Klasiski ar evolūciju saprot populācijas attīstību daudzās paaudzēs pēc principa – piemērotākais izdzīvo. Pazīstami arī koevolūcijas mehānismi, kur dažādas sugas paātrina viena otras evolūciju noteiktā virzienā, jo attīstās paralēli, vai nu konkurējot viena ar otru, vai sadarbojoties un izmantojot viena otras resursus. Tomēr, lai nu kā, bet evolūcija paredz daudzu paaudžu nomaiņu, līdz dabiskās atlases ceļā attīstās dzīvei piemērotāks indivīds. Indivīda dzīves laikā iegūtās īpašības un prasmes parasti tiek asociētas ar apmācību un pieredzes gūšanu, nevis ar evolūciju tās klasiskajā izpratnē. Tomēr lietas nevar būt tik strikti nodalītas, gan analizējot tās no iemiesojošā subjekta puses, gan no sagaidāmā rezultāta puses.
Tā, piemēram, par idejām, teorijām, ražošanas tehnoloģijām vai uzvedības modeļiem arī var teikt, ka tās dzimst, attīstas, mainās, konkurē savā starpā un – vai nu izdzīvo vai mirst. Tomēr tās, kas dzīvo vai mirst, ir tikai idejas vai modeļi, nevis dzīvi un materiāli subjekti, kas šīs idejas iemieso, rada un nes. Dažādas idejas vai rīcības modeļi var dzimt, mainīties, tikt saglabāti vai atmesti un rezultātā sekmīgi evolucionēt arī viena indivīda dzīves laika ietvaros, vai, piemēram, vienas sabiedrības ietvaros tās pastāvēšanas laikā.
Analizējot evolūciju un mācīšanos no dzīvā un materiālā subjekta puses, arī varam konstatēt, ka tas, ko esam paraduši uzskatīt par vienu un nedalāmu indivīdu, īstenībā var sastāvēt no daudzām apakšsistēmām un apakšsistēmu apakšsistēmām, no kurām vismaz dažas ir nepārprotami dzīvas un, tātad, subjekti paši par sevi, bet daudzas citas par tādām var uzskatīt. Līdz ar to kļūst skaidrs, ka evolūciju nav iespējams tik vienkārši nodalīt no apmācības, kā tas pirmajā brīdī šķiet. Indivīda dzīves laikā var nomainīties un, tātad, sekmīgi evolucionēt daudzas tā apakšsistēmu paaudzes, indivīdam kā tādam nomināli nemainoties. Līdz ar to starp evolūciju un apmācību vairs nevaram novilkt tik redzamu nodalošu līniju. Kas attiecībā uz aplūkojamo subjektu šķiet esam tā apmācības un dzīves pieredzes rezultāts, var būtībā veidoties kā tā apakšsistēmu daudzu paaudžu klasiskās evolūcijas rezultāts.
Šis novērojums var tikt attiecināts uz jebkuriem sarežģītiem veidojumiem, vienalga, vai tās būtu dzīvas būtnes, sabiedrības, ekosistēmas, vai, piemēram, daudzaģentu sistēmas un to datormodeļi. Tā piemēram, sabiedrībā kā veselā var dzimt dažādas grupas, idejas vai uzvedības modeļi, kas var attīstīties, izplatīties, pavairoties, modificēties un – vai nu izdzīvot vai mirt, bet sabiedrība kā tāda turpina pastāvēt. Tātad sabiedrībai kā veselumam nebūt nav jāiet bojā, lai tā attīstītos, tai skaitā izmantojot klasiskās evolūcijas principus. Pietiek, ka klasiskā evolūcija strādā attiecībā uz sarežģītas sistēmas atsevišķām sastāvdaļām.
Līdzīgus mehānismus var saskatīt arī cilvēka nervu sistēmas, īpaši smadzeņu attīstībā viena indivīda dzīves laikā. Par nervu šūnām un to savienojumiem zināms, ka indivīda dzīves laikā, un it īpaši bērnībā, tie veidojas daudz vairāk nekā nepieciešams pieaugušam indivīdam. Bērnam neironu un to savienojumu var būt pat divreiz vairāk nekā pieaugušam cilvēkam. No tiem izdzīvo veiksmīgākie, tie, kas piedalās signālu apstrādē. Pārējie, nesaņemot vitāli nepieciešamos neirotrofos ķīmiskos signālus, atmirst, un to vietā atkal tiek radīti jauni. Tas attiecas kā uz nervu šūnām, tā uz to savstarpējiem savienojumiem - sinapsēm. Šī parādība – nervu šūnu un to savienojumu sākotnējā pārprodukcija un nestrādājošo vēlāka atmešana, ir dabā tik plaši un atkārtoti novērota, ka var tikt uzskatīta par mērķtiecīgi pielietotu metodi. Tātad, izrādās arī attiecībā uz indivīda smadzeņu šūnām un to savienojumiem mēs varam runāt par kaut ko līdzīgu klasiskajai evolūcijai, bet attiecībā uz indivīdu kā veselu – par viņa apmācīšanos dzīves laikā.
Izskatās ticami, ka attīstība, kas izpaužas kā apmācības un apakšsistēmu evolūcijas paralēla un sekmīga sadarbība, vienlīdz labi strādā visdažādākās kompleksās sistēmās, neatkarīgi no to lieluma un materiālā iemiesojuma. Izskatās ticami, ka līdzīgi mehānismi var tikt izmantoti attīstības veicināšanai arī mākslīgi radītās un ārēji ļoti atšķirīgās sistēmās. Īsu ieskatu par mākslīgo intelektu lasi Vikipēdijā, LIIS projektā un Sakaru Pasaulē.
Vēl viena būtiska nianse, kas raksturīga dzīvu būtņu un dzīvotspējīgu kompleksu sistēmu attīstībai, ir, ka tās parasti attīstās, patērējot vitāli svarīgus, no ārienes pievadītus resursus. Vienalga, vai tā būtu saules enerģija, barība, nauda vai citi resursi, sistēmas bieži attīstās patērējot šos resursus, apmainoties ar tiem un tos citādi izmantojot. Šiem resursiem un to sadalei, šķiet, piemīt arī ļoti būtiska informatīva un signalizējoša loma. Piemēram, naudai un cenām ekonomikas sistēmās ir ļoti svarīga signalizējoša loma, kas to dalībniekiem norāda, kuras preces vai pakalpojumus nepieciešams ražot, cik lielā apjomā un, pats svarīgākais, – kuri no ekonomiskās aprites subjektiem ir sekmīgāki par citiem, un tātad pelnījuši vairāk sabiedrības resursu un uzmanības. Dzīvās būtnēs par signalizatoriem mēdz kalpot speciālas ķīmiskas vielas, kas informē dzīvu būtni vai nu par sekmīgi paveiktu uzdevumu, radot apmierinājuma sajūtu vai taisni otrādi - par tūlītēju mobilizāciju prasošām situācijām (adrenalīns).
Līdz ar to, meklējot ceļus kā veidot attīstīties spējīgu mākslīgu indivīdu, piedāvāju arī datorā to modelēt kā daudzaģentu sistēmu, kuras atsevišķas sastāvdaļas tiek pakļautas evolūcijai līdzīgiem mehānismiem - nepārtrauktai cīņai par ierobežotiem resursiem, konkurencei, sadarbībai un atlasei pēc principa – izdzīvo sekmīgākais. Pie tam būtiski, ka veiksmīgāko sastāvdaļu atlase notiek nevis pēc kādas globālas derīguma funkcijas, bet gan sistēmas sastāvdaļām apmainoties savā starpā ar ierobežota apjoma signālresursiem un sacenšoties savā starpā par to, kurš šos resursus uzkrās vairāk. Šajā sarežģītajā daudzaģentu sistēmā – organismā pat iespējams ieviest dažādus papildus signalizatorus, kas darbotos līdzīgi kā izsalkuma vai sāta sajūta, prieks par labi paveiktu darbu, vai arī sods un sāpes par neveiksmi. Svarīgi, ka šie signalizatori darbotos lokāli, bet būtu uzkrājami un summējami, un tikai to summa būtu proporcionāla sistēmas kopējam derīgumam vai veiktspējai.
Tādejādi šādi organizēta indivīda apmācībai tiktu pielietoti sadarbības, konkurences un evolūcijas mehānismi, līdzīgi tiem, kuri sekmīgi strādā sabiedrībā, ekonomikā, ekosistēmās un citās sarežģītās sistēmās. Šie mehānismi tiktu pielietoti viena indivīda dzīves laikā, bet šo indivīdu veidojošās sastāvdaļas - aģenti un aģentu grupas, iespējams, nomainītos paaudžu paaudzēm.
Ja uzdodam sev jautājumu – kādi mehānismi atbild par sabiedrības attīstību vai, piemēram, ekonomikas attīstību, un kas no tiem varētu tikt pielietots multiaģentu sistēmā, tad šķiet, ka varam sekmīgi izmantot tādas pazīstamas metodes kā:
1)sadarbība,
2)konkurence,
3)cīņa par ierobežotiem resursiem,
4)resursu uzkrāšana un izmantošana tālākas darbības nodrošināšanai,
5)sekmīgāko atbalstīšana un nesekmīgo pārprofilēšana,
6)atsevišķu indivīdu (apakšsistēmu vai aģentu) apbalvošana un sodīšana,
7)uzkrāto resursu lēna, bet automātiska samazināšanās (pašpatēriņš), lai sistēmas sastāvdaļas visu laiku tiktu motivētas uz aktīvu darbību.
Pielietojot šos principus, varam izveidot savas dzīves laikā attīstīties un mācīties spējīgu indivīdu, kura sastāvdaļas pakļautos klasiskajai evolūcijai un ar to saistītajai dabiskajai atlasei, bet indivīds kā vienots vesels attīstītos un pilnveidotos.
Mēģināsim šos principus attiecināt uz konkrētu multiaģentu sistēmu:
1) aģentiem jāsadarbojas, tas ir, regulāri jāpiedāvā kaut kādi resursi, signāli vai pakalpojumi citiem;
2) resursiem, ko aģenti saņem, jābūt proporcionāliem to sniegto pakalpojumu sekmēm un lietderībai;
3) resursiem jābūt ierobežotiem un aģentiem jācīnas par tiem, piedāvājot arvien labākus pakalpojumus;
4) sekmīgi strādājoši aģenti var uzkrāt resursus un izmantot tālākai savas darbības nodrošināšanai;
5) sekmīgi strādājoši aģenti, kas spējuši uzkrāt zināmus resursus, turpina strādāt, nesekmīgie tiek pamazām pārprogrammēti;
6) sekmīgi strādājoši aģenti saņem resursus kā samaksu, nesekmīgiem var likt maksāt soda naudas;
7) uzkrātie resursi visu laiku pamazām dilst (tiek patērēti dzīvošanai), līdz ar to aģentam ir aktīvi jāstrādā, lai sevi uzturētu.
Pēc būtības galvenā ideja ir – veidot attīstīties un mācīties spējīgu indivīdu kā daudzu atsevišķu aģentu un aģentu grupu sabiedrību, kurā darbotos kaut kas līdzīgs tirgus ekonomikas likumiem. Pastāvētu tikai daži vispārēji principi un noteikumi, cirkulētu tikai daži kopīgi signāli un resursi, bet atsevišķas sistēmas sastāvdaļas - aģenti - sadarbotos, konkurētu, cīnītos par šiem ierobežotajiem resursiem, piedāvājot derīgus pakalpojumus citiem, censtos uzlabot savu veiktspēju paši, meklētu citus sadarbības partnerus, un darītu visu ko citu, lai tikai izpildītu savu lokālo uzdevumu iespējami labāk, kas tiktu mērīts pēc aģenta par savu darbu saņemtajiem resursiem – samaksas.
Līdz ar to sistēmas atsevišķas sastāvdaļas nepārtraukti un patstāvīgi meklētu arvien jaunus ceļus un iespējas izpildīt uzdevumu iespējami labāk un pilnīgāk. Nevienai apakšsistēmai nebūtu jāzin nekas par veicamo uzdevumu kopumā. Informācija par sistēmas kopējo sekmīgo vai ne tik sekmīgo darbu izplatītos pieejamo aditīvo resursu formā. Sadarbības rezultātā resursi pirmkārt un lielākā apjomā nonāktu tieši pie sekmīgi strādājošām apakšsistēmām un atsevišķiem aģentiem, līdz ar to tie varētu izdzīvot un sekmīgi rekrutēt citus aģentus arvien sekmīgākai sava uzdevuma veikšanai.
Protams, nekas šādā organismā nebūtu stacionārs vai viegli prognozējams. Viss attīstītos un augtu drīzāk kā dzīvs organisms. Tāpat kā sekmīgi strādājoša dzīva būtne tiek pie barības, šādai simulētai dzīvībai tiktu piešķirti āreji resursi kā signāls par labi peveiktu darbu, sekmīgi atrisinātu uzdevumu vai vienkārši par labu uzvedību. Būtu iespējams ieviest arī paralēlos signālu kanālus, nododot papildus informāciju par sāpēm, risku, emocijām vai tamlīdzīgi.
Atsevišķiem aģentiem, to sekmīgiem darbības modeļiem, sekmīgi strādājošām aģentu grupām tiktu ļauts augt un vairoties. Nepārtraukti, dienu un nakti tiktu meklēti jauni un labāki dotā uzdevuma risināšanas varianti. Vienīgais, kas tiktu prasīts no operatora – pārdomāti noformulēt uzdevumu un kritērijus, pēc kuriem par uzdevuma izpildi tiktu piešķirti apbalvojumi, vai gluži otrādi – sods. Vēl, protams, būtu svarīgi pārdomāti noformulēt galvenos sistēmas darbības likumus, lai izvairītos no dažādām nevēlamām blakusparādībām.
Aģentus var veidot dažādus, ar dažādu iekšējo loģiku, īpašībām un sarežģītības pakāpi. Piemēram par aģentu var būt individuāls, simulēts neirons, kas veidots attālināti līdzīgi bioloģiskam neironam. Atsevišķu aģentu var veidot arī kā šādu neironu grupas. Vienkāršoti raugoties, simulēto neironu galvenās īpašības (spējas) būtu integrēt ienākošos signālus, pa ieejām un laikā, un salīdzināt iegūto rezultātu ar slieksni. Ja slieksnis tiek pārsniegts, neirons ierosinās un pats var nosūtīt signālus tālāk. Indivīdu var veidot kā brīvi konfigurējamu šādu neironu tīklu. Skat. Mākslīgie neironu tīkli.
Pieņemsim, ka katram neironam var būt līdz noteiktam skaitam ieeju un izeju. Noteiktā proporcijā ieejas var būt ierosinošas vai kavējošas. Līdz ar to, katrs neirons pēc noteiktas varbūtības tiecas nosūtīt signālu uz noteiktu skaitu citu neironu ieeju, un tāpat tiecas veidot ienākošos savienojumus ar noteiktu skaitu citu neironu izeju. Jaunizveidojamam izejošam savienojumam ar citu neironu būtu vajadzīga arī saņemošā neirona piekrišana. Ienākošam savienojumam būtu vajadzīga signālu dodošā neirona piekrišana tikai tad, ja par nepareizu signālu būtu paredzēts sods. Jaunu savienojumu vispār nevarētu veikt, ja jau būtu pārsniegts attiecīgā neirona izejas vai ieejas maksimālais sazarojums. Neirons varētu atteikties pieņemt jaunu ienākošo savienojumu arī tad, ja tas jau sekmīgi strādā, nodrošina sevi ar resursiem un nevēlas riskēt ar šī statusa zaudēšanu, pieļaujot jaunu ienākošu savienojumu ar nezināmām īpašībām.
Likumi, pēc kādiem jauns neirons veidotu savienojumus ar citiem neironiem, varētu būt ar daudzām variācijām, kuras varētu tikt pakļautas ģenētiskai optimizācijai. Vispārēji principi, tomēr, varētu būt tādi, ka jaunu savienojumu varbūtība ir atkarīga no:
1) neironu savstarpējā attāluma kādā uzdotā metrikā;
2) otra neirona sekmēm, kas mērītas kā vidējais pēdējā laika ienākumu līmenis;
3) savienojumu veida, t.i. izejošais vai ienākošais savienojums, kavējošs vai ierosinošs;
4) sekmīgi strādājoša cita neirona savienojumu parauga.
Likumi un savienojumu paraugi var būt dažādi dažādām neironu grupām, un labākie varētu tikt ņemti par paraugu citiem. Ja kāds neveiksmīgi strādājošs neirons tiktu pārprogrammēts, tas varētu tikt veidots pēc ģenētisko algoritmu metodēm, piemēram, aizņemoties savienojumu paraugus no kāda kaimiņos sekmīgi strādājoša neirona vai pat neironu pāra, tos krustojot.
Lai aprakstītu tālāku darbību, definēsim kas notiek, ja kāds no sistēmas neironiem tiek ierosināts. Protams, ierosināts neirons nodod signālu tālāk, citiem neironiem, ar ko tas ir izveidojis savienojumus. Ja signāls tiek nodots pa ierosinošo savienojumu, tad par katru noraidīto signālu neirons saņem samaksu, ja signāla saņēmējs rezultātā tiek ierosināts. Ja neironam ir izejošie kavējošie savienojumi, tad par katru noraidīto kavējošo signālu neirons saņem samaksu, ja signāla saņēmējs rezultātā netiek ierosināts. Samaksas apjoms būtu atkarīgs gan no attiecīgo signālu devēja, gan saņēmēja. Precīzi likumi vēl būtu jāizstrādā katram konkrētajam modelim, un arī varētu tikt pakļauti ģenētiskai optimizācijai, bet vispārējos vilcienos – jo labāk strādā saņēmējs neirons un rezultātā ir turīgāks, jo tas var atļauties maksāt vairāk par ienākošiem signāliem. Jo signāla devējs strādā labāk, un tam pēdējā laikā ir lielāki vidējie ienākumi, jo tas var atļauties prasīt vairāk. Rezultējošā samaksa varētu būt kā abu šo faktoru reizinājums vai citāda kombinācija, bet tie būtu tādi kā vienkārši ekonomikas likumi. Līdz ar to sistēmu veidojošie neironi arvien vairāk apkalpos tieši labāk strādājošos neironus, un sistēma kopumā strādās arvien sekmīgāk, jo samaksas kopējais līmenis nepārprotami nesīs informāciju par sistēmas veiktspēju kopumā un tāpat arī par tās atsevišķu sastāvdaļu veiktspēju. Tie būs tieši tie paši mehānismi, kas sekmīgi strādā cilvēku sabiedrībā, piemēram, ekonomikas ietvaros.
Vēl, pēc analoģijas ar ekonomiku, piešķirot resursus kā samaksu par sekmīgi piegādātu signālu, varētu tikt ņemts vērā vidējais ienākumu līmenis donora rajonā, bet tās jau ir detaļas. Jāņem arī vērā, ka tikai noteikta neliela daļa no neirona resursiem drīkstētu tikt izdalīta pa aktīvajām ieejām vienas iterācijas laikā. Rezultātā, ja neirons sekmīgi veic savu darbu un spēj uzturēt savus resursus tam rajonam pienācīgā līmenī, tas var mierīgi strādāt tālāk un pat nepieņemt jaunus ienākošos savienojumus, tas ir, nemainīties. Savukārt, ja neirons slikti veic darbu, un tā resursi noslīd zem pārējo neironu līmeņa tajā rajonā, neirons iet bojā un tiek pārprogrammēts, tas ir, sāk veidot jaunus savienojumus un meklēt jaunu vietu kopējā sistēmā.
Ja sistēma kopumā slikti veic darbu, un neironu resursi noslīd zem noteikta minimālā līmeņa, neironi iet bojā un tiek pārprogrammēti jebkurā gadījumā, pat ja kaimiņiem veicas tikpat slikti. Ja sistēma kopumā veic darbu ļoti labi, un neirona resursi ir virs noteikta optimālā līmeņa, neirons varētu netikt pārprogrammēts pat gadījumā, ja kaimiņiem veicas vēl labāk. Tas var novest pie apmācības apstāšanās un stagnācijas, bet to var sekmīgi regulēt, piemēram, palielinot resursu pašpatēriņa ātrumu.
Uzdevumi, kas šādai multiaģentu sistēmai būtu jārisina, var veidoties ļoti dažādi:
1) Mācību uzdevums ar uzdotām ieejas vērtībām A un tām atbilstošām sagaidāmajām izejas vērtībām B. Tādā gadījumā sistēmas kopējās sekmes tiktu mērītas atkarībā no tā, cik tuvu reālās izejas vērtības B' ir sagaidāmajām vērtībām B.
2) Mācību uzdevums, kur sistēmai pie noteikta apkārtnes stāvokļa A, informācija par kuru tiek padota uz sistēmas ieeju, jāiedarbojas uz apkārtni tā, lai to pārveidotu stāvoklī B. Atkal sekmes tiktu mērītas atkarībā no tā, cik reālais apkārtnes stāvoklis B' ir tuvs sagaidāmajam stāvoklim B.
3) Pašas sistēmas patstāvīgi stādīts uzdevums - pārveidot sevi un/vai apkārtni no esošā stāvokļa A uz stāvokli B. Sekmes tiktu mērītas atkarībā no tā, cik tuvu reālais beigu stāvoklis B' ir sagaidāmajam stāvoklim B.
4) Patvaļīga ieejas stāvokļa A novērtēšana, lēmuma pieņemšana un rīcība. Sekmju novērtējumu šādā gadījumā var uzdot ar ārēju funkciju, vai speciāli iebūvētu funkciju tieši šīs uzdevumu klases novērtēšanai.
5) Sekmju novērtējumu var ievadīt ārējs novērotājs, atkarībā no sistēmas uzvedības. Tas darbotos līdzīgi uzslavai vai nosodījumam.
Sistēmai, kad tā veikusi uzdevumu, vai kādu tā daļu, piešķir resursus (samaksā) atbilstoši sekmēm. Samaksu var veikt:
a) sadalot resursus pa visiem aģentiem, proporcionāli katra pēdējā laika vidējiem ienākumiem;
b) sadalot resursus tikai starp izejas aģentiem, īpaši tiem, kas bijuši acīmredzami sekmīgi (tuvi sagaidāmajai pareizajai vērtībai, vai sekmīgai uzdevuma atrisināšanai);
c) kombinējot abus paņēmienus.
Resursu piešķiršana proporcionāli pēdējā laika vidējiem ienākumiem ļauj sekmīgi un taisnīgi sadalīt resursus starp dažādām aģentu grupām, atkarībā no to vidējā pienesuma sistēmas kopīgajā darbā tieši pēdējā laikā. Resursi, kas nonāk pie aģentiem, uzkrājas, bet, lai neļautu aģentam ieslīgt pašapmierinātībā, tie ar laiku, automātiski, pēc uzdota likuma dilst jeb pašpatērējas.
Detaļas, protams, jāturpina izstrādāt, un variāciju iespējas ir ļoti lielas, taču, ja apskata, ar ko iepriekš aprakstītais attīstības modelis atšķiras, piemēram, no Hēbiskās apmācības, tad – vienalga vai Hēbiskajai apmācībai pakļaujam statisku tīklu ar jau izveidotu struktūru, vai pēc Hēbiskā principa veidojam arī jaunus savienojumus – to veidošanā un sekojošā sinapsu pastiprināšanā nepiedalās un netiek izmantota nekāda informācija par sistēmas veiktspēju kopumā. Hēbiskās apmācības gadījumā pastāv arī grūti atrisināmas stabilitātes problēmas. Nav skaidrs, piemēram, cik ilgi sekmīgi strādājošai sinapsei jāļauj nostiprināties, un kad tās tālāka nostiprināšanās jau sāks traucēt sistēmas darbībai kopumā.
Kompleksās sistēmās kopējo derīguma funkciju arī nav iespējams attiecināt uz atsevišķu aģentu, vai pat uz atsevišķu aģentu grupu, pat ja tāda būtu katrā laika momentā definēta, jo konkrētā aģenta vai aģentu grupas efekts var izpausties sistēmas kopējā veiktspējā ar neprognozējama lieluma laika nobīdi. Ir vajadzīga kāda uzkrājoša, vidējo derīgumu atspoguļojoša “derīguma funkcija”, kas varētu sadalīties un izplatīties visā sistēmā un tikt piemērota lokāli, atbilstoši atsevišķo sastāvdaļu veiktspējai un pienesumam. Piedāvāju to organizēt kā sistēmā sadalītus resursus, kas izplatās un strādā pēc līdzīgiem principiem, kā nauda ekonomikā.
Hēbisko apmācību un citus starpaģentu mijiedarbības veidošanās mehānismus var sekmīgi pielietot lokāli, aģentu grupu sākotnējās konfigurēšanas laikā, kuru aptur un rezultātus iekonservē, tiklīdz tiek sasniegta vērā ņemama lokāla veiktspēja, kas ir labāka par kaimiņos esošu līdzīgu struktūru veiktspēju. Tālāka attīstība notiek konfigurējot jaunus vai pārprofilējot vājākos aģentus, vai to grupas, līdz tie apsteidz iekonservēto un sekmīgi strādājošo aģentu. Tiklīdz iekonservētā grupa kolektīvās attīstības rezultātā, kļūst par lokāli vājāko, tā atkal tiek pakļauta pārprofilēšanai.
Šādi būvēts indivīds un tā attīstības modelis darbībā varētu izrādīties ļoti interesants, nebeidzamai attīstībai pakļauts. Tas nebūtu centrāli plānots, tajā nebūtu centrālas vadības, un indivīda attīstība nebūtu iepriekš detaļās paredzama. Tas veidotos spontāni, līdzīgi kā insektu kolonija, vai kā sabiedriskās un ekonomiskās struktūras, kur mēs varam sekmīgi novērot un analizēt rezultātu, bet reti kad to iepriekš detaļās paredzēt.
Šīs un citas īpašības, kas piemistu indivīdam, kas veidots pēc iepriekš aprakstītā parauga, ļautu to salīdzināt ar dzīvu un augošu būtni, vai arī ar daudzu dzīvu būtņu veidotu sabiedrību vai koloniju. Atkarībā no ārējās vides, kurā šis indivīds attīstītos, atkarībā no tiem mācību uzdevumiem, ko viņam liktu priekšā, atkarībā no tā, kādas apbalvojuma vai soda funkcijas tiktu piemērotas – nevar izslēgt, ka šādā sistēmā varētu spontāni parādīties augsti attīstīta spriešanas spēja un emocionālas reakcijas.
Katrā ziņā indivīda darbība varētu būt ļoti droša un stabila, jo rezultāta veidošanā piedalītos liels skaits aģentu, kas savstarpēji sadarbotos un konkurētu, tādejādi sistēma ar laiku attīstītos līdz stāvoklim, kurā no atsevišķu aģentu funkcionālajiem traucējumiem maz kas būtu atkarīgs. Makrolīmenī darbojošos pamatlikumus, kā arī daudzus lokālus parametrus varētu pakļaut ārējai optimizācijai un apzināti variēt. Pēc iepriekš aprakstītās shēmas veidotus indivīdus varētu darbināt dažādās uz datora simulētās vidēs un vērot, kā attīstās visdažādāko sugu un paveidu būtnes, kuras, iespējams, ar laiku varētu pretendēt uz apzīmējumu - dzīvas un saprātīgas.
Lasi vēl
Labs un relatīvi vienkāršs materiāls atrodams Vikipēdijas angļu versijā. Lasi par complex adaptive systems, genetic algorithms, genetic programming, evolutionary algorithms, artificial life, swarm intelligence, neural darwinism.
