课程导入：生物计算的多尺度融合
欢迎进入《演化计算》第二课。本节课我们将完成从“大脑的学习”到“物种的演化”这一宏大视角的跨越。生物智能并非单一尺度的产物，而是由微观的神经调节与宏观的基因发育共同驱动的复杂系统。
核心探索维度：
关键科学问题：
系统如何既能抵抗环境噪声（鲁棒性），又能通过中立突变积累潜在的创新表型（可演化性）？我们将通过数学建模 $V_\phi(g)$ 与 $\delta_\phi(g)$ 来量化这一动态平衡。
欢迎进入《演化计算》第二课。本节课我们将完成从“大脑的学习”到“物种的演化”这一宏大视角的跨越。生物智能并非单一尺度的产物，而是由微观的神经调节与宏观的基因发育共同驱动的复杂系统。
核心探索维度：
- 神经可塑性 (Neural Plasticity)：探讨赫布规则 (Hebbian Rule) 与脉冲时序依赖可塑性 (STDP) 如何在毫秒级尺度内通过突触权重 $w_{ij}$ 的调节实现个体学习。
- 基因调控网络 (GRN)：分析基因如何通过转录因子 (TF) 的化学相互作用，在发育过程中形成稳定的拓扑结构（如 NAR, PAR 模体）。
- 跨尺度权衡 (Trade-offs)：理解系统如何在鲁棒性 (Robustness) 与 可演化性 (Evolvability) 之间寻找非支配解，这是通向 AGI 的生物启发核心逻辑。
关键科学问题：
系统如何既能抵抗环境噪声（鲁棒性），又能通过中立突变积累潜在的创新表型（可演化性）？我们将通过数学建模 $V_\phi(g)$ 与 $\delta_\phi(g)$ 来量化这一动态平衡。
Python Implementation
Question 1
根据 STDP (脉冲时序依赖可塑性) 规则，以下哪种情况会导致突触强度发生长时程增强 (LTP)？
Case Study: 演化机器人控制系统
Read the scenario below and answer the questions.
假设你正在设计一个具有演化能力的机器人控制系统。该系统的“数字基因”受基因调控网络 (GRN) 控制。
Q1
当增加系统的“中立性 (Neutrality)”（即多个基因型对应同一表型）时，对系统的创新性有何影响？
Answer:
适度的中立性允许系统在不改变当前功能的条件下积累突变（中立演化），从而进入中立空间的其他区域，这通常能显著提高发现突破性新表型的几率。
适度的中立性允许系统在不改变当前功能的条件下积累突变（中立演化），从而进入中立空间的其他区域，这通常能显著提高发现突破性新表型的几率。
Q2
如何利用 NSGA-II 算法在鲁棒性与创新性之间寻找帕累托最优前沿？
Answer:
将鲁棒性（对变异的敏感度倒数）和创新性（产生新表型的熵）作为两个相互冲突的目标函数，通过非支配排序和拥挤度比较，筛选出能在不同环境需求下灵活切换的一组最优解。
将鲁棒性（对变异的敏感度倒数）和创新性（产生新表型的熵）作为两个相互冲突的目标函数，通过非支配排序和拥挤度比较，筛选出能在不同环境需求下灵活切换的一组最优解。