形态新颖性压力下的拉姆齐演化极限

拉姆齐遗传已被证明是在机器人形态与控制器联合演化的系统中，由于个体学习而获得的强大加速器。其定义性优势在于后代继承了其父母所学习的控制器。然而，这种选择的有效性依赖于父代和后代之间的形态相似性。在本研究中，我们检验了当搜索过程受高形态方差驱动时，拉姆齐遗传的性能如何。我们使用一套可演化并学习解决 locomotion 任务的模块化机器人，比较了达尔文演化和拉姆齐演化，以确定它们如何应对从纯任务导向选择转向也奖励形态新颖性的多目标压力。我们的结果确认，当仅优化任务性能时，拉姆齐演化优于达尔文演化。然而，引入对形态多样性的选择压力会导致显著的性能下降，而拉姆齐系统下的性能下降幅度更大。进一步的分析表明，促进多样性会降低父代与后代之间的相似性，从而降低继承其父母所学习的控制器所带来的好处。这些结果揭示了拉姆齐演化的局限性，暴露了继承驱动的开发与多样性驱动的探索之间的根本性权衡。