதால், இந்த genetic algorithm ல் மூலம் தேர்ந்தெடுக்கப்படும் கலவைகள், இயற்கை தேர்வு மூலம் தேர்ந்தெடுக்கப்படுவதில்லை.

    http://en.wikipedia.org/wiki/Genotype-phenotype_distinction

    ReplyDelete
  11. 3. இந்த evolutionary computation மூலம் பல ஆயிர கணக்கான தவறான விடைகளுக்கு பிறகே சரியான ஒரு விடை தேர்ந்தெடுக்கப்படுகிறது. இதேபோல் பரிணாமமும் நிகழ்ந்தால் ஆயிரக்கணக்கான குறைபாடுள்ள உயிரினங்கள் கண்டெடுக்கப்படவேண்டும்.

    உதாரணமாக மீன்களிலிருந்து நிலநீர்வாழ் உயிரினங்கள் உருவாவதற்கு 10 படிநிலைகள் (steps) இருப்பதாக எடுத்துக்கொள்வோம். பரிணாமம் random mutations மூலமாக நிகழ்கிறது. எனவே ஒரு மீன் step 0 விலிருந்து step 1 க்கு சரியான திசையில் பரிணாமம் அடைந்தால் , ஒரு 1000 மீன்கள் தவறான திசையில் குறைபாடுகளுடன் பரிணாமமடைந்திருக்கும். இவ்வாறே step 0விலிருந்து step 10 க்கு பரிணாமமடைவதற்குள் ஒரு 10000 மீன்கள் தவறான திசையில் குறைபாடுடன் பரிணாமமடைந்து அழிந்திருக்கும். எனவே படிமங்களில் குறைபாடுள்ள உயிரினங்களே அதிகம் கண்டெடுக்கப்படவேண்டும். பரிணாமம் இன்னும் நிகழ்வதால் தற்போது உலகில் உள்ள உயிரினங்களில் 90 சதவீதம் குறைபாடுடன் இருக்க வேண்டும்.

    தவறான திசையில் பரிணாமமடைந்த , குறைபாடுள்ள ஒரே ஒரு உயிரினத்தையாவது காட்ட முடியுமா ?

    http://en.wikipedia.org/wiki/Adaptation
    http://en.wikipedia.org/wiki/Evolvability
    http://en.wikipedia.org/wiki/Mutation

    ReplyDelete
  12. Gene duplication மற்றும் random mutations மூலமாக biological complexity உருவாக முடியுமா ? என்ற கேள்வியை விடையளிக்க ஒரு ஆய்வறிக்கை வெளிவந்துள்ளது. Complexity என்ற ஒரு peer-reviewed ஜர்னலில் இது வெளியிடப்பட்டுள்ளது

    Is gene duplication a viable explanation for the origination of biological information and complexity?

    "Therefore, although the process of gene duplication and subsequent random mutation has certainly contributed to the size and diversity of the genome, it is alone insufficient in explaining the origination of the highly complex information pertinent to the essential functioning of living organisms."


    Gene duplication மற்றும் random mutations மட்டும் உயிரினங்கள் செயல்படுவதை விளக்க போதுமானதாக இல்லை என்று இந்த ஆய்வாளர் கூறுகிறார்

    http://onlinelibrary.wiley.com/doi/10.1002/cplx.20365/abstract

    இந்த ஆய்வறிக்கையைப் பற்றிய விளக்கத்தை இங்கே பார்க்கலாம்

    http://www.evolutionnews.org/2010/12/new_peer-reviewed_paper_challe042331.html
    http://www.evolutionnews.org/2011/01/does_gene_duplication_perform_042381.html

    ReplyDelete
  13. @சாதிக்
    நன்றி நண்பரே

    ReplyDelete
  14. The 44 Chromosome Man

    And What He Reveals About Our Genetic Past


    http://annatheanalyst.blogspot.com/2011/07/44.html

    http://www.thetech.org/genetics/news.php?id=124

    ReplyDelete
  15. @sadiq
    //Evolutionary Computation என்ற துறையை அறிமுகப்படுத்தியதற்கு நன்றி.//
    இன்னும் தெரியாத‌ பல விஷயம் உண்டு.புரிந்தால் சரி
    *****************
    /உயிரியலில் ஒரு கேள்வி கேட்டால் கணிணி அறிவியலிலிருந்து பதில் தருகிறீர்கள். /
    பரிணாமம் (பல் இலட்சம் வருடங்கள்)நடக்கும் வரை மனிதர்கள் உயிருடன் இருக்க முடியாது .ஆகையால் அதன் மாதிரியான் பரிணாம் கணிதவியலையாவது சில நிமிடங்களில் பார்க்கட்டுமே என்ற ஒரு ஆலோசனைதான்.
    ********************
    /evolutionary computation எவ்வாறு biological complexity உருவாகுவதை நிரூபித்து விட்டது என்றும் விளக்கவில்லை./

    உங்களுக்கு புரியவில்லை.அதாவது இப்போதுதான் பெயர் தெரிந்த ஒரு கணிதம் உங்களுக்கு எல்லாமே தெ(பு)ரிந்துவிடும் என்று நினைக்கும் அதி புத்திசாலி உலகிலேயே நீங்கள் மட்டும்தான்.ஒவொரு பாடத்திற்கும் சில முன் பாடங்கள் படித்து இருந்தால் மட்டுமே புரியும்.இது பல பல்கலை கழகங்களில் ஒரு வருட பாடமாக் நட்த்தப் படுகின்றது.படித்து விட்டு நான் கேட்கும் கேள்விகளுக்கு எல்லாம் பதிலளித்தால் இந்த கேள்விக்கு பதில் புரியும்.

    /ஒரு non-biological systemஐ உதாரணமாக கொண்டு ஒரு biological systemஐ விளக்குவது அடிப்படையிலேயே தவறு./

    கல்வெட்டில் பொறித்து வைக்கவும்.
    //சரி , இந்த உதாரணம் பரிணாமத்திற்கு பொருந்துமா ? //
    அப்போது பரிணாம்த்தில் இருந்து பரிணாம் கணிதம் வரவில்லை என்று கூறுகிறீர்களா!!!!!!!.இங்கே நீங்கள் குறிப்பிட்ட அனைத்து கருத்துகளுமே புரிதல் இல்லாதவை.முற்று முழுவதும் தவறு.
    ********************
    சில கேள்விகள்.
    1.இந்த பரிணாம் கணிதத்தின் அவசியம் என்ன?
    2.இவற்றை எந்த மாதிரி பிரச்சினைகளை தீர்க்க பயன்படுத்தலாம்?.

    இதற்கு விடை சொல்லவும்.இன்னும் இரு கேள்வி கேட்கிறேன் .எப்படியவது உங்களுக்கு இலவசமாக பரிணாம் கணிதம் கற்றுக் கொடுக்க முடிவு செய்டுவிட்டேன்!!!!!!!!!!!
    ***************

    ReplyDelete
  16. http://cfpm.org/~david/talks/ga2006/ga-pres6.pdf
    http://www.egr.msu.edu/~goodman/GECSummitIntroToGA_Tutorial-goodman.pdf
    http://muehlenbein.org/parallel.PDF
    இந்த குறிப்புகளை படித்து விட்டு வரவும்.கேள்வி கேட்பேன்.இதுதான் பரிணாம் கணிதவியலில் முதல் படி.அப்புறம் கணிதத்தின் கால்குலஸ் கொஞ்சம் மீள் பார்வை பார்க்கவும்.அப்பத்தான் கொஞ்சமாவது புரியும்.

    ReplyDelete
  17. /உயிரியலில் ஒரு கேள்வி கேட்டால் கணிணி அறிவியலிலிருந்து பதில் தருகிறீர்கள். /
    பரிணாமம் (பல் இலட்சம் வருடங்கள்)நடக்கும் வரை மனிதர்கள் உயிருடன் இருக்க முடியாது .ஆகையால் அதன் மாதிரியான் பரிணாம் கணிதவியலையாவது சில நிமிடங்களில் பார்க்கட்டுமே என்ற ஒரு ஆலோசனைதான்.//
    மீண்டும் பரிணாமத்தை உயிரியல் மூலம் நிரூபிக்க முடியாது என்று ஒப்புக்கொள்கிறீர்கள்.

    ஒரு துறையை பல்கலைக்கழகத்தில் கற்றவர் மட்டுமே விவாதிக்க வேண்டும் என்றால் இங்கு யாருமே பரிணாமத்தை பற்றி விவாதிக்க முடியாது. ஒரு கார் எவ்வாறு செயல்படுகிறது என்ற அடிப்படையை புரிவதற்கு automobile engineer ஆக வேண்டும் என்ற அவசியம் இல்லை.

    //இங்கே நீங்கள் குறிப்பிட்ட அனைத்து கருத்துகளுமே புரிதல் இல்லாதவை.முற்று முழுவதும் தவறு.//
    நான் கேட்ட கேள்விகளில் எது தவறு என்று ஆதாரத்துடன் கூறவும், திருத்திக் கொள்கிறேன்.

    முக்கியமாக Evolutionary Computation எவ்வாறு பரிணாமத்தை நிரூபிக்கிறது என்று கூறவும். இதற்கு ஏதாவது சுட்டி இருந்தால் கூறவும். எனக்கு தெரிந்தவரை evolutionary computation மூலம் பரிணாமத்தை நிரூபிக்கும் ஒரே ஆள் நீங்கள் தான்.


    //சில கேள்விகள்.
    1.இந்த பரிணாம் கணிதத்தின் அவசியம் என்ன?
    2.இவற்றை எந்த மாதிரி பிரச்சினைகளை தீர்க்க பயன்படுத்தலாம்?.

    இதற்கு விடை சொல்லவும்.இன்னும் இரு கேள்வி கேட்கிறேன் .எப்படியவது உங்களுக்கு இலவசமாக பரிணாம் கணிதம் கற்றுக் கொடுக்க முடிவு செய்டுவிட்டேன்!!!!!!!!!!!//

    என் அறிவை சோதனையிடுவதற்கான இடம் இதுவல்ல. உங்கள் வாதத்தை மட்டும் கூறுங்கள், புரிந்து கொள்ளும் அறிவு இருந்தால் புரிந்து கொள்கிறேன்.
    எனக்கு இலவசமாக பரிணாம கணிதம் கற்றுக்கொடுக்க வேண்டும் என்ற ஆர்வத்திற்கு நன்றி

    ReplyDelete
  18. Daniel Dennett - Is Evolution an Algorithmic Process?
    Produced by:
    University of Washington
    November 19, 1998
    From the Series:
    Danz Lecture Series

    Description:
    Daniel Dennett discusses his research into Darwin's evolutionary theory of natural selection and describes its suggestion of evolution as an algorithmic process.

    Speaker(s):
    Daniel C. Dennett, Austin B. Fletcher Professor of Philosophy; director, Center for Cognitive Studies, Tufts University

    பரிணாம கணிதவியல் என்பது பரிணாம்த்தின் மாதிரி என்ற இந்த உரையை பாருங்கள்.பரிணாம கணிதவியலில் பணியாற்றும் நான் நான் முதல் ஆள் அல்ல. 1998ல் இந்த உரை வழங்கப்பட்டது.பூனை கண்ணை மூடிக் கொண்டால் உலகம் இருண்டு விடாது.
    http://saarvaakan.blogspot.com/2011/07/daniel-dennett-is-evolution-algorithmic.html

    ReplyDelete
  19. நண்பர் சார்வாகன்

    இதுவரை நீங்கள் Evolutionary Computation எவ்வாறு பரிணாமத்தை நிரூபிக்கிறது என்பதற்கான ஒரு ஆதாரத்தையும் தரவில்லை. நீங்கள் கொடுத்த வீடியோவும் பரிணாமம் ஒரு algorithm மூலமாக செயல்படுகிறது என்பதைப் பற்றி தான் கூறுகிறது. 'How Evolutionary Computation proves biological evolution ?' என்று கூறவில்லை.

    //பரிணாம கணிதவியலில் பணியாற்றும் நான் நான் முதல் ஆள் அல்ல. 1998ல் இந்த உரை வழங்கப்பட்டது.பூனை கண்ணை மூடிக் கொண்டால் உலகம் இருண்டு விடாது.//

    பரிணாம கணிதவியலில் பணியாற்றும் முதல் ஆள் நீங்கள் தான் என்று நான் எங்காவது கூறினேனா ?

    என்னுடைய முந்தைய கேள்விகளில் புரிதல் தவறு என்று கூறினீர்கள். எவ்வாறு என்று கூறினால் நல்லது. மீண்டும் கேட்கிறேன்.

    1. Evolutionary Computation மூலம் ஏற்கனவே உள்ள பண்புகளை சீர்படுத்த முடியுமே தவிர, புதிய பண்புகளை உருவாக்க முடியாது. எனவே அது பரிணாமத்திற்கு பொருந்தாது.

    2. GAக்களில் genotypeல் ஏற்படும் ஒவ்வொரு மாற்றமும் phenotypeல் மாற்றத்தை ஏற்படுத்தும். உயிரினங்களில் இவ்வாறு நிகழ்வதில்லை.

    3. Evolutionary computation ஆயிரிக்கணக்கான தவறான விடைகளுக்கு பிறகே சரியான விடையை தேர்ந்தெடுக்கும். பரிணாமமும் இவ்வாறு நிகழ்ந்தால் ஆயிரக்கணக்கான குறைபாடுள்ள உயிரினங்கள் கண்டெடுக்கப்படவேண்டும். அவை எங்கே ?

    ReplyDelete
  20. இன்னும் சில வேறுபாடுகள்

    Evolutionary computation ஏன் பரிணாமத்திற்கு (biological evolution) பொருந்தாது ?

    1. Genetic Algorithmsகளில் (GA) உள்ள genomeஇன் அளவு உயிரினங்களின் உள்ள genome விட மிகச் சிறியது. உயிரினங்களில் மிகச் சிறிய genomeஇன் அளவு 0.5 million base pairs. GAக்களில் உருவாக்கப்பட்டதில் மிகப்பெரியது 1800 bits மட்டுமே. இந்த 1800 bits ஒரு சிறிய enzymeஐ உருவாக்க மட்டுமே போதுமானது.

    2. GAக்களில் உள்ள Mutation Rate உயிரினங்களில் உள்ள Mutation Rateவிட பல மடங்கு அதிகம். உயிரின‌ங்களில் இவ்வளவு பெரிய அளவிற்கு Mutation நிகழ வாய்ப்பில்லை, நிகழ்ந்தால் அந்த உயிரினம் அழிந்துவிடும்.

    3.GAக்களில் சில குறிப்பிட்ட பண்புகளுக்கு மட்டுமே ஜீன்கள் உள்ளதால்,harmful mutation மூலம் அந்த பண்புகள் மட்டுமே பாதிக்கப்படும். உயிரினங்களில் ஏற்படும் harmful mutations genomeஇன் மற்ற‌ பகுதியையும் பாதிக்கும். எனவே GAக்களைவிட உயிரினங்களில் beneficial mutations ஏற்படும் வாய்ப்பு மிகக் குறைவு.

    4. GAக்களில் recessive genes கிடையாது. உயிரினங்களில் recessive genes உள்ளதால் ஒரு புதிய பண்பு உருவாகும் வாய்ப்பு குறைகிறது.

    5. உயிரினங்களில் உள்ள Polygeny (பல ஜீன்கள் சேர்ந்து ஒரு பண்பை கட்டுப்படுத்துவது), Pleiotropy (ஒரு ஜீன் பல பண்புகளை கட்டுப்படுத்துவது) போன்றவை GAக்களில் கிடையாது

    6. GAக்கள் ஒரு சில பண்புகள் உருவாகுவதை மட்டுமே சோதிக்கின்றன, உயிர் வாழ்தல் என்ற பிரச்சனை கிடையாது. ஆனால் சாதாரண பாக்டீரீயாக்களுக்கே நூற்றுக்கணக்கான பண்புகள் ஒரு சேர உருவானால்தான் உயிர்வாழ முடியும். எனவே இயற்கை தேர்வு மூலம் ஒரு பண்பு மாறுவதற்கான வாய்ப்பு குறைவு.

    http://www.trueorigin.org/geneticalgorithms1.asp

    இந்த கேள்விகளுக்கு உங்கள் புரிதல் தவறு என்று எளிமையாக யார் வேண்டுமானாலும் பதிலளிக்கலாம். இதைவிட ஒரு சிறந்த பதிலை உங்களிடமிருந்து எதிர்பார்க்கிறேன்.

    ReplyDelete
  21. http://www.rmit.edu.au/courses/014062


    Course Description

    Evolutionary computation is concerned with the use of simulated biological evolution to solve problems for which it can be difficult to write the programs using traditional methods. This course examines different models of evolutionary computation and the kinds of problems to which they can be applied

    ReplyDelete
  22. பரிணாம் செயல் பாட்டு முறை கணிதம் என்பது உயிரியல் பரிணாமம் எவ்வாறு நடை பெறுகிறதோ அது போன்ற மாதிரி வடிவமாகும்.அதாவது நடப்பதற்கு வாய்ப்பு குறைவான செயல் கூட சீரற்ற செயல்களில்(random operations) மூலம் நடக்கும் என்பதை நிரூபிக்கிறது.இதன் மூலம் சாதரண கால்குலஸ் முறைகளால் சூப்பர் கணிணிகளால் தீர்க்க முடியாத பிரச்சினைகளை எளிதாக் தீர்க்க முடியும்.
    கூட ஆகவே எளிய செல் உயிர்கள் மூலம் சிக்கலான(complex) அமைப்பு கொண்ட உயிர்கள் உருவாக முடியும் என்பது நிரூபிக்கப் படுகிறது.
    ஐ ஐ டி கான்பூரில் உள்ள ஜெனடிக் அல்காரிதம் ஆய்வகம்
    http://www.iitk.ac.in/kangal/projects.shtml

    மற்ற முறைகளால் செய்ய இயலாத கடினமான செயல்கலை பரிணாம் செயல்முறை கொண்ட எளிய இச்செயல்முறைகள் செய்கின்றன.

    இது பற்றி இன்னும் சில பதிவுகள் இடுவேன்.

    ReplyDelete
  23. /2. GAக்களில் உள்ள Mutation Rate உயிரினங்களில் உள்ள Mutation Rateவிட பல மடங்கு அதிகம். /

    1. GAக்களில் உள்ள Mutation Rate எவ்வளவு?

    2.உயிரினங்களில் உள்ள Mutation Rate எவ்வளவு?

    ReplyDelete
  24. //http://www.rmit.edu.au/courses/014062


    Course Description

    Evolutionary computation is concerned with the use of simulated biological evolution to solve problems for which it can be difficult to write the programs using traditional methods. This course examines different models of evolutionary computation and the kinds of problems to which they can be applied//

    இந்த கோர்ஸ் படித்தால்தான் Evolutionary computation எவ்வாறு பரிணாமத்தை நிரூபிக்கிறது என்று தெரிந்து கொள்ள முடியுமா ? தகவலுக்கு நன்றி.

    //கூட ஆகவே எளிய செல் உயிர்கள் மூலம் சிக்கலான(complex) அமைப்பு கொண்ட உயிர்கள் உருவாக முடியும் என்பது நிரூபிக்கப் படுகிறது.//

    எந்த ஆய்வகத்தில் நிரூபிக்கப்பட்டது ?

    ReplyDelete
  25. உயிரினங்களில் உள்ள Mutation rate
    பாக்டீரியா - 10 power −8 per base pair per generation
    மனிதர்களில் - ~1.1×10 power −8 per site per generation

    http://en.wikipedia.org/wiki/Mutation_rate

    GAக்களில் உள்ள Mutation rate - பல values கிடைக்கின்றன. eg: 0.001, 0,01, 1/L L=chromosome length, self-adaptation etc
    பல்வேறு ஆய்வுகள் நடந்து வருகின்றன. ஒரு ஆய்வுக்கட்டுரை அதிகமாக 5% லிருந்து 20% க்குள் இருக்க வேண்டும் என்ற கூறுகிறது. இத்துறை வல்லுனரான நீங்கள் இது பற்றி கூறலாம்.

    ஆனால் எந்த valueவும் உயிரினங்களில் ஏற்படும் mutation rate க்கு அருகில் கூட இல்லை. இவ்வளவு பெரிய mutation rate இருந்தால் உயிரினங்கள் உயிர் பிழைக்க வாய்ப்பு இல்லை.

    GAக்களில் சரியான Mutation rate பல ஆய்வுகளுக்கு பிறகு கண்டறியப்படுகிறது. இயற்கையும் இவ்வாறு ஆய்வு செய்து சரியான Mutation rateஐ கண்டறிந்ததா ?

    www.waset.org/journals/ijims/v2/v2-4-40.pdf
    ieeexplore.ieee.org/iel5/7012/18933/00875398.pdf

    ReplyDelete
  26. /இயற்கையும் இவ்வாறு ஆய்வு செய்து சரியான Mutation rateஐ கண்டறிந்ததா ?/
    yes.Possible things only happen

    ReplyDelete
  27. ம்யூட்டேஷன் இல்லாமலே கூட பரிணாம் கணிதம் இயங்க முடியும். என்பது தெரியுமா?.

    ReplyDelete
  28. /இயற்கையும் இவ்வாறு ஆய்வு செய்து சரியான Mutation rateஐ கண்டறிந்ததா ?/
    yes.Possible things only happen//

    கடவுள் நம்பிக்கை மாதிரி ,இயற்கை நம்பிக்கை ?

    ReplyDelete
  29. //ம்யூட்டேஷன் இல்லாமலே கூட பரிணாம் கணிதம் இயங்க முடியும். என்பது தெரியுமா?.//

    எனக்கு தெரியாது. ஆனால் mutation இல்லாமல் நிகழ்ந்தால் அது பரிணாம கணிதம் கிடையாது. Random mutations தான் பரிணாமத்தின் அடிப்படை.

    ReplyDelete
  30. /ஒரு ஆய்வுக்கட்டுரை அதிகமாக 5% லிருந்து 20% க்குள் இருக்க வேண்டும் என்ற கூறுகிறது. /

    1.இப்படி ஆய்வுக்கட்டுரை இருக்கவே முடியாது.ம்யூட்டெஷன் என்பது என்ன என்று தெரியாத பிதற்றல். 5% என்று எப்படி கண்க்கீடு செய்வது என்று தெரியுமா?.

    2.சென்னையில் மருத்துவராக் இருப்பதாக் கூறினீர்.பரிணாம் கணிதம் பெயர் போன் வாரம் தெரிந்து கொண்டீர்.கணிதம் பற்றி ஒன்றுமே தெரியாமல் முழுவதும் தவறாக கருத்து கூறி வருகிறீர்.

    3.இப்படி தவறு தவறாக் கூற வேண்டிய அவ்சியம் என்ன?

    4.முதலில் தெளிவாக இவிஷயத்தை கூறும்.
    பரிணாம் கணிதம் என்பது பரிணம்த்தின் மாதிரி என்பது ஆய்வுலக்ம் அறிந்த உண்மை.அதில் இருந்தே பெறப்பட்டது என்பதும் உண்மை. இத்னை மறுக்கிறீரா?

    ReplyDelete
  31. /எனக்கு தெரியாது. /
    அதுதான் எபபோதே தெரிந்து விட்டதே.பிறகு ஏன் நேரத்தை வீணடிக்கிறீர்கள்?

    ReplyDelete
  32. The results of the numerical experiments presented in this paper suggest that the best mutation rate for GAs lies between 5 and 20% while the population size should be less than 16

    Optimum population size and mutation rate for a simple real genetic algorithm that optimizes array factors ieeexplore.ieee.org/iel5/7012/18933/00875398.pdf

    ReplyDelete
  33. ieeexplore.ieee.org/iel5/7012/18933/00875398.pdf
    இந்த கட்டுரை தரவிறக்கம் செய்ய்வேண்டும் எனில் இந்த அமைப்பில்[IEEE] உறுப்பினராக் இருந்தால் மட்டுமே முடியும்.ஒரு மருத்துவருக்கு இதில் உறுப்பினராக் அவசியம் இல்லை.ஆக்வே நீர் ஒரு மத பிரச்சாரக் குழுவின் ஒரு அங்கம் என்பதும்.இதற்காக் பெரிய அள்வில வேலை நடக்கிறது என்பதும் நிரூபணம் ஆகிவிட்டது.
    *************
    வழக்கம் போல் பொய் சொல்லி மறுக்கப் போகிறீரா?

    ReplyDelete
  34. பாப்புலேஷன் 16 க்கு 0.001 ம்யூட்டேஷன் போதும்.இன்னும் குறைவாக் இருந்தால் கூட போதும்.ஆமாம் க்ராஸ் ஓவெர் பற்றி பேச மாட்டென் என்கிறீர் அது எவ்வளவு,இயற்கைத் தேர்வுக்கு எந்த முரை உபயோகப் படுத்தினார்கள்?

    ReplyDelete
  35. சார்வாகன் கொஞ்சம் நிதானமாக பேசுங்க.

    Abstract மட்டும் பார்ப்பதற்கு membership அவசியமில்லை

    ReplyDelete
  36. மிச்சம் கேள்விகளுக்கு பதில் சொல்லவும்

    ReplyDelete
  37. அந்த ஆய்வுக் கட்டுரை ஒரு குறிப்பிட்ட சூழ்நிலையில் மட்டும் சரி எப்போது?

    ReplyDelete
  38. Optimum population size and mutation rate for a simple real genetic algorithm that optimizes array factors
    ABSTRACT

    There has been an explosion of papers describing applications of a genetic algorithm (GA) to electromagnetics problems. Most of the work has followed traditional GA philosophy when choosing the population size and mutation rate of the genetic algorithm. This paper reports the results of experiments to determine the optimum population size and mutation rate for a simple real genetic algorithm. The choice of population size and mutation rate can cause the run time of the GA to vary by several orders of magnitude. The results of this investigation show that a small population size and relatively large mutation rate is far superior to the large population sizes and low mutation rates that is used by most of the papers presented in the electromagnetics community and by the GA community at large. The results of the numerical experiments presented in this paper suggest that the best mutation rate for GAs lies between 5 and 20% while the population size should be less than 16

    ReplyDelete
  39. இது ஒரு பெரிய கடல்.அப்ஸ்ராக்ட் படித்து எல்லாம் விவாதிக்க முடியாது.
    சொல்ல வருவதை தெளிவாக் சொல்லிவிட்டால் பிரச்சினை முடிந்தது?
    என்ன சொல்ல வருகிறீர்?

    1.பரிணாம கணிதம் த்வறு.உபயோகம்ற்றது என்று கூறுகிறீரா? வெற்றிகரமாக் பயன்படுத்துகிறோம்.

    அல்லது

    2.பரிணாம் கணிதம் பரிணாம்த்தில் இருந்து பெறப்படவில்லை என்கிறீரா? ஆனால் கண்டுபிடித்த,பயன்படுத்தும் எல்லாரும் அப்ப்டித்தான் சொல்கிறார்கள்.

    அல்லது

    3.பரிணாம் கணிதம் உண்மையாக் இருந்தாலும் பரிணாமம் தவறு என்கிறீரா?
    இத்னை சொல்ல உரிமை உண்டு.

    ReplyDelete
  40. நான் கேட்ட கேள்விகள் அனைத்துக்கும் பதிலளித்து விட்டீர்கள் . என்ன தவறு என்றும் சுட்டி காட்டி விட்டீர்கள். நன்றி.

    conspiracy theoryக்கும் வாழ்த்துக்கள்.

    ReplyDelete
  41. /conspiracy theoryக்கும் வாழ்த்துக்கள்./

    *************
    பரிணாம்த்திற்கும் கடவுளுக்கும் பிரச்சினை ஒத்துக் கொள்கிறேன்.
    கடவுளை நம்புவோர் தொழில் பாதிக்கிறது.
    *****************************************************
    பரிணாம் கணிதத்திற்கும் சாதிக்கிற்கும் என்ன பிரச்சினை?.

    ReplyDelete
  42. Mutation (genetic algorithm)
    *******************
    From Wikipedia, the free encyclopedia
    ____________
    In genetic algorithms of computing, mutation is a genetic operator used to maintain genetic diversity from one generation of a population of algorithm chromosomes to the next. It is analogous to biological mutation.
    The classic example of a mutation operator involves a probability that an arbitrary bit in a genetic sequence will be changed from its original state. A common method of implementing the mutation operator involves generating a random variable for each bit in a sequence. This random variable tells whether or not a particular bit will be modified. This mutation procedure, based on the biological point mutation, is called single point mutation. Other types are inversion and floating point mutation. When the gene encoding is restrictive as in permutation problems, mutations are swaps, inversions and scrambles.
    The purpose of mutation in GAs is preserving and introducing diversity. Mutation should allow the algorithm to avoid local minima by preventing the population of chromosomes from becoming too similar to each other, thus slowing or even stopping evolution. This reasoning also explains the fact that most GA systems avoid only taking the fittest of the population in generating the next but rather a random (or semi-random) selection with a weighting toward those that are fitter.[1]
    For different genome types, different mutation types are suitable:
    Bit string mutation
    The mutation of bit strings ensue through bit flips at random positions.
    Example:

    1010010,turn to 1010110
    ___________
    The probability of a mutation of a bits is 1/l, where l is the length of the binary vector. Thus, a mutation rate of 1 per mutation and individual selected for mutation is reached.
    ___________

    //GAக்களில் உள்ள Mutation rate - பல values கிடைக்கின்றன. eg: 0.001, 0,01, 1/L //
    the probability of mutation is 1/L

    the rate of mutation is different.It is chosen by the nature(program).
    *********************
    In some evolutionary computations decaying mutations also used.i.e start with high to generate variety in population and decrease while generation progress.
    ***********
    We cannot assume that nature will heave constant mutation rate always.

    ReplyDelete
  43. //பரிணாம் கணிதத்திற்கும் சாதிக்கிற்கும் என்ன பிரச்சினை?.//

    ஒரு பிரச்சினையும் இல்லை. பரிணாம கணித துறையில் நீங்கள் பெரிய வல்லுனராக வாழ்த்துக்கள்.

    பரிணாம கணிதம் ஒரு வெற்றிகரமான துறை தான் ஒப்புக்கொள்கிறேன். ஆனால் அதை biological evolutionக்கு ஆதாரமாக காட்டாதீர்கள் என்றுதான் கூறுகிறேன். நான் பார்த்த வரையில் எந்தவொரு evolutionary computation தளமும் "Evolutionary computation proves biological evolution" என்று கூறவில்லை.

    ஆனால் நீங்கள் இந்த பதிவின் முதல் வரியில் "This mathematics is the proof for evolution." என்று கூறியுள்ளீர்கள். இதைத் தான் தவறு என்று கூறுகிறேன். Mathematics மூலம் பரிணாமத்தை புரிந்து கொள்ளலாம், ஆனால் நிரூபிக்க முடியாது.

    நான் ஏற்கனவே கொடுத்த இந்த சுட்டியைப் பாருங்கள்.

    http://jgap.sourceforge.net/doc/reality.html ஒரு பரிணாம கணித தளம் தான் இது.

    "A Genetic Algorithm is an idealized model of processes and structures occurring in nature. It is by no means meant to follow or copy nature completely. To clarify this partial plagiarism, here are some few examples......

    ....As it is not intended copying nature transparently, we are free in implementing a Genetic Algorithm as it seems most reasonable. Aspects involved in judging what could be reasonable are ease of use, capability and performance (time, memory, convergence). "

    அதாவது ஒரு GA இயற்கையை முழுமையாக நகல் எடுக்க தேவையில்லை. இது இயற்கையின் ஒரு complete model அல்ல.

    பரிணாம கணிதத்தின் methods evolutionary theoryலிருந்து எடுக்கப்பட்டிருக்கலாம், ஆனால் அதை உபயோகமுள்ளதாக ஆக்க பல்வேறு fine tuning செய்யப்பட்டிருகிறது. உதாரணமாக ஒவ்வொரு GAக்கும் ஒரு பிரத்யேகமான fitness-function தயாரிக்கப்படுகிறது. இதுவே இந்த GAவின் வெற்றியின் அடிப்படை. ஆனால் இயற்கை தேர்வு கோட்பாடுபடி, எல்லா உயிரினங்களுக்கும் ஒரே fitness-function தான், அதாவது "to survive and reproduce". இந்த ஒரே fitness-function உயிரினங்களின் எல்லா கேள்விகளுக்கும் விடையளிக்குமா என்பது கேள்விக்குறியே.

    GAக்கும் உயிரினங்களுக்கும் உள்ள மற்ற வேறுபாடுகளை ஏற்கனவே பட்டியலிட்டுள்ளேன். அதில் எதையும் நீங்கள் மறுக்கவில்லை. ஆனால் புரிதல் தவறு என்று கூறிவிட்டீர்கள்.

    Mutation Rateஐப் பற்றி இதற்குமேல் பேச எதுவுமில்லை.

    குறைபாடுள்ள உயிரினங்கள் எங்கே என்று கேட்டேன். பதில் இல்லை.



    உயிரினங்கள் இந்த GAக்களைவிட ஆயிரக்கணக்கான மடங்கு more complex. எனவே GAக்களில் நடப்பதெல்லாம் உயிரினங்களில் நடக்கும் என்று கூற முடியாது.

    பரிணாம கணிதம் பல துறைகளில் உபயோகப்படுத்தப்படுகிறது. ஆனால் அதைக்கொண்டு பரிணாமத்தை நிரூபிக்க முடியாது. Biological evolutionஐ ஒரு biological systemமில் மட்டுமே நிரூபிக்க முடியும். இதுதான் என்னுடைய கருத்து

    ReplyDelete
  44. /உயிரினங்கள் இந்த GAக்களைவிட ஆயிரக்கணக்கான மடங்கு more complex. எனவே GAக்களில் நடப்பதெல்லாம் உயிரினங்களில் நடக்கும் என்று கூற முடியாது. //

    நடக்கிறது என்பது என் கருத்து மட்டுமல்ல பல அற்வியலாளர்களின் கருத்து.இக்கருத்திற்கு எதிரான்வர்கள் மதவாதிகள் மட்டுமே!!!!!!!!!.

    மத(ட) புத்தகத்தில் கூறுவது எல்லாம் உண்மை என்று எந்த ஆதாரமும் இல்லாமல் நம்பும் போது மாதிரி கொண்டு நம்புவதில் தவ‌றில்லை.
    __________
    //Biological evolutionஐ ஒரு biological systemமில் மட்டுமே நிரூபிக்க முடியும். இதுதான் என்னுடைய கருத்து/
    இன்னும் இதற்கும் எளிய biological systemமில் ஆய்வக நிரூபணம் நிச்சயம் வரும் என்பது என் கருத்து.எவ்வளவோ செய்தாகி விட்டாலும் இன்னும் பல படிகள் கடக்க வேண்டியுள்ளது.

    ReplyDelete