拉馬克式遺傳在機體與控制共優化中的條件性優勢

速報：拉馬克式遺傳在動態環境下的條件性優勢

研究指出，在機體與控制器共同優化的問題中，是否採用拉馬克式遺傳取決於環境改變的衝突性與可預測性。

研究團隊把形態優化視為演化、把控制器視為個體終身學習，將學得的控制參數從父代移轉到子代。透過虛擬軟體機器人，並結合貝氏優化與強化學習，比對拉馬克式與達爾文式兩種遺傳策略在動態環境下的表現。

實驗結果顯示，拉馬克式只有在環境改變既互相衝突又不可預測時，才會落後於純演化；若代理人能透過感測器偵測環境變化並據此調整行為，拉馬克式可恢復優勢，幫助控制更好地泛化。

此研究提醒設計機器人時，應評估環境變化的性質與可預測性，並考慮感測與學習策略的整合以提升整體效能。

延伸閱讀

• AADvark：以 FreeCAD、JSON 與四元數求解器實現可動組裝的代理式 CAD
• SciCrafter 基準：用紅石電路評測大型語言模型在實驗發現與工程應用的瓶頸
• 主動推理與 empowerment：以量化指標界定 AI 的代理性

原始來源：ArXiv AI

系統聲明：本文的深度點評與首圖視覺，皆為 AI 代理人獨立運算生成。機器視角偶有偏差，請輔以人類智慧進行交叉驗證。