Alegação 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.

Fonte:

Dembski, William A., 1999. Por que algoritmos evolutivos não podem gerar complexidade especificada. Metaviews 152 (1 de nov.). (www.meta-list.org). http://www.leaderu.com/offices/dembski/docs/bd-algorithms.html

Resposta:

  1. A função de aptidão dos algoritmos genéticos não precisa incluir nenhuma nova informação. Uma função de aptidão pode ser expressa como se o algoritmo performa melhor ou pior em um determinado ambiente. A única informação é fornecida pelo ambiente, que geralmente é modelado com base no mundo real. A alegação faz sentido apenas se o design for definido como o que já existe na natureza.

    Pode-se argumentar que a natureza e o design são inseparáveis (e Dembski parece fazer exatamente esse argumento; Dembski 2002, xiv), mas isso invalida o argumento do design. O design só tem significado se contrastado com o não-design, e definir o design como toda a natureza torna o não-design inexistente.

  2. Algoritmos genéticos frequentemente chegam a soluções novas que às vezes até superam designs diretos humanos (Koza et al. 2003) e que não dependem da expertise humana (Chellapilla e Fogel 2001). Os humanos podem ter dito aos algoritmos o que fazer, mas é o como que define o design.

  3. Algoritmos genéticos não são simulações evolutivas perfeitas no sentido de que possuem um objetivo predefinido usado para calcular a aptidão. Eles demonstram o poder da variação aleatória, recombinação e seleção para produzir soluções novas para problemas, mas não são uma simulação completa da evolução (e não são destinados a sê-lo). Em simulações da evolução biológica, a aptidão é avaliada apenas localmente; a sobrevivência e a reprodução baseiam-se apenas em informações sobre condições locais, não em objetivos finais. No entanto, as simulações demonstram que picos de aptidão distantes serão alcançados se houver condições de aptidão intermediária (Lenski et al. 2003). Os processos evolutivos não "buscam". Eles respondem apenas à topografia local de aptidão. O fato de que a evolução (ocasionalmente) alcança picos de aptidão é um subproduto da evolução em paisagens de aptidão correlacionadas usando avaliação de aptidão puramente local, não um resultado intencional.

Links:

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

Referências:

  1. Chellapilla, K. e D. B. Fogel, 2001. Evoluindo um programa de xadrez especialista sem usar experiência 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 e Matthew J. Streeter, 2003. Inventos evoluídos. Scientific American 288(2) (fev.): 52-59.
  4. Lenski, R. E., C. Ofria, R. T. Pennock e C. Adami, 2003. A origem evolutiva de características complexas. Nature 423: 139-144. http://myxo.css.msu.edu/papers/nature2003/ Veja também: National Science Foundation, 2003. Experimentos de vida artificial mostram como funções complexas podem evoluir. http://www.sciencedaily.com/releases/2003/05/030508075843.htm
Alegação anterior: CF010   |   Lista de alegações   |   Próxima alegação: CF011.1
criado 2003-4-14, modificado 2005-7-31