Simulación computacional del efecto Baldwin en un modelo depredador-presa-artificial

Las teorías de Lamarck, Darwin, y el efecto Baldwin involucran conceptos naturales como la evolución y el aprendizaje. La computación, por medio de técnicas computacionales ha tratado de simular el comportamiento natural para entenderlo y también para usarlo como inspiración para automatizar procesos que involucran clasificación y optimización. Técnicas como algoritmos genéticos y redes neuronales son herramientas de la computación que nos pueden ayudar a simular dicho comportamiento. En este trabajo utilizamos los algoritmos genéticos para optimizar el movimiento que provocan los pesos de la red neuronal de las presas ~n un s1muiador del efecto Baldwin v poder comprobar así la hipótesis de que el aprendizaje guía la evolución. La teoría de Lamarck establece que el aprendizaje se codifica en el material genético, la teoría de Darwin surge en oposición a la teoría de Lamarck y afirma que el aprendizaje no se codifica en el material genético. En cambio, la teoría del efecto Baldwin relaja esta dicotomía ya que nos dice que el aprendizaje guía la evolución por medio del proceso de asimilación genética. Han existido algoritmos computacionales basados en estas tres teorías. Nuestro objetivo es comprobar la hipótesis de que el postulado del efecto Baldwin es válido y que los algoritmos evolutivos en los pesos de una red neuronal son una alternativa viable de optimización y clasificación para un sistema depredador-presa artificial. En el simulador depredador-presa, las presas y el depredador habitarán en una malla bidimensional y toroidal. Las presas y el depredador estarán representados por triángulos para poder observar mejor su movimiento y dirección. Internamente, cada presa está representada por una red neuronal de cinco capas de entrada, dos capas intermedias y tres capas de salida. Esto hace que la red neuronal tenga 16 conexiones o pesos que van a ponderar las entradas o percepción para poder realizar salidas que indican el movimiento a realizar. Se generó un algoritmo genético que va a evolucionar los pesos de dichas presas con una función de aptitud que depende del medio ambiente y se realizó un algoritmo de aprendizaje que modifica los pesos resultado de la evolución. Después se observaron los resultados e implicaciones de ambos algoritmos. Efectivamente, los resultados experimentales confirman la validez de la hipótesis de que el aprendizaje guía la evolución del comportamiento de escape en un ambiente depredador-presa. También se comprueba que los algoritmos evolutivos con aprendizaje son mejores que los solamente evolutivos en cuanto a optimización para un sistema depredador-presa se refiere. En este trabajo solamente nos enfocamos a las presas, por lo que sería interesante evaluar los procesos de coevolución también evolucionando los depredadores y observar los resultados.