Advertisement

Algorithmen simulieren die Evolution

  • Klaus MainzerEmail author
Chapter
Part of the Technik im Fokus book series (TECHNIK)

Zusammenfassung

Informationsverarbeitung mit Computern und Menschen wird mit künstlichen oder natürlichen Sprachen wiedergegeben. Sie sind nur Spezialfälle von symbolischen Repräsentationssystemen, die sich ebenso für genetische Informationssysteme angeben lassen. Genetische Sprachen repräsentieren mit ihren grammatikalischen Regeln molekulare Verfahren, um molekulare Sequenzen mit genetischen Bedeutungen zu erzeugen. Entscheidend für das Verständnis dieser molekularen Sprachen sind wiederum nicht wir Menschen, sondern die molekularen Systeme, die sich ihrer bedienen. Wir Menschen mit unserer Art der Informationsverarbeitung sind erst am Anfang, diese Sprachen mit ihren Regeln zu entziffern und zu verstehen. Die formalen Sprach‑ und Grammatiktheorien liefern dazu zusammen mit der algorithmischen Komplexitätstheorie erste Ansätze.

Für genetische Informationen werden die Nukleinsäure‐Sprache mit dem Alphabet der vier Nukleotide und die Aminosäure‐Sprache mit dem Alphabet der zwanzig Aminosäuren verwendet. Bei der Nukleinsäure‐Sprache lässt sich eine Hierarchie verschiedener Sprachschichten unterscheiden, die von der untersten Ebene der Nukleotide mit den Grundsymbolen A, C, G, T bzw. U bis zur höchsten Ebene der Gene reicht, in denen die vollständige Erbinformation einer Zelle festgehalten ist. Jede zwischengeschaltete Sprachebene setzt sich aus Einheiten der vorherigen Sprachebene zusammen und gibt Anweisungen für verschiedene Funktionen wie z. B. Transkription oder Replikation von Sequenzen.

Literatur

  1. 1.
    Lindenmayer R, Rozenberg G (Hrsg) (1976) Automata, Languages, Development. North-Holland, AmsterdamGoogle Scholar
  2. 2.
    Lenneberg EH (Hrsg) (1972) Biologische Grundlagen der Sprache. Suhrkamp, FrankfurtGoogle Scholar
  3. 3.
    Sagan C (1978) Die Drachen von Eden. Das Wunder der menschlichen Intelligenz. Droemersche Verlagsanstalt Th. Knaur Nachf., MünchenGoogle Scholar
  4. 4.
    von Neumann J (1966) Theory of Self-Reproducing Automata. University of Illinois Press, Urbana, LondonGoogle Scholar
  5. 5.
    Zuse K (1969) Rechnender Raum. Vieweg+Teubner, BraunschweigCrossRefGoogle Scholar
  6. 6.
    Berlekamp E, Conway J, Guy R (1982) Winning Ways. A K Peters/CRC Press, New York (2 Bde)Google Scholar
  7. 7.
    Langton CG (Hrsg) (1989) Artificial Life. Westview Press, Rewood CityGoogle Scholar
  8. 8.
    Langton CG (Hrsg) (1991) Artificial Life II. Westview Press, Redwood CityGoogle Scholar
  9. 9.
    Wolfram S (1986) Theory and Applications of Cellular Automata. World Scientific Pub Co Inc, SingapurGoogle Scholar
  10. 10.
    Wolfram S (2002) A New Kind of Science. Wolfram Media, Champaign/IllGoogle Scholar
  11. 11.
    Mainzer K, Chua L (2011) The Universe as Automaton. From Simplicity and Symmetry to Complexity. Springer, BerlinGoogle Scholar
  12. 12.
    Holland J (1975) Adaption in Natural and Artificial Systems. A Bradford Book, Ann ArborGoogle Scholar
  13. 13.
    Rechenberg I (1973) Evolutionsstrategie: Optimierung technischer Systeme nach Prinzipien der biologischen Evolution. Frommann-Holzboog, StuttgartGoogle Scholar
  14. 14.
    Kraft DH, Petry FE, Buckles BP, Sadavisan T (1997) Genetic Algorithms for Query Optimization in Information Retrieval: Relevance Feedback. In: Sanchez E, Zadeh LA, Shibata T (Hrsg) Genetic Algorithms and Fuzzy Logic Systems. Soft Computing Perspectives. World Scientific Pub Co Inc, Singapur, S 155–173CrossRefGoogle Scholar
  15. 15.
    Goldberg DE (1989) Genetic Algorithms in Search, Optimization, and Machine Learning. Addison Wesley, Reading (Mass)Google Scholar
  16. 16.
    Koza JR (1994) Genetic Programming II: Atomatic Discovery of Reusable Programs. MIT Press, CambridgeGoogle Scholar
  17. 17.
    Fogel DB (1995) Evolutionary Computation: Towards a New Philosophy of Machine intelligence. A Bradford Book, Piscataway N.J.Google Scholar
  18. 18.
    Cho S-B (2000) Artificial Life Technology for Adaptive Information Processing. In: Kasabov N (Hrsg) Future Directions for Intelligent Systems and Information Sciences. The Future of Speech and Image Technologies, Brain Computers, WWW, and Bioinformatics. Physica, Heidelberg, S 13–33Google Scholar
  19. 19.
    Goonatilake S (1991) The Evolution of Information. Pinter Publishers, LondonGoogle Scholar
  20. 20.
    Haefner K (Hrsg). Evolution of Information Processing Systems. An Interdisciplinary Approach for a New Understanding of Nature and Society. Springer, BerlinGoogle Scholar

Copyright information

© Springer-Verlag GmbH Deutschland, ein Teil von Springer Nature 2019

Authors and Affiliations

  1. 1.Technische Universität MünchenMünchenDeutschland

Personalised recommendations