Resumo: Vida artificial é a área de estudo que tem por objetivo reproduzir comportamentos análogos à vida em diferentes tipos de mídia. Na abordagem \emph{soft}, essa tarefa é realizada usando simulações em \emph{software}. Essa tese apresenta um arcabouço de vida artificial, chamado Evocycle, que utiliza diferentes meta-heurísticas bioinspiradas como agentes do sistema. Tais meta-heurísticas são parte do campo da Computação Evolutiva em Ciência da Computação, na qual a teoria biológica da evolução é tomada como inspiração para projetar algoritmos estocásticos de otimização. Na computação evolutiva clássica, frequentemente abordagens elitistas são utilizadas, como por exemplo usar funções de \emph{fitness} para selecionar indivíduos para novas gerações. No entanto, a seleção natural como observada na natureza não possui uma função de \emph{fitness} para avaliação. Neste trabalho, propomos um arcabouço que remove a ênfase do processo de seleção baseado apenas nos valores de {\em fitness}, e tenta uma abordagem diferente, baseada em relações ecológicas de alimentação, reprodução e predação, utilizando assim o valor de \emph{fitness} indiretamente. Nosso sistema de vida artificial forma um ecossistema no qual diferentes espécies são modeladas pela hibridização de algoritmos de inteligência coletiva e evolucionários, e a interação dessas espécies através das relações ecológicas constrói seu comportamento ao longo do tempo. Com essa abordagem, buscamos aumentar a plausibilidade biológica do sistema evolutivo em nossas simulações de vida artificial. Para validar o arcabouço proposto, nós o simulamos com implementações utilizando os algoritmos de \emph{Particle Swarm Optimization} (PSO), no qual a função de velocidade de cada partícula é definida por uma árvore de programação genética (GP), e o algoritmo de otimização \emph{Artificial Bee Colony} (ABC). Ao invés de um ciclo completo de seleção por função de \emph{fitness}, as árvores GP, que codificam cada partícula PSO, evoluem tomando como base a sobrevivência dentro da simulação, levando em conta fatores como energia interna, idade e proximidade de outros indivíduos. Este ecossistema foi estudado em \emph{benchmarks} de otimização contínua, e pela análise da variação da frequência genética de populações de interesse, nós observamos o desenvolvimento de dinâmicas ecológicas promissoras, resultado da pressão seletiva oriunda das interações ecológicas entre os agentes do sistema de vida artificial. Também avaliamos a resiliência da população de predadores no sistema utilizando estudos da teoria de catástrofes em Biologia. As principais contribuições deste trabalho consistem na proposta do sistema de vida artificial em si, o estudo da emergência do comportamento de busca dos agentes do sistema em um cenário evolutivo que buscava maior plausibilidade biológica, e a proposta de uso da análise das taxas de recuperação após perturbações na população para avaliar sua resiliência Ver menos

Abstract: Artificial life is the field of study that aims to reproduce life-like behavior in different types of media. In the soft approach, this task is performed using software simulations. This thesis presents an artificial life framework, named EvoCycle, which uses different bio-inspired meta-heuristics as agents of the system. Such meta-heuristics are part of the Evolutionary Computation field in Computer Science, in which the general theory of evolution is taken as inspiration to design stochastic optimization algorithms. In classic evolutionary computation, often elitist approaches are used, such as those based on fitness functions, to select individuals for new generations. However, natural selection as observed has no explicit fitness evaluation. In this work, we propose a framework that de-emphasizes the selection process based solely on fitness values, and tries a different approach based on ecological relationships of feeding, reproduction, and predation, using the fitness values indirectly. Our artificial life system composes an ecosystem where different species are modelled as a hybridization of swarm intelligence with evolutionary algorithms, and the interaction of the species through ecological relationships shapes their behaviour over time. With this approach, we seek to increase the biological plausibility of the evolution process in our artificial life simulations. To validate the proposed framework, we performed simulations with implementations based on the Particle Swarm Optimization~(PSO) algorithm, in which the velocity rule of each particle is defined by a Genetic Programming~(GP) tree and the Artificial Bee Colony~(ABC) algorithm. Instead of an explicit fitness-selection cycle, the GP trees composing individual PSO particles evolve based on surviving in the simulation, taking into account different factors, such as energy, hunger, mutation, and proximity to other individuals. This ecosystem is investigated on optimization benchmarks, and through the analysis of the variance of the gene frequency, we observed the development of promising ecological dynamics, resulting from the selective pressure coming from the ecological relationships between agents of the artificial life system. We also evaluate the resilience of a predator population in the system using biological studies of the catastrophe theory. The main contributions of the work are the proposal of the artificial life framework itself, the study of the emergence of search behavior of the agents in an evolutionary scenario that aimed to be more biologically plausible, and the proposal of using the analysis of recovery rates after perturbations to investigate the resilience of artificial populations Ver menos