* * *

Можно наглядно представить проблему эволюционного поиска как целый ландшафт, участки которого соответствуют той или иной степени приспособленности. Идея такова: можно присвоить любому геному, существующему в определённой среде, числовое значение, которое будет соответствовать его «приспособленности». Это значение характеризует, с какой вероятностью организм, обладающий таким геномом, сможет оставить потомство в данной среде. Можно визуализировать приспособленность как холмистый ландшафт, со склонами и долинами, где «направлениям в пространстве» соответствуют различные формы, которые может принимать каждый ген, а «высоте над уровнем моря» — приспособленность. На самом деле, вычерчивая ландшафт приспособленности, мы учитываем всего один-два гена, но при этом держим в уме, что на самом деле речь идёт о 25000-мерном пространстве, по одному измерению на каждый ген. «Холм» с высоким значением приспособленности соответствует такому организму, который с очень высокой вероятностью оставит потомство (и чем больше, тем лучше), а в долине с низким значением приспособленности находится геном, передача которого последующим поколениям маловероятна.

Можно сказать, что эволюция подталкивает популяции, заставляя их закрепляться всё выше и выше в ландшафте, отдавая предпочтение тем генам, которые порождают более приспособленные организмы. Разумеется, это упрощение. Речь не идёт о едином фиксированном ландшафте приспособленности, который был бы актуален для всех видов всегда и в любых ситуациях. Как максимум можно рассматривать одну популяцию в конкретной экосистеме. Контуры ландшафта будут зависеть от всех свойств этой экосистемы. Виды появляются и вымирают, физические условия изменяются, поэтому со временем меняется и ландшафт. Тем не менее некоторые черты экосистемы могут оставаться стабильными достаточно долго, поэтому «фиксированный ландшафт» — удобная метафора для визуализации происходящих событий.

Биологи рассматривают мир не так, как физики. Концепция ландшафта существует и в физике — например, если нас интересует, в каком фазовом состоянии окажется система при заданных температуре и давлении. Однако физики, рассуждая о ландшафте, всегда имеют в виду шар, катящийся под уклон. Соответственно самыми предпочтительными точками ландшафта являются минимумы функции, нанесённой на графике (как правило, речь идёт о функции энергии), поскольку шары всегда катятся вниз. Биологи же размышляют о ловких горных козлах или о детях, играющих в «царя горы». Для них наиболее предпочтительными точками ландшафта являются максимальные значения приспособленности.

Вот как эволюция прощупывает ландшафт приспособленности, отыскивая наивысшие пики. Имеется популяция особей определённого вида, эти организмы занимают близкие точки на ландшафте. Особи рождаются, при удачном раскладе оставляют потомство и умирают. У их потомков будут уже немного иные геномы, и на ландшафте они также будут располагаться иначе — недалеко от родителей, но не там же, где они. Те, кто окажутся ниже по склону, получат меньше шансов оставить потомство, чем те, кто будет выше. Поколения сменяются, и вся популяция постепенно движется вверх по склону.

Мы чертим двумерные графики, но на самом деле число генов может быть очень велико, поэтому популяция может карабкаться вверх по ландшафту невероятно долго. Вид может никогда не добраться до вершины холма, а тем более до вершины высочайшей горы, расположенной поблизости, хотя с отдельными признаками это может произойти. Некоторые участки ландшафта относительно плоские; на них различные геномы обладают очень разными уровнями приспособленности, и дрейф генов может оказаться доминирующей силой эволюции. Более реалистично выглядел бы ландшафт, изменяющийся во времени, поскольку как физические, так и биологические характеристики окружающей среды постоянно комбинируются. Когда это происходит, практически невозможно отыскать вершину холма и просто там усесться; вчерашняя вершина уже завтра может оказаться долиной.

Наконец, эволюционный алгоритм ни в каком смысле не гарантирует оптимального результата. Большинство изменений невелики и позволяют исследовать на ландшафте лишь ближайшие окрестности. Иногда происходят редкие мутации, позволяющие перепрыгнуть с одного пика на другой, но речь идёт лишь о таких пиках, которые расположены сравнительно близко друг от друга. Так же, как и в задаче коммивояжера, найти хорошее решение в данном случае будет исключительно полезно с любой практической точки зрения.

* * *

Эволюционный поиск настолько эффективен, что практикующие программисты часто используют аналогичный процесс для разработки собственных стратегий. Речь идёт о так называемых генетических алгоритмах. В случае с геномами можно представить себе множество всех возможных алгоритмов определённой длины, как минимум в конкретном языке программирования. Алгоритмов будет много, и в принципе нам потребуется узнать, какой из них лучше всего решает поставленную задачу. Метод генетических алгоритмов функционально подобен естественному отбору, только в роли программиста выступает сам ландшафт приспособленности. В биологии такой процесс назывался бы направленной эволюцией — чтобы подчеркнуть отличие от естественной эволюции, где ландшафт приспособленности определяется природой, не имеющей никакого конкретного плана.

Возьмём несколько произвольно выбранных алгоритмов и попробуем с их помощью решить задачу. Далее выберем те из них, которые справляются с задачей лучше всего, и позволим им «мутировать», а по возможности также позволим им смешиваться с другими успешными алгоритмами. Отбросим все неуспешные стратегии и повторим процесс. Изучаемая популяция алгоритмов будет постепенно подниматься вверх по соответствующему ландшафту приспособленности, определяемому в соответствии с тем, насколько успешно каждая из стратегий позволяет решать ту проблему, которую она должна решать. (Фактически именно так Бэртел и Шостак искали конфигурации РНК, которые могли действовать в качестве катализаторов.)