TL; DR: я сделал компьютерную симуляцию эволюции поведения обезьян, продолжаю читать, чтобы увидеть, как эта проблема была изначально сформулирована в «Эгоистичном гене» . Первая часть показывает мою реализацию Java , вторая часть отображает результаты и выводы.

Эта проблема

Недавно я прочитал «Эгоистичный ген » Ричарда Докинза , очень откровенную книгу, несмотря на то, что мне 40 лет. Хотя первоначальный текст иногда устарел (« вы могли бы упаковать в череп всего несколько сотен транзисторов — больше, как триллионы в наши дни , закон Мура» ), общие утверждения так же привлекательны, как и раньше.

Одна из глав, которая особенно привлекла мое внимание, как компьютерного инженера, была о животных, выполняющих социальную груминг , как некоторые виды обезьян (см. Рисунок выше). Позвольте мне процитировать соответствующую главу :

Предположим, что вид […] подвергается паразитированию в результате особенно неприятного вида
клеща, который несет опасное заболевание. Очень важно, чтобы эти клещи были удалены как можно скорее. […] Человек может быть не в состоянии достичь своей собственной головы, но нет ничего проще, чем для друга сделать это для него. Позже, когда друг сам паразитирует, доброе дело может быть окуплено. […] Это имеет непосредственный интуитивный смысл. Любой, обладающий сознательным предвидением, может понять, что разумно вступать во взаимные договоренности по поводу возвращения в прошлое […]

Предположим, у B есть паразит на макушке. А тянет его от себя. Позже приходит время, когда у А на голове паразит. Естественно, он ищет В, чтобы В мог вернуть свой добрый поступок. Б просто поворачивает нос и уходит. Б — это обман, человек, который принимает пользу от альтруизма других людей, но который не окупает его или который платит недостаточно. Читы работают лучше, чем беспорядочные альтруисты, потому что они получают выгоды, не оплачивая расходы. Безусловно, стоимость ухода за головой другого человека кажется небольшой по сравнению с выгодой удаления опасного паразита, но она не является незначительной. Немного ценной энергии и времени нужно потратить.

Пусть население состоит из людей, которые принимают одну из двух стратегий. […] Назовите две стратегии Sucker и Cheat. Присоски ухаживают за всеми, кто в этом нуждается, без разбора. Читы принимают альтруизм от лохов, но они никогда не ухаживают за кем-либо еще, даже за кого-то, кто их ранее готовил. […] читы будут лучше, чем лохи. Даже если все население склоняется к вымиранию, никогда не будет времени, когда лохи будут лучше, чем читы. Поэтому, пока мы рассматриваем только эти две стратегии, ничто не может остановить вымирание лохов и, весьма вероятно, вымирание всего населения.

Но теперь, предположим, есть третья стратегия, называемая Grudger. Grudgers ухаживают за незнакомцами и людьми, которые ранее ухаживали за ними. Однако, если кто-то обманывает их, они запоминают инцидент и обижаются: они отказываются ухаживать за этим человеком в будущем. В популяции недоброжелателей и лохов невозможно сказать, что есть что. Оба типа ведут себя альтруистично по отношению ко всем остальным […]. Если по сравнению с читами хруджеры редки, то ген вырубится. Однако, как только злоумышленникам удастся нарастить численность, чтобы они достигли критической пропорции, их шанс встретиться друг с другом становится достаточно великим, чтобы компенсировать их напрасные усилия по уходу за читами. Когда эта критическая пропорция будет достигнута, они начнут получать более высокие выплаты, чем читы,и читы будут двигаться с ускоряющейся скоростью к исчезновению. […]

Цитата: Эгоистичный ген от Ричарда Докинза , ISBN 0-19-857519-X.

Позже автор проводит серию компьютерных симуляций, чтобы наблюдать, как эти три стратегии играют вместе в различных условиях. Очевидно, что исходный код недоступен, и я на самом деле рад этому. Во-первых, потому что у меня была возможность написать код для удовольствия. Во-вторых: книга была опубликована в 1976 году, через 4 года после изобретения C и за много лет до C ++ (чтобы представить вещи в перспективе), и я не совсем в настроении (я полагаю) Fortran .

Реализация

Поэтому я взломал несколько классов, чтобы провести симуляцию мошенников, лохов и недовольных по всему населению. Я хочу увидеть, как различные типы поведения влияют на численность населения. Какое поведение является стабильным и гарантирует выживание. Наконец, как смягчают случайные мутации и смерти. Я решил поэкспериментировать с некоторыми методами, а именно:

1. Ручная инъекция зависимостей, без контейнера вообще
2. Полностью однопоточный
3. Логические часы, которые выдвинуты явно для имитации времени

Мы собираемся смоделировать популяцию обезьян (от нескольких до миллионов), каждая с независимым поведением, случайным временем жизни и так далее. Кажется очевидным использование мультиагентных решений, таких как актеры или хотя бы потоки. Однако курс « Принципы реактивного программирования» научил меня, что это часто слишком сложно. По сути, такая симуляция представляет собой последовательность событий, которые должны произойти в будущем: обезьяна должна родиться через 2 года, размножиться через 5 лет и умереть через 10. Конечно, есть еще много таких событий и больше обезьян. Однако достаточно выбросить все эти события в одну очередь с приоритетами, где ближайшие события будут первыми. Вот как Plannerэто по сути реализовано:

public abstract class Action implements Comparable<Action> {

    private final Instant schedule;

    public Action(Clock simulationTime, Duration delay) {
        this.schedule = simulationTime.instant().plus(delay);
    }

    @Override
    public int compareTo(Action other) {
        return this.schedule.compareTo(other.schedule);
    }

    public abstract void run();

}

//...

public class Planner implements Runnable {

    private final Queue<Action> pending = new PriorityQueue<>();
    private final SimulationClock simulationClock;

    public void schedule(Action action) {
        pending.add(action);
    }

    @Override
    public void run() {
        while (!pending.isEmpty()) {
            Action nearestAction = pending.poll();
            simulationClock.advanceTo(nearestAction.getSchedule());
            nearestAction.run();
        }
    }
}

import java.time.Clock;

public class SimulationClock extends Clock {

    private Instant simulationNow = Instant.now();

    @Override
    public Instant instant() {
        return simulationNow;
    }

    public void advanceTo(Instant instant) {
        simulationNow = instant;
    }

}

public class Sucker extends Monkey {
    //...

    @Override
    public boolean acceptsToGroom(Monkey monkey) {
        return true;
    }

}

public class Cheater extends Monkey {

    private final double acceptProbability;

    //...

    @Override
    public boolean acceptsToGroom(Monkey monkey) {
        return Math.random() < acceptProbability;
    }
}

public class Grudger extends Monkey {

    private final Set<Monkey> cheaters = new HashSet<>();

    @Override
    public boolean acceptsToGroom(Monkey monkey) {
        return !cheaters.contains(monkey);
    }

    @Override
    public void monkeyRejectedToGroomMe(Monkey monkey) {
        cheaters.add(monkey);
    }

}

public class Population {

    private final Set<Monkey> monkeys = new HashSet<>();
    private final MonkeyFactory monkeyFactory;

    private Population addMonkey(Monkey child) {
        if (!full()) {
            newMonkey(child);
        }
        return this;
    }

    private boolean full() {
        return monkeys.size() >= environment.getMaxPopulationSize();
    }

    private void newMonkey(Monkey child) {
        monkeys.add(child);
        planner.scheduleMonkeyLifecycle(child, this);
        log.debug("New monkey in population {}total {}", child, monkeys.size());
    }

//...
}

void scheduleMonkeyLifecycle(Monkey child, Population population) {
    askForGrooming(child, environment.getParasiteInfection().make(), population);
    scheduleBreedings(child, population);
    kill(child, environment.getLifetime().make(), population);
}

void askForGrooming(Monkey child, Duration parasiteInfection, Population population) {
    schedule(new AskForGrooming(child, parasiteInfection, population));
}

private void scheduleBreedings(Monkey child, Population population) {
    final int childrenCount = RANDOM.nextInt(environment.getMaxChildren() + 1);
    IntStream.
            rangeClosed(1, childrenCount)
            .forEach(x -> breed(child, environment.getBreeding().make(), population));
}

void kill(Monkey child, Duration lifetime, Population population) {
    schedule(new Kill(child, lifetime, population));
}

private void breed(Monkey child, Duration breeding, Population population) {
    schedule(new Breed(child, breeding, population));
}

public class Kill extends MonkeyAction {
    private final Population population;

    public Kill(Monkey monkey, Duration lifetime, Population population) {
        super(monkey, lifetime);
        this.population = population;
    }

    @Override
    public void run(Monkey monkey) {
        population.kill(monkey);
    }
}

@Value
public class RandomPeriod {

    private static final Random RANDOM = new Random();

    Period expected;
    Period stdDev;

    public Duration make() {
        final long shift = Periods.toDuration(expected).toMillis();
        final long stdDev = Periods.toDuration(this.stdDev).toMillis();
        final double gaussian = RANDOM.nextGaussian() * stdDev;
        double randomMillis = shift + gaussian;
        return Duration.ofMillis((long) randomMillis);
    }

}