Affirmation 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.

Source:

Dembski, William A., 1999. Pourquoi les algorithmes évolutionnistes ne peuvent pas générer une complexité spécifiée. Metaviews 152 (nov. 1). (www.meta-list.org). http://www.leaderu.com/offices/dembski/docs/bd-algorithms.html

Réponse :

  1. La fonction d'aptitude des algorithmes génétiques n'a pas besoin d'inclure toute nouvelle information. Une fonction d'aptitude peut être exprimée en termes de performance supérieure ou inférieure de l'algorithme dans un environnement particulier. La seule information est fournie par l'environnement, qui est généralement modélisé sur le monde réel. L'affirmation n'a de sens que si le dessein est défini comme ce qui existe déjà dans la nature.

    On peut soutenir que la nature et le dessein sont inséparables (et Dembski semble faire exactement ce type d'argument ; Dembski 2002, xiv), mais cela invalide l'argument du dessein. Le dessein n'a de sens que s'il est contrasté avec le non-dessein, et définir le dessein comme toute la nature rend le non-dessein inexistant.

  2. Les algorithmes génétiques parviennent souvent à des solutions novatrices qui dépassent parfois même les conceptions humaines directes (Koza et al. 2003) et qui ne reposent pas sur l'expertise humaine (Chellapilla et Fogel 2001). Les humains peuvent avoir indiqué aux algorithmes quoi faire, mais c'est le comment qui définit le dessein.

  3. Les algorithmes génétiques ne sont pas des simulations évolutives parfaites car ils ont un objectif prédéfini utilisé pour calculer l'aptitude. Ils démontrent la puissance de la variation aléatoire, de la recombinaison et de la sélection pour produire des solutions novatrices à des problèmes, mais ils ne constituent pas une simulation complète de l'évolution (et ne sont pas destinés à l'être). Dans les simulations de l'évolution biologique, l'aptitude est évaluée uniquement localement ; la survie et la reproduction reposent uniquement sur des informations concernant les conditions locales, et non sur des objectifs ultimes. Cependant, les simulations démontrent que les pics d'aptitude distants seront atteints s'il existe des conditions d'aptitude intermédiaire (Lenski et al. 2003). Les processus évolutifs ne « cherchent » pas. Ils répondent uniquement à la topographie locale de l'aptitude. Le fait que l'évolution (occasionnellement) atteigne des pics d'aptitude est un sous-produit de l'évolution sur des paysages d'aptitude corrélés en utilisant une évaluation d'aptitude purement locale, et non un résultat intentionnel.

Liens :

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

Références :

  1. Chellapilla, K. et D. B. Fogel, 2001. Évolution d'un programme expert de jeu de dames sans utiliser l'expertise humaine. 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 et Matthew J. Streeter, 2003. Évolution d'inventions. Scientific American 288(2) (fév.) : 52-59.
  4. Lenski, R. E., C. Ofria, R. T. Pennock et C. Adami, 2003. L'origine évolutive de caractéristiques complexes. Nature 423: 139-144. http://myxo.css.msu.edu/papers/nature2003/ Voir également : National Science Foundation, 2003. Les expériences sur la vie artificielle montrent comment des fonctions complexes peuvent évoluer. http://www.sciencedaily.com/releases/2003/05/030508075843.htm
Affirmation précédente : CF010   |   Liste des affirmations   |   Affirmation suivante : CF011.1
créé le 14-4-2003, modifié le 31-7-2005