早于预期：演化中撞上复杂性之墙

在演化机器人学中，控制软件的编码（将传感器数据（输入）映射到电机控制值（输出））通过随机优化方法进行塑造，以完成预定义任务。在没有可用于帮助优化性能的先验模型的情况下，假定这种方法相比于控制器设计的标准方法是有益的。对于必须在不可预测环境中运行的机器人，演化机器人学方法也是有利的。我们在此证明，这种无模型方法并非免费午餐，因为即使是简单的任务也可能成为完全开放式无信息演化计算技术的不可逾越的障碍。我们在此提出“Wankelmut”任务作为演化方法的目标，该方法从零开始，没有预先塑造的控制器软件或任何其他会迫使行为以期望方式演化的信息性方法。我们的核心主张是，“Wankelmut”代表了使普通演化计算失败的最简单问题集。我们通过一系列简单的标准演化方法证明了这一点，这些方法使用了不同的适应度函数以及标准人工神经网络和连续时间递归神经网络。我们测试的所有方法都失败了。我们声称，任何其他本质上不偏好或强制模块化，且不冻结或保护已演化功能的演化方法也将失败。因此，我们提出了一个难以通过的基准，并对演化计算中的自复杂化和生成式方法做出了强有力的声明。我们预计，定义这样一个“最简单的失败任务”是促进人工智能、演化机器人学和人工生命领域未来发展的宝贵基准。