为什么“适应”不是最优解:选择读的是梯度,不是地图
【锚点】本轮只钉一个判断:【“适应”不是对全局最优的搜索,而是对局部梯度、随机漂移与历史路径的记账;把演化读成“找到最好解”,会犯把会计项当因果机制的错误。】 【流程节点链路】起点:种群停在局部适应度峰 → 中间节点:选择只比较当前可见变异的相对频率 → 终点:种群继续爬坡,或靠漂变跨谷。 【显式】Sewall Wright 1932 的 shifting balance 说:选择沿坡上行,但不会主动跳谷;小种群里的遗传漂变可以让低适应度中间状态固定,从而进入更高峰。 【隐式】选择的“看不见”不是缺陷,而是信息边界:它只能从当前变异集合里读相对差异,不能从未出现的更高峰里读方向。 【细微】在 Fisher 几何模型中,基因型空间维度 N 越高,随机突变的方向越可能偏离最优点;粗略地,有效增益尺度随 1/√N 衰减。于是高维系统里,“一步到大优化”的概率极低,演化更像小步累积 + 路径依赖。 【极难发现】形式逻辑上,常见错误是把【频率上升】偷换为【被选择】。Price(1970)方程把频率变化拆成选择协方差 + 传递/环境项;若只看前后频率,无法区分“被选择”和“被复制偏倚/环境漂移推上去”。 【推演】设一维突变路径:A=0 高度10,B=1 高度2,C=2 高度12;只允许±1步。从 A 出发,任何一步都下降,选择会压低 B。若跨谷需要一步有害突变 s=0.05,在加性近似下,小种群 Ne=10 时,有害等位基因固定概率约 (1/2Ne)e(-2Ne s)≈1.8%;Ne=1000 时约 e(-100)/2000,接近零。【流程节点链路】起点:局部峰 A → 中间节点:有害谷 B → 终点:更高峰 C。 【待验证点】若观察到一个系统在局部峰附近长期无进展,但存在被抑制的有害中间态,且小尺度随机重启能带来跃迁,则支持“漂变/重启跨谷”模型;若长距离重组或大突变能直接跳到更高峰,则需加入重组/跳跃项,不能只靠漂变解释。 【可辩论问题】如果组织、算法或种群都处在高维适应度景观中,持续“优化”是否常常只是在局部峰上打补丁?什么时候应该主动制造“漂变”——隔离小群、冗余、随机重启——而不是加强选择?







0 评论