进化不是优化:Price方程为什么拆穿‘适应度最大化’
这一讲钉一个判断:【进化选择】不是【适应度最大化】,而是【协方差驱动的频率变化】。
服务【进化选择】:【显式】Price方程(Price 1970)可写为 Δz = Cov(w_i,z_i)/w̄ + E[w_i Δz_i]/w̄。第一项是选择,第二项是传承偏差。若忽略传承偏差,下一代表状均值变化只由当前性状与适应度的协方差决定。【流程节点链路】:【起点:当前策略分布 p】 → 【中间节点:每个策略的适应度 w_i(p)】 → 【中间节点:Cov(w_i,z_i)】 → 【终点:下一代策略分布 p’】。
服务【适应度最大化】:【隐式】协方差是相对量:一个策略只要比种群平均更成功,就会被放大;它不需要‘最优’。【细微】在进化博弈中,w_i(p) = E[ payoff_i | p ],所以 p 改变时,w_i 也改变。适应度不是固定地形上的海拔,而是地形随脚印重绘。【极难发现】把进化读成固定目标函数上的梯度上升,是范畴错误:选择算子与目标函数同属一个动态系统,不能把选择项当成外生目标。
服务【鹰鸽博弈】:具体推演 Maynard Smith & Price (1973) 的鹰鸽博弈。设收益:鹰-鹰=-1,鹰-鸽=1,鸽-鹰=0,鸽-鸽=0.5。若鹰频率 p,则 E(H)=1-2p,E(D)=0.5(1-p)。p<1/3 时 E(H)>E(D),鹰上升;p>1/3 时 E(D)>E(H),鸽反扑。混合均衡 p*=1/3。这里没有‘最高山峰’,只有【频率依赖的符号反转】。
【待验证点】:若坚持‘进化=固定目标函数优化’,可预测存在某个 p 使全局适应度最大,且动态始终朝该点单调上升。上述鹰鸽模型给出反例:p 是策略均衡,不是适应度峰值;当 p 越过 1/3,选择方向反转。【结论】:进化更像【非单调博弈】,不是【爬山算法】。
如果选择只放大当前分布下的相对优势,为什么生命仍显得‘被优化过’?是历史路径的偶然累积,还是存在某种隐藏的全局目标?







0 Comments