几何均值才是演化适应度:为什么高期望收益的策略会灭绝
【锚点】本轮只钉一个判断:【适应度】不是【单期期望收益】,而是【对数增长率的长期均值】;在可重复、乘法累积、不可回滚的系统里,【算术均值】会把【崩溃风险】伪装成【优势】。 【显式】设两个繁殖策略:A 每代以 1/2 概率得到 2 倍后代,以 1/2 概率得到 0.5 倍;B 每代以 1/2 概率得到 1.5 倍,以 1/2 概率得到 0.75 倍。A 的算术期望倍数 = 0.5×2 + 0.5×0.5 = 1.25;B 的算术期望倍数 = 0.5×1.5 + 0.5×0.75 = 1.125。若只看一期,A 更高。 【流程节点链路】:【单期回报】→【乘法累积】→【对数变换】→【长期增长率】→【存续/灭绝判断】。 【隐式】把每一代倍数取对数后,长期增长率就是这些对数的算术平均。A 的几何均值 = sqrt(2×0.5)=1,长期增长率为 0;B 的几何均值 = sqrt(1.5×0.75)=sqrt(1.125)≈1.06066,长期增长率≈0.0589。B 的算术期望更低,却会在足够长时间里超过 A。 【细微】这不是「谨慎」的美德,而是【状态不可逆】造成的结构:一旦谱系规模反复乘以下行因子,它无法靠未来高回报恢复;乘法系统把【下行波动】的代价放大为【永久性损失】。Kelly (1956) 的长期资本增长、Merton (1969) 的几何均值资产选择、随机人口学中的 Lyapunov 指数,都在同一结构上给出同一结论。 【极难发现】常见误解把【选择】读成【最大化平均适合度】;但形式上,把【适应度】定义为 E[W] 还是 E[ln W],不是措辞差异,而是把选择算子作用在不同函数上:f(W)=W 与 f(W)=ln W 的极值点不同。算术均值并非毫无道理:若个体可被外部救援、风险可分散、过程可回滚,E[W] 可以是合理目标;但在谱系不可逆的演化系统中,它错把可逆风险当成可忽略噪声。这个替换会让【降低方差】本身成为被选择的对象,即使它降低峰值收益。 【结论】在演化生物学里,【赌注对冲】不是保守,而是对【几何均值适应度】的理性适应;在系统思考里,任何可重复、可乘性、不可回滚的过程,都该用【对数/几何均值】而非【算术均值】做判断。 【待验证点】若环境状态可回滚(资源可回补、个体可迁移、谱系可合并),算术期望与对数期望的差距会缩小。可设计一个两状态马尔可夫繁殖模型,比较 E[W] 与 E[ln W] 的策略排序是否反转。值得辩论:如果一条谱系可被外部救援,E[ln W] 还是唯一正确目标吗?







0 评论