摘要
這篇文章描述了創建的虛擬的生物在一個模擬的三維物理世界中
的移動與行爲的一個新穎的系統。生物的形態與控制它們的肌肉
力量的神經系統都是使用遺傳算法來自動地生成的。不同的適應度
評估函數被用來指導指向特定行爲的模擬進化。這些行爲包括
游泳，走路，跳躍，和跟隨等。
這裏展示了一種遺傳語言，它是使用結點和連線作爲基本元素來表示
的有向圖，這種遺傳語言被用來描述這些創建的生物的形態和神經
迴路。這種遺傳語言定義了一個超空間，能包含無限數量的人工創建
具有各種行爲的生物，當使用優化技術搜索這個超空間時，大量的
成功的有趣的運動策略出現了，這些策略中的一些是很難通過人爲設計
進行發明或者是構建的。
1介紹
在計算機圖形學和動畫領域一個經典的權衡是複雜度和控制度。
爲了構建有趣的有真實感的虛擬生物並且仍然能容易控制它們，這
常常很難做到的。如果對虛擬世界中的每個部分都有必要進行
構思，設計和組裝的話，有時構建這樣的複雜的虛擬世界本身就是
很有難度的。這種權衡的一個例子是，運動學控制與動態模擬。
如果我們直接提供運動物體的位置和角度，我們能控制它們的行爲的
每一個細節，但它很難實現有真實感的動作。如果我們代替提供的是
力和轉力矩來模擬動態的結果，結果將看起來正確，但它很難
實現期望的行爲，尤其是我們的控制目標是很複雜的情況。
爲了實現控制特定的目標，例如持續爬行，走路，跑步等
已經開發的方法，但是期望一個新的行爲或者是形態時，一個
新的控制算法必須被認真的設計出來。
優化技術會不知覺中引入新的複雜性。遺傳算法是一個人工的進化
形式，是優化中很常用一種方法。一個達爾文式的“適者生存”
方法被用來在很高維的空間中搜索最優解。遺傳算法允許創建
虛擬物時不要求提供一個可理解的用於創建虛擬物的程序和參數。
每個個體的適應性的度量會被自動化地計算，或者能被用戶交互性
地提供。交互的進化允許程序化的生成被探索的結果，這是通過簡單
地選擇每一代中最符合審美期望的那些個體。
使用這些方法時，用戶損失了一些控制性，尤其是當適應度被程序定義時。
然而，在複雜性的產生進行自動化方面的潛在收益能夠容忍這種
控制度的損失，通過適應度的標準的指定，更高層級的用戶影響力仍能實現。
在一些例子中，優化被用來自動化地生成針對給定的有關節的結構的
動態控制系統。加利斯爲神經網絡引入了權重值，恩格和馬克思已經在
應激反應弧上應用了遺傳算法。盤尼和費裏已經優化了傳感器與執行器
的網絡，這些方法中的每一個都實現了二維杆系統的成功運動。
這裏的工作與上述的項目相關，但在一些方面有不同。在之前的工作中，
控制系統被生成是針對用戶設計的固定的結構，但是這裏是包括了整個生物。
優化決定了生物的形態和它的控制系統。而且生物的身體是三維的，
完全基於物理現實情況的。一個生物的三維的物理結構能夠適應於它的控制
系統，反之亦然，正如它們密不可分。生物的神經系統也由優化技術完全確定。
內部結點的數量，連接性，每個結點執行的功能的類型這些都包含在每個生物的
遺傳描述中，並且在進化過程中複雜性能夠增長。這樣就減少了用戶提供如下信息
的必要性，這些信息包括特定生物的形狀，大小，關節約束，傳感器，執行器，
和內部的神經參數。最後，這裏使用的一個開發流程用來生成生物和它們的
控制系統，並且允許相似的組件包含它們內部的一次性定義的神經迴路，然後可
以被複制，來代替每一次的單獨指定。這個方法與L系統，可移植的語法
還有對象實例化技術有關。
當討論人工進化時，使用生物學術語 基因型和表現型是方便的。
一個基因型是一個可能的個體或者是問題解決方案的編碼式的表示。在
生物系統中，一個基因型通常由DNA 組成，並且包括了器官發育的指令。
遺傳算法使用了所有的基因型，包括了二進制數字的字符串或者是參數。
根據一些適應度的標準和選擇性繁殖，這些表現型被執行。這表現型是
讀取基因型而生成的。通過複製，交換，或者是組合最適合的個體的基因型
生成了新的基因型，正如循環進行，人口應該達到越來越大的適應度。
可變長度的基因型例如層狀的LISP表達式或者是其它的計算機程序在擴展可能
的結果集合方面是有用的。這個集合是在一個預定義的固定維度的基因空間。
遺傳語言它們在進化過程中，新的參數和新的維度被加到遺傳的空間中。
所以定義了一個可能的結果 的超空間。這個方法被用在了遺傳程序方案
來解決各種問題，正如探索生成圖像和動態系統。
非限定的遺傳語言的靈魂是這裏的有向圖，是一個語法的合適的基礎，有
向圖能描述虛擬生物的形態和神經系統。新的特徵或者是功能能被添加
到一個生物上，或者是一個存在的功能被刪除，所以複雜度的層級也能被進化。
接下來的兩個部分解決虛擬生物如何 被表示爲有向圖。在第4部分描述
物理模擬中使用的系統，第五部分描述特定的行爲如何被選擇，第六部分
解釋具有有向圖的基因型的進化是如何被執行的，最後展示一些生成的生物。