Evolución cultural en sociedades artificiales

Evolución cultural en sociedades artificiales

Publicado 2018-08-04

Abrir | Descargar
PDF FLIP
Número
Núm. 12 (2018): Revista Hashtag 2018A
Sección
Artículos
Cómo citar
Sterpin Buitrago, D. G. . (2018). Evolución cultural en sociedades artificiales. #ashtag, 12, 31-45. https://doi.org/10.52143/2346139X.610
DOI

https://doi.org/10.52143/2346139X.610
Dimensions
PlumX
Citaciones
Crossref
Citas en Crossref
Scopus Citas en Scopus
Google Scholar Citas en Google Sholar
Europe PMC
Citas en Europe PMC

Cómo citar

Sterpin Buitrago, D. G. . (2018). Evolución cultural en sociedades artificiales. #ashtag, 12, 31-45. https://doi.org/10.52143/2346139X.610

Descargar cita

Licencia
Dante Giovanni Sterpin Buitrago
Corporación Unificada Nacional de Educación Superior
Sin roles de crédito asignados.
Mostrar biografía de los autores

 En este artículo se revisan las generalidades de algunos modelos computacionales inspirados en características propias de la evolución cultural y se clasifican en dos grupos, según se fundamenten o no en la memética. Se pretende demostrar, a pesar del auge que han tenido en aplicaciones orien­tadas a solucionar problemas de optimización, su falta de naturalidad frente a la posibilidad de simular características culturales presentes en las sociedades naturales. La cultura se asume como el conjunto de ideas y comportamientos desarrollados y transmitidos mediante la interacción entre agentes portadores de genes y memes, pues se considera que estos tienen genéticamente codificada una maquinaria biológica con cierto sistema mental y que en este sistema están los memes capaces de comunicarse con otros agentes semejantes. Independientemente del hecho de tener neuronas en este sistema, en la mayoría de los modelos acá revisados no hay una relación genético-cultural de este tipo, pues en ellos lo cultural queda reducido a acelerar la resolución genética de problemas; o, en el mejor caso encontrado, lo cultural emplea memes derivados de los genes, pero como copias de su información génica

Visitas del artículo 340 | Visitas PDF 218

Descargas

Los datos de descarga todavía no están disponibles.
  1. Acerbi, A. y Marocco, D. (Junio del 2009). Orienting learning by exploiting sociality: An evolutio¬nary robotics simulation. Conferencia presentada en 2009 International Joint Conference on Neural Networks, Atlanta, Estados Unidos, 20-27. doi: https://doi.org/10.1109/ IJCNN.2009.5178607
  2. Aunger, R. (2002). The Electric Meme: A New Theory of How We Think. Nueva York: Free Press.
  3. Blackmore, S. (1999). The Meme Machine. Oxford: Oxford University Press.
  4. Bongard, J. (2013). Evolutionary robotics. Communications of the acm, 56(8), 74-83.
  5. Borenstein, E. y Ruppin E. (2004). Envolving imitating agents and the emergence of a neural mi¬rror system. En M. Bedau, P. Husbands, T. Ikegami, J. Pollack y R. Watson (eds.), Artificial life ix. Proceedings of the Ninth International Conference on the Simulation and Synthesis of Living Systems (pp. 146-151). Cambridge, Estados Unidos: The mit press.
  6. Brodie, R. (2009). Virus of the Mind: The New Science of the Meme. Nueva York: Hay House.
  7. Burke, E., Gendreau, M., Hyde, M., Kendall, G., Ochoa, G., Özcan, E. y Qu, R. (2013). Hyper-heu¬ristics: a survey of the state of the art. Journal of the Operational Research Society, 64(12), 1695- 1724. doi: https://doi.org/10.1057/jors.2013.71
  8. Chen, X., Ong, Y., Lim, M. y Tan, K. (2011). A multi-facet survey on memetic computation. IEEE Transactions on evolutionary computation, 15(5), 591-607. doi: https://doi.org/10.1109/ TEVC.2011.2132725
  9. Cowling, P., Kendall, G. y Soubeiga, E. (2001). A Hyperheuristic Approach to Scheduling a Sa¬les Summit. En E. Burke y W. Erben (eds.), Practice and Theory of Automated Timetabling iii. patat 2000. Lecture Notes in Computer Science (vol. 2079) (pp. 176-190), Konstanz, Germany: Springer.
  10. Curran, D. y O’Riordan, C. (2007). The effects of cultural learning in populations of neural networks. Artificial Life, 13(1), 45-67. doi: https://doi.org/10.1162/artl.2007.13.1.45
  11. Dawkins, R. (1976). The selfish gene. Oxford: Oxford University Press.
  12. Dawkins, R. (1983). Universal Darwinism. En D. Bendall (ed.), Evolution from Molecules to Man
  13. (pp. 403-425). Nueva York: Cambridge University Press.
  14. Dawkins, R. (1986). The Blind Watchmaker: Why the Evidence of Evolution Reveals a Universe Without
  15. Design. Nueva York y Londres: WW Norton & Company.
  16. Dawkins, R. (1993). Viruses of the mind. En B. Dahlbom (ed.), Dennett and His Critics: Demystifying Mind (pp. 13-27). Oxford: Blackwell.
  17. Dennett, D. (2006). Breaking the Spell: Religion as a Natural Phenomenon. Estados Unidos Penguin Books.
  18. Doncieux, S., Bredeche, N., Mouret, J-B. y Eiben A. (2015). Evolutionary robotics: what, why,and where to. Frontiers in Robotics and ai, 2(4), 1-18. doi: https://doi.org/10.3389/frobt.2015.00004
  19. Espingardeiro, A. (2014). A roboethics framework for the development and introduction of social assistive robots in elderly care (tesis de doctorado). Universidad de Salford, Manchester. Recuperado de https://bit.ly/2toFxNQ
  20. Feng, L., Ong, Y., Tan, A. y Chen, X. (Junio del 2011). Towards human-like social multi agents with memetic automaton. Conferencia presentada en Congress of Evolutionary Computation (cec), Nueva Orleans, Estados Unidos, 1092-1099. doi: https://doi.org/10.1109/
  21. CEC.2011.5949739
  22. Ferber, J. (1999). Multi-Agent System: An Introduction to Distributed Artificial Intelligence. Boston: Addison-Wesley Longman Publishing Co.
  23. Floreano, D., Husbands, P. y Nolfi, S. (2008). Evolutionary robotics. En B. Siciliano y O. Khatib(eds.), Springer handbook of robotics (pp. 1423-1451). Berlin: Springer.
  24. Goldberg, D. (1989). Genetic algorithms in search, optimization, and machine learning. Boston: Addison-Wesley Longman Publishing Co.
  25. Gong, T. (2010). Exploring the roles of horizontal, vertical, and oblique transmissions in language evolution. Adaptive Behavior, 18(3-4), 356-376.
  26. González, S. (2004). ¿Sociedades artificiales? Una introducción a la simulación social. Revista Internacional de Sociología, 62(39), 199-222. Recuperado de https://bit.ly/2PpCa1y
  27. Hart, W., Krasnogor, N. y Smith, J. (2005). Memetic evolutionary algorithms. En W. Hart, N. Krasnogor y J. Smith. (eds.), Recent Advances in Memetic Algorithms (pp. 3-27). Berlin; Heidelberg; New York: Springer.
  28. Hauser, M. (2006). Moral Minds: How Nature Designed our Universal Sense of Right and Wrong.Nueva York: Harper Collins.
  29. Heinerman, J., Rango, M. y Eiben, A. (Diciembre del 2015). Evolution, individual learning, and social learning in a swarm of real robots. Conferencia presentada en 2015 ieee Symposium Series on Computational Intelligence, Cape Town, Sur Africa, 1055-1062. doi: https://doi.org/10.1109/SSCI.2015.152
  30. Holland, J. (1975). Adaptation in Natural and Artificial Systems. An Introductory Analysis with Applications to Biology, Control, and Artificial Intelligence. Míchigan: University of Michigan Press.
  31. Huy, N., Soon, O., Hiot, L. y Krasnogor, N. (2009). Adaptive cellular memetic algorithms. Evolutionary Computation, 17(2), 231-256. doi: https://doi.org/10.1162/evco.2009.17.2.231
  32. Kendall, G., Cowling, P. y Soubeiga, E. (2002). Choice function and random hyperheuristics. Conferencia presentada en 4th Asia-Pacific Conference on Simulated Evolution and Learning, Singapore, 667-671. Recuperado de https://bit.ly/2PSE9dU
  33. Krasnogor, N., Aragón, A. y Pacheco, J. (2006). Memetic algorithms. En E. Alba y R. Martí (eds.), Metaheuristic Procedures for Training Neutral Networks (pp. 225-248). Boston: Springer. doi:https://doi.org/10.1007/0-387-33416-5
  34. Krasnogor, N. y Gustafson, S. (2002). Toward truly “memetic” memetic algorithms: Discussion and proofs of concept. En D. Corne, G. Fogel, W. Hart, J. Knowles, N. Krasnogor, R. Roy, J. Smith y A. Tiwari (eds.), Advances in Nature-Inspired Computation: The ppsn vii Workshops, (pp. 9-10). Reading: pedal; University of Reading.
  35. Krasnogor, N. y Gustafson, S. (2004). A study on the use of “self-generation” in memetic algorithms. Natural Computing, 3(1), 53-76. doi: https://doi.org/10.1023/B:NACO.0000023419.83147.67
  36. Krasnogor, N. y Smith, J. (2005). A tutorial for competent memetic algorithms: models, taxonomy and design issues. ieee Trans Evol Comput, 9, 474-488.
  37. Lamma, E., Riguzzi, F. y Pereira, L. (2003). Belief revision via lamarckian evolution. New Generation Computing, 21(3), 247-275. DOI: https://doi.org/10.1007/BF03037475
  38. Le, M., Neri, F. y Ong, Y. (2015). Memetic algorithms. En H. Ishibuchi (ed.), Encyclopedia of Life Support Systems: Computational Intelligence (vol. 2), (pp. 57-86). Singapur: Unesco; Eolss Publishers.
  39. Le, M., Ong, Y., Jin, Y. y Sendhoff, B. (2009). Lamarckian memetic algorithms: Local optimum and connectivity structure analysis. Memetic Computing, 1(3), 175-190. doi: https://doi.org/10.1007/s12293-009-0016-9
  40. Lewontin, R. (1970). The Units of Selection. Annual Review of Ecology and Systematics, 1, 1-18.
  41. Maldonado, C. y Gómez, N. (2010). Modelamiento y simulación de sistemas complejos. Bogotá: Editorial Universidad del Rosario. Recuperado de https://bit.ly/36JK4sD
  42. Meuth, R., Lim, M., Ong, Y. y Wunsch, D. (2009). A proposition on memes and meta-memes incomputing for higher-order learning. Memetic Computing, 1(2), 85-100.
  43. Moscato, P. (1989). On evolution, search, optimization, genetic algorithms and martial arts: Towards memetic algorithms. Pasadena, Estados Unidos: Caltech. Recuperado de https://bit.ly/38K6hsb
  44. Nedjah, N., Coelho, L. y Mourelle, L. (Eds.). (2007). Mobile robots: The evolutionary approach - Studies in Computational Intelligence (vol. 50). Berlin: Springer.
  45. Nguyen, Q., Ong, Y. y Lim, M. (Julio del 2008). Non-genetic transmission of memes by diffusion. Conferencia presentada en 10th annual conference on Genetic and evolutionary computation, Atlanta, Estados Unidos, 1017-1024. doi: http://doi.acm.org/10.1145/1389095.1389285
  46. Pam, N. (13 de abril del 2013). Sociality [recurso en línea]. Recuperado de https://bit.ly/34vpt9Q
  47. Pan, Z., Feng, L., Ong, Y., Kang, Y., Tan, A. y Miao, C. (Septiembre del 2010). Meme selection, variation, and transmission in multi-agent system. Conferencia presentada en World Automation Congress, Kobe, Japón, 1-6. Recuperado de https://bit.ly/2rXpo1j
  48. Radetic, E., Pelikan, M. y Goldberg, D. (Julio del 2009). Effects of a deterministic hill climber on hBOA. Conferencia presentada en 11th Annual conference on Genetic and evolutionary computation, Montreal, Canadá, 437-444. doi: http://doi.acm.org/10.1145/1830483.1830543
  49. Randsley de Moura, G. y Abrams, D. (2013). Bribery, Blackmail, and the Double Standard for Leader Transgressions. Group Dynamics: Theory, Research, and Practice, 17(1), 43-52. doi: https://doi.org/10.1037/a0031287
  50. Reynolds, R. (1994). An introduction to cultural algorithms. En A. Sebald y L. Fogel (eds.), Proceedings of the third annual conference on evolutionary programming (pp. 131-139). River Edge, Estados Unidos: World Scientific Programming.
  51. Reynolds, R. y Peng, B. (2005). Cultural algorithms: computational modeling of how cultures learn to solve problems: an engineering example. Cybernetics and Systems: An International Journal, 36(8), 753-771. doi: https://doi.org/10.1080/01969720500306147
  52. Sawyer, R. (2003). Artificial Societies: Multiagent Systems and the Micro-Macro Link in Sociological Theory. Sociological Methods & research, 31(3), 325-363. doi: https://doi.org/10.1177/0049124102239079
  53. Smith, J. (Diciembre de 2003). Co-evolving memetic algorithms: A learning approach to robust scalableoptimisation. Conferencia presentada en The 2003 Congress on Evolutionary Computation, cec ‹03, Canberra, Australia, 498-505. doi: https://doi.org/10.1109/CEC.2003.1299617
  54. Squazzoni, F., Jager, W. y Edmonds, B. (2014). Social Simulation in the Social Sciences: A Brief Overview. Social Science Computer Review, 32(3), 279-294. doi: https://doi.org/10.1177/0894439313512975
  55. Sutton, R. y Barto, A. (1998). Reinforcement learning: An introduction. Cambridge, Estados Unidos: mit Press.
  56. Talbi, E. (2009). Metaheuristics: from design to implementation. Nueva Jersey: John Wiley & Sons.
  57. Tan, A., Lu, N. y Xiao, D. (2008). Integrating temporal difference methods and self-organizing neural networks for reinforcement learning with delayed evaluative feedback. ieee Transactions on Neural Networks, 19(2), 230-244. doi: https://doi.org/10.1109/TNN.2007.905839
  58. Ullah, A., Sarker, R., Comfort, D. y Lokan, C. (Septiembre del 2007). An agent-based memetic algorithm (ama) for solving constrained optimization problems. Conferencia presentada en 2007 ieee Congress on Evolutionary Computation, Singapur, Singapur, 999-1006. doi: https://doi.org/10.1109/CEC.2007.4424579
  59. Veruggio, G., Solis, J. y Van der Loos, M. (2011). Roboethics: Ethics Applied to Robotics. ieee Robotics & Automation Magazine, 18(1), 21-22. doi: 10.1109/MRA.2010.940149
  60. Wooldridge, M. (2009). An introduction to multiagent systems. Glasgow: John Wiley & Sons.
  61. Zaikman, Y. y Marks, M. (2014). Ambivalent Sexism and the Sexual Double Standard. Sex Roles, 71(9-10), 333-344.
Tutoriales

Autores:

¿Cómo enviar un artículo?

Pares Evaluadores:

Más leídos en los últimos 30 días

Información

Código QR

Palabras clave

Sistema OJS 3.4.0.9 - Metabiblioteca |