Afirmación CF011:

Genetic algorithms are claimed to demonstrate that evolutionary processes can create design, but in such algorithms, the design is smuggled in in the form of the fitness function. Evolutionary algorithms do not create specified complexity.

Fuente:

Dembski, William A., 1999. Por qué los algoritmos evolutivos no pueden generar complejidad especificada. Metaviews 152 (1 de nov.). (www.meta-list.org). http://www.leaderu.com/offices/dembski/docs/bd-algorithms.html

Respuesta:

  1. La función de aptitud de los algoritmos genéticos no necesita incluir ninguna nueva información. Una función de aptitud puede expresarse como si el algoritmo funciona mejor o peor en un entorno particular. La única información es proporcionada por el entorno, que usualmente se modela sobre el mundo real. La afirmación solo tiene sentido si el diseño se define como lo que ya existe en la naturaleza.

    Uno puede argumentar que la naturaleza y el diseño son inseparables (y Dembski parece hacer exactamente tal argumento; Dembski 2002, xiv), pero esto invalida el argumento del diseño. El diseño solo tiene significado si se contrasta con no-diseño, y definir el diseño como toda la naturaleza hace que el no-diseño sea inexistente.

  2. Los algoritmos genéticos a menudo llegan a soluciones novedosas que a veces incluso superan los diseños humanos directos (Koza et al. 2003) y que no dependen de la experiencia humana (Chellapilla y Fogel 2001). Los humanos pueden haber dicho a los algoritmos qué hacer, pero es el cómo lo que define el diseño.

  3. Los algoritmos genéticos no son simulaciones evolutivas perfectas en el sentido de que tienen un objetivo predefinido que se utiliza para calcular la aptitud. Demuestran el poder de la variación aleatoria, la recombinación y la selección para producir soluciones novedosas a problemas, pero no son una simulación completa de la evolución (y no están destinados a serlo). En las simulaciones de la evolución biológica, la aptitud se evalúa solo localmente; la supervivencia y la reproducción se basan solo en información sobre las condiciones locales, no en objetivos finales. Sin embargo, las simulaciones demuestran que se alcanzarán picos de aptitud distantes si existen condiciones de aptitud intermedia (Lenski et al. 2003). Los procesos evolutivos no "buscan". Solo responden a la topografía local de la aptitud. El hecho de que la evolución (ocasionalmente) alcance picos de aptitud es un subproducto de evolucionar en paisajes de aptitud correlacionados utilizando una evaluación de aptitud puramente local, no un resultado intencional.

Enlaces:

Marczyk, Adam, 2004. Genetic algorithms and evolutionary computation. http://www.talkorigins.org/faqs/genalg/genalg.html

RBH. 2003. Untitled. (5 July). http://www.iscid.org/boards/ubb-get_topic-f-6-t-000384.html#000013

Referencias:

  1. Chellapilla, K. y D. B. Fogel, 2001. Evolucionar un programa experto de ajedrez sin utilizar experiencia humana. IEEE Transactions on Evolutionary Computation 5: 422-428. http://www.natural-selection.com/Library/2001/IEEE-TEVC.pdf
  2. Dembski, William A., 2002. No Free Lunch, Lanham, MD: Rowman & Littlefield.
  3. Koza, John R., Martin A. Keane y Matthew J. Streeter, 2003. Inventos evolucionados. Scientific American 288(2) (feb.): 52-59.
  4. Lenski, R. E., C. Ofria, R. T. Pennock y C. Adami, 2003. El origen evolutivo de características complejas. Nature 423: 139-144. http://myxo.css.msu.edu/papers/nature2003/ Véase también: National Science Foundation, 2003. Experimentos de vida artificial muestran cómo pueden evolucionar funciones complejas. http://www.sciencedaily.com/releases/2003/05/030508075843.htm
Afirmación anterior: CF010   |   Lista de afirmaciones   |   Siguiente afirmación: CF011.1
creado 2003-4-14, modificado 2005-7-31