Veamos cuál es el comportamiento del mejor individuo en diferentes generaciones. En la generación 1, que es la primera generación donde usamos estrategias aleatorias la población fue un grupo de aleatorias estrategias, la mejor puntuación promedio fue -81, veremos porqué eso fue cierto. Aquí está el comportamiento para esa estrategia para este ambiente particular de latas, el individuo va hacia abajo y choca contra una pared y choca contra una pared otra vez, y otra vez, y veremos como chocará por el resto de su vida obteniendo puntuación de -5 puntos por cada vez que choca hay una pequeña diferencia entre las puntuaciones de los diferentes ambientes, pero en promedio es muy bajo. Para la generación 10, el mejor promedio de puntuación fue de 0, ok? eso es mucho mejor que -81. ¿Pero qué hizo ese individuo? Bueno aquí está esa estrategia para esa configuración particular de latas, y aquí está lo que hizo. En otras palabras no hizo nada. Se quedo quieto. y al quedarse quieto no chocó contra ninguna pared ni hizo otras cosas mal y obtuvo una puntuación de 0 Este resultado no es muy satisfactorio pero es mejor que el de otros individuos en su población, entonces debe difundir sus rasgos más que otros individuos de su generación Para la generación 200, la aptitud ascendió hasta 240 para el mejor individuo y aquí está lo que éste hizo. Se mueve abajo, levanta la lata pero se mueve más abajo, luego levanta la lata, luego regresa arriba, levanta la lata, se mueve otra vez hacia abajo, se mueve hasta abajo hasta el fondo de las latas y luego las levanta este lo está haciendo mucho mejor que el anterior,..o el que vimos en la generación 0, por supuesto estas son 200 generaciones después pero este individuo, está levantando latas aunque de forma ineficiente, como se puede ver Para la generación 1000, el máximo valor para correrlo, la aptitud es 492 en promedio, y esto es lo que el individuo hizo Hace exactamente lo que esperas que haga, se mueve hacia abajo sistemáticamente levantando las latas. Mi estrategia, si recuerdan decía si ves una lata levántala, de otra forma si hay latas en los lugares adyacentes muévete ahí y sigue así. Este está sistemáticamente yendo arriba y abajo, arriba y abajo...es más sistemático que mi estrategia es una mejora sobre mi estrategia. Pero hay otra mejora que es sorprendente para mi, es una innovación en una parte del AG... Para explicar porqué el AG resultó mejor que mi estrategia, miré el comportamiento de mi estrategia comparada con el comportamiento del AG en diferentes entornos aquí hay entorno en particular que llamó mi atención...Aquí está Robby, en un amontonamiento de latas. Mi estrategia dice: levanta la lata si hay en donde estás y luego levanta la lata de los lados adyacentes si es que hay lata en los lados adyacentes Aquí hay dos latas en dos lados adyacentes y levanta una aleatoriamente. Él decide moverse al oeste. Ok, levanta la lata. pero ahora como ya se movió y no puede ver más que un cuadro alrededor de él en todas las direcciones, no puede ver esta lata de aquí como no tiene memoria, pierde toda la información de esta lata y está atrapado, no ve ninguna lata alrededor de él y no se acuerda que habían latas por aquí de cualquier forma el AG encuentra una manera de solucionar ese problema. Y así es como lo hizo Esta es la estrategia del AG y dice: No levantes la lata, se mueve al oeste, ahora levanta esa lata y ahora como no recogió esta de aquí...ve que hay un camino de latas al que volver, donde hay un amontonamiento de latas no tiene una memoria por sí mismo, Robby no tiene memoria pero el AG inventó este tipo de "memoria externa", dejando latas ahí y luego haciendo que el robot vuelva y las recoja. Es bastante ingenioso, yo pensé...y ese es un ejemplo del AG pensando en algo que yo no pensé, lo está haciendo mejor que mi propia estrategia. Robby el Robot es un ejemplo muy simple para enseñarle a la gente sobre AG's. Pero ilustra algunos principios evolutivos interesantes y generales. que se ven mucho en algoritmos genéticos. Así que voy a mencionar cuales son éstos. El primero es que la selección natural funciona. Fuimos de un montón de estrategias aleatorias que se desempeñaron muy pobremente, y sólo usando este tipo de selección natural, inspirada por su selección natural de Wiener el AG evolucionó en prácticamente una estrategia perfecta. También, la evolución en nuestro sistema pareció proceder vía periodos de stasis al permanecer en un mismo nivel de aptitud puntualizado por periodos rápidos de innovación y eso es algo que también se ve en la evolución biológica que está relacionada con evolución molecular, por ejemplo en la evolución de virus, evolución de bacterias todas a través evoluciones de larga escala distinguibles en los fósiles; esto es un poco controversial En general podemos mostrar que en los AG este tipo de conducta es muy común aun que no hay eventos externos que ocurren para causar este agudo y rápido aumento de innovación Y debería decir que en evolución biológica este fenómeno ha sido llamado: Equilibrio acentuado. Otro principio es que el fenómeno de "exaptación" es común. Exaptación significa incrementos en la función de los rasgos durante la evolución Y vimos eso pasando en el rasgo que causó que el robot no levantara la lata, y que pasara de largo. En realidad vimos que eso sucedió en la generación 240 y esa fue la versión ineficiente de la estrategia. Allí no era un rasgo muy bueno porque causó que el robot fuera ineficiente y que no le diera tiempo de levantar todas las latas, pero fue incitado por el AG por evolución para ser un rasgo muy eficiente que se usó en las circunstancias apropiadas como la que les acabo de mostrar, donde comparo mi estrategia con la estrategia del AG . Y ese rasgo fue moldeado por evolución, pasó de ser no adaptable a un rasgo muy adaptable, y eso también se ve en evolución biológica y finalmente, la dinámica y los resultados de la evolución son impredecibles y difíciles de analizar, incluso en esta versión extremadamente simple de evolución y toma mucho trabajo el tratar de entender lo que los resultados de la evolución están haciendo, porqué son aptos y cómo evolucionan todas estas características están en los AG y son típicamente difíciles o imposibles de analizar.