2012: Computação Natural - Slides do Curso

Fundamentos de Computação Natural

Slides do Curso Completo
Copyright© 2012 by Leandro Nunes de Castro

Este material foi desenvolvido com base na seguinte referência bibliográfica: DE CASTRO, L. N.
Fundamentals of Natural Computing: Basic Concepts, Algorithms, and Applications. CRC Press, 2006.
A primeira versão destes slides foi gerada em 2003 ainda durante a escrita da referência básica do curso,
quando a disciplina “Computação Natural” foi introduzida no Programa de Pós-Graduação em Engenharia
Elétrica da Unicamp. Partes deste material foram desenvolvidas em conjunto com o Prof. Fernando José Von
Zuben da Unicamp, a quem atribuo os devidos créditos e agradecimentos. Versões mais atuais do material
são utilizadas em disciplinas de pós-graduação de vários programas nacionais, incluindo o Programa de Pós-
Graduação em Engenharia Elétrica (PPGEE) da Universidade Presbiteriana Mackenzie, instituição sede do
autor principal. O uso deste material para fins acadêmicos é livre e gratuito, desde que sejam mantidas as
informações originais de autoria. As referências citadas e não listadas podem ser encontradas no livro texto
da disciplina. O Tópico 6 (Sistemas Imunológicos Artificiais) pode ser ministrado usando um ou mais dos
outros conjuntos de slides disponíveis no Slideshare do autor: http://www.slideshare.net/lndecastro. Mais
informações sobre o tema podem ser encontradas no site do Laboratório de Computação Natural (LCoN):
http://www.mackenzie.br/lcon.html.

Copyright© Leandro Nunes de Castro 1


Sumário do Curso
Tópico 1: Fundamentos de Computação Natural ........................................................................ 11
1. Introdução............................................................................................................................ 11
1.1. Motivação ................................................................................................................... 12
2. Filosofia da Computação Natural e suas Subáreas ............................................................. 18
2.1. Computação Inspirada na Biologia ............................................................................ 20
2.2. Simulação e Emulação de Fenômenos Naturais ........................................................ 21
2.3. Computação com Matéria-Prima Natural .................................................................. 21
3. Quando Usar a Computação Natural .................................................................................. 22
Tópico 2: Conceitualização .......................................................................................................... 24
1. A Dificuldade da Conceitualização .................................................................................... 24
2. Fenômenos Naturais, Modelos e Metáforas ....................................................................... 24
3. Da Natureza à Computação................................................................................................. 30
4. Conceitos Gerais ................................................................................................................. 32
4.1. Indivíduos, Entidades e Agentes ................................................................................ 32
4.2. Paralelismo e Distributividade ................................................................................... 35
4.3. Interatividade.............................................................................................................. 36
4.4. Adaptação ................................................................................................................... 40
4.5. Realimentação (Feedback) ......................................................................................... 43
4.6. Auto-Organização ...................................................................................................... 46



4.7. Complexidade ............................................................................................................ 48
4.8. Vitalismo e Reducionismo ......................................................................................... 51
4.9. Abordagens Bottom-Up e Top-Down ....................................................................... 55
4.10. Determinismo, Caos e Fractais .................................................................................. 56
Tópico 3: Computação Evolutiva ................................................................................................ 60
1. A Origem das Espécies ....................................................................................................... 60
2. A Ideia Perigosa de Darwin ................................................................................................ 63
2.1. A Seleção Natural como um Processo Algorítmico .................................................. 66
2.2. Espaço de Buscas (Design Space) ............................................................................. 68
2.3. Biologia é Engenharia ................................................................................................ 69
3. Base Biológica .................................................................................................................... 71
3.1. Hereditariedade .......................................................................................................... 71
3.2. Do Darwinismo ao Neodarwinismo .......................................................................... 75
3.3. Terminologia biológica .............................................................................................. 76
3.4. Fenótipo x Genótipo................................................................................................... 80
3.5. Adaptação evolutiva................................................................................................... 82
3.6. Reprodução assexuada e sexuada .............................................................................. 82
3.7. Mutação ...................................................................................................................... 86
4. Resolução de Problemas via Métodos de Busca................................................................. 89
5. Algoritmos Genéticos ......................................................................................................... 94
5.1. Representação (Estrutura de Dados) .......................................................................... 95



5.2. Mecanismo de Seleção ............................................................................................... 96
5.3. Operador de Recombinação (Crossover Simples) ..................................................... 98
5.4. Operador de Mutação ............................................................................................... 100
6. Algoritmo Genético Modificado ....................................................................................... 102
7. Da Biologia para a Computação Evolutiva ...................................................................... 104
8. Escopo da Computação Evolutiva .................................................................................... 105
8.1. Aplicações em Planejamento ................................................................................... 105
8.2. Aplicações em Projeto ............................................................................................. 107
8.3. Aplicações em Simulação e Identificação ............................................................... 108
8.4. Aplicações em Controle ........................................................................................... 109
8.5. Aplicações em Classificação ................................................................................... 110
Tópico 4: Redes Neurais Artificiais ........................................................................................... 111
1. Base Biológica .................................................................................................................. 111
1.1. O Sistema Nervoso................................................................................................... 112
1.2. Base Biológica e Física da Aprendizagem e Memória ............................................ 122
2. Redes Neurais Artificiais .................................................................................................. 123
2.1. O Neurônio Genérico em RNAs .............................................................................. 128
2.2. Arquiteturas de Rede................................................................................................ 135
2.3. Paradigmas de Aprendizagem ................................................................................. 142
3. Alguns Algoritmos de Aprendizado Supervisionado ....................................................... 153
3.1. Perceptron ................................................................................................................ 153



Tópico 5: Inteligência de Enxame ............................................................................................. 166
1. Introdução.......................................................................................................................... 166
2. Algumas Ideias sobre Insetos Sociais ............................................................................... 169
2.1. Curiosidades sobre as formigas ............................................................................... 173
3. Colônias de Formigas........................................................................................................ 174
3.1. Coleta de Alimento pelas Formigas ......................................................................... 176
3.2. Otimização por Colônias de Formigas .................................................................... 180
3.3. Uma Simulação de Vida Artificial .......................................................................... 182
3.4. Algoritmo Simples de Otimização por Colônias de Formigas ................................ 185
3.5. Algoritmo Genérico de Otimização por Colônias de Formigas .............................. 188
3.6. Exemplo de Aplicação ............................................................................................. 191
3.7. Clusterização de Corpos e Organização de Larvas ................................................. 197
3.8. Clusterização por Colônias de Formigas ................................................................. 199
3.9. Algoritmo Simples de Clusterização (ACA) ........................................................... 200
3.10. Exemplos de Aplicação............................................................................................ 207
4. Robótica de Enxame ......................................................................................................... 214
4.1. Coleta de Alimento pelas Formigas ......................................................................... 218
4.2. Clusterização de Objetos.......................................................................................... 222
4.3. Transporte Coletivo de Presas ................................................................................. 226
5. Adaptação Social do Conhecimento ................................................................................. 236
5.1. Algoritmo de Otimização por Partículas ................................................................. 238



5.2. Escopo de Aplicação ................................................................................................ 244
5.3. De Sistemas Sociais a Enxames de Partículas ......................................................... 245
Tópico 7: Geometria Fractal da Natureza .................................................................................. 246
1. Introdução.......................................................................................................................... 248
2. A Geometria Fractal da Natureza ..................................................................................... 249
2.1. Autossimilaridade .................................................................................................... 251
2.2. Alguns Fractais Pioneiros ........................................................................................ 253
2.3. Dimensão e Dimensão Fractal ................................................................................. 259
3. Autômatos Celulares ......................................................................................................... 266
3.1. O Exemplo Mais Simples ........................................................................................ 268
3.2. Definição Formal ..................................................................................................... 269
3.3. Escopo de Aplicação ................................................................................................ 271
4. Sistemas L (L-Systems) .................................................................................................... 272
4.1. Conceitos sobre Sistemas de Produção e Gramáticas ............................................. 272
4.2. Sistemas DOL .......................................................................................................... 274
4.3. Gráfico Tartaruga (Turtle Graphics) ........................................................................ 277
4.4. Modelos de Arquiteturas de Plantas ........................................................................ 280
4.5. Escopo dos Sistemas L............................................................................................. 284
5. Sistemas de Funções Iterativas ......................................................................................... 284
5.1. Fundamentos Teóricos ............................................................................................. 285
5.2. Sistemas de Funções Iterativas (IFS) ....................................................................... 288



5.3. Autosimilaridade e Autoafinidade Revisitadas ....................................................... 293
6. Movimento Browniano ..................................................................................................... 294
6.1. Fractais Aleatórios na Natureza e Movimento Browniano ..................................... 295
6.2. Movimento Browniano Fracionário ........................................................................ 303
6.3. Escopo do MBF ....................................................................................................... 308
7. Sistemas de Partículas ....................................................................................................... 310
7.1. Conceitos Básicos .................................................................................................... 311
7.2. Modelo Básico ......................................................................................................... 313
7.3. Simulando Fogos de Artifício .................................................................................. 315
7.4. Escopo dos Sistemas de Partículas .......................................................................... 317
8. Da Geometria Natural à Geometria Fractal ...................................................................... 317
9. Escopo da Geometria Fractal ............................................................................................ 319
Tópico 8: Vida Artificial ............................................................................................................ 322
1. Introdução.......................................................................................................................... 322
1.1. Algumas Definições ................................................................................................. 322
1.2. Weak ALife × Strong ALife .................................................................................... 325
2. Conceitos e Características da ALife ................................................................................ 326
2.1. ALife e Computação Inspirada na Natureza............................................................ 326
2.2. Vida e Organismos Artificiais ................................................................................. 327
2.3. Vida Artificial e Biologia......................................................................................... 330
2.4. Modelos e Características da Vida Artificial Computacional ................................. 333



2.5. Vida Artificial como Sistemas Complexos Adaptativos ......................................... 334
3. Exemplos de Projetos de Vida Artificial .......................................................................... 335
3.1. Coletivos: Revoadas, Grupos e Cardumes .............................................................. 335
3.2. Biomorphs (Bioformas) ........................................................................................... 338
3.3. Vírus Computacionais .............................................................................................. 343
3.4. Síntese de Comportamentos Emocionais................................................................. 346
3.5. O Robô Cachorro AIBO da Sony® .......................................................................... 350
3.6. Construção de Ninhos de Abelhas e Vespas ........................................................... 352
3.7. Criaturas ................................................................................................................... 357
3.8. Peixes Artificiais ...................................................................................................... 359
3.9. Tartarugas, Cupins e Engarrafamentos de Trânsito ................................................ 362
3.10. Simulações com Autômatos Celulares .................................................................... 363
3.11. Framsticks ................................................................................................................ 371
4. Escopo da Vida Artificial .................................................................................................. 372
Tópico 9: Computação de DNA ................................................................................................ 373
1. Introdução.......................................................................................................................... 373
1.1. Computação de DNA x Computadores Tradicionais .............................................. 374
2. Conceitos Básicos de Biologia Molecular ........................................................................ 375
2.1. A Molécula de DNA ................................................................................................ 375
2.2. Manipulando o DNA................................................................................................ 381
3. Modelos Baseados em Filtragem ...................................................................................... 387



3.1. O Experimento de Adleman .................................................................................... 387
3.2. A Solução de Lipton para o Problema SAT ............................................................ 396
3.3. Linguagem de Programação de Tubos de Ensaio .................................................... 403
4. Um Breve Resumo dos Modelos Formais ........................................................................ 411
5. Computadores Universais de DNA................................................................................... 414
6. Escopo da Computação de DNA ...................................................................................... 419
7. Discussão ........................................................................................................................... 421
Tópico 10: Computação Quântica ............................................................................................. 424
1. Princípios de Mecânica Quântica...................................................................................... 424
1.1. A Notação de Dirac .................................................................................................. 424
1.2. Superposição Quântica............................................................................................. 426
1.3. Produtos Tensores .................................................................................................... 426
1.4. Emaranhamento (Entanglement) ............................................................................. 428
1.5. Evolução (Dinâmica) ............................................................................................... 430
1.6. Medição .................................................................................................................... 432
1.7. Teorema ‘No-Cloning’............................................................................................. 433
2. Informação Quântica ......................................................................................................... 435
2.1. Bits e Bits Quânticos ................................................................................................ 435
2.2. Múltiplos Bits e Qubits ............................................................................................ 437
2.3. Portas Lógicas e Portas Quânticas ........................................................................... 440
2.4. Circuitos Quânticos .................................................................................................. 446



3. Exemplos de Aplicação ..................................................................................................... 448
3.1. Codificação Densa ................................................................................................... 449
3.2. Teletransporte Quântico ........................................................................................... 452



Tópico 1: Fundamentos de Computação Natural
1. Introdução
• Durante os primeiros anos da humanidade os recursos naturais eram usados para
alimentação e proteção.
• Após algum tempo aprendemos a modificar e controlar a natureza, produzindo
alimentos, criando animais, construindo artefatos, controlando o fogo, etc.
• Mais recentemente passamos a observar e estudar fenômenos físicos, químicos e
biológicos com o objetivo de compreender melhor o funcionamento da natureza.
o Exemplo: estudos sobre as leis do movimento e gravidade nos permitiram
projetar aviões.
• Apesar de todos os avanços anteriores, foi o desenvolvimento tecnológico que
alterou drasticamente nossa interação com a natureza.



• Ela permitiu o uso da natureza como fonte de inspiração (metáfora) para o
desenvolvimento de técnicas de solução de problemas; simular e emular
fenômenos e mecanismos naturais em computador; e utilizarmos novos materiais
para computar.

1.1. Motivação
• A computação natural é constituída por novas abordagens de computação
caracterizadas por uma maior proximidade com a natureza.
• Seus resultados e transformações já afetam nossas vidas, mesmo sem percebermos,
e podem vir a ser ainda mais marcantes:
o A computação natural já se encontra em máquinas de lavar roupas, trens,
brinquedos, aparelhos de ar-condicionado, filmes, jogos eletrônicos, etc.
• Existem várias razões para se estudar a computação natural:
o Possibilidade de desenvolver novas ferramentas computacionais para a solução
de problemas complexos (de engenharia);


o A possibilidade de projetar dispositivos (computacionais) que simulam, emulam,
modelam e descrevem sistemas naturais;
o A possibilidade de sintetizar novas formas de vida; e
o A possibilidade de utilizar materiais e mecanismos naturais, como cadeias de
DNA e dispositivos quânticos, como novos paradigmas de computação em
substituição aos computadores atuais baseados em silício.
• Exemplos de objetos inspirados na natureza:
o Velcro (plantas); Coletes a prova de bala (teias de aranha); Sonares (morcegos);
Aviões (pássaros); Submarinos (peixes); etc.
• Além disso, a observação da natureza permitiu o desenvolvimento de diversas leis
e teorias sobre como a natureza opera. Por exemplo, as leis da física:
o Leis da termodinâmica (conservação, entropia, e zero absoluto); leis do
movimento (leis de Newton); leis do eletromagnetismo (leis de Maxwell); etc.



• A computação natural pode ser vista como uma versão computacional do processo
de extração de ideias da natureza para o desenvolvimento de sistemas
“artificiais”, ou então a utilização de materiais e mecanismos naturais para
realizar computação.
• É importante salientar que a palavra “artificial” neste contexto significa apenas que
os sistemas são desenvolvidos por seres humanos ao invés de serem resultantes de
processos naturais.
• A computação natural pode ser dividida em três grandes partes:
o Computação inspirada na natureza: utiliza a natureza como fonte de inspiração
para o desenvolvimento de novas técnicas de solução de problemas;
o Simulação e emulação da natureza utilizando a computação: trata-se
basicamente de um processo de síntese que objetiva criar formas, padrões e
comportamentos similares àqueles conhecidos na natureza. Além disso, algumas
áreas visam o desenvolvimento de organismos artificiais; e



o Computação com materiais naturais: corresponde ao uso de um novo tipo de
matéria prima para computar. Trata-se de um novo paradigma de computação
que vem com o objetivo principal de substituir a tecnologia de silício empregada
atualmente.

Computação Natural

PARTE I PARTE II PARTE III
Computação Inspirada Simulação e Emulação Computação com Novos
na Natureza da Natureza Materiais Naturais

Figura 1: Três principais vertentes da computação natural.



• Sendo assim, é possível definir a computação natural como sendo a linha de
pesquisa que, baseada ou inspirada na natureza: 1) permite o desenvolvimento de
novas ferramentas de computação (em software e/ou hardware) para a solução de
problemas; 2) resulta em processos de síntese de padrões, formas,
comportamentos e organismos; e 3) que utiliza matéria-prima natural para o
desenvolvimento de novos tipos de computadores.
• Portanto, a computação natural é uma linha de pesquisa que depõe contra a
especialização de disciplinas.
• Ela mostra, com suas três principais áreas de atuação, que o conhecimento em
diversas linhas de pesquisa é necessário para uma maior compreensão da natureza,
para o estudo e simulação de sistemas e processos naturais, e para o
desenvolvimento de novos paradigmas de computação.
• Físicos, químicos, engenheiros, matemáticos, biólogos, etc., todos contribuem e
trocam ideias para o desenvolvimento da computação natural.



• É importante salientar que o desenvolvimento da computação natural também
resulta em benefícios para as ciências naturais (biologia, química e física).
o Diversas ferramentas, algoritmos e sistemas computacionais desenvolvidos em
computação natural são empregadas para solucionar problemas em áreas como
biologia, bioinformática, imunologia, etc., e também podem ser empregados
como modelos abstratos de fenômenos naturais, podendo resultar assim em um
melhor entendimento da natureza.
• Este curso visa fornecer uma visão geral dos fundamentos da ampla área de
computação natural, apresentando conceitos básicos, pseudocódigos para
algoritmos, discussões teóricas e filosóficas sobre temas específicos, guiando os
alunos para a literatura relevante e sites na Internet onde procurar informações
de qualidade sobre os tópicos abordados, e propondo uma série de atividades
teóricas, filosóficas e computacionais para garantir uma maior fixação dos
conceitos abordados.



• Este curso não trata os conceitos mais avançados das áreas de computação
natural estudadas.

2. Filosofia da Computação Natural e suas Subáreas
• Como é possível descobrir regras e mecanismos naturais que podem ser úteis sob
uma perspectiva computacional?
• As explicações científicas têm sido dominadas pela formulação de princípios e
regras que governam o comportamento de um dado sistema (fenômeno).
• A computação natural geralmente enfatiza modelos altamente simplificados e
abstratos da natureza. (A lâmina de Occam – Occam’s razor)
• As razões para um tratamento simplificado são várias:
o Muitas simplificações são necessárias para tornar a computação tratável;
o Pode ser vantajoso destacar as características mínimas de um sistema que
permitem o uso de algum de seus aspectos particulares;



o O uso de ‘modelos’ simplificados é suficiente para atingir os objetivos
esperados; e
o Nem sempre são conhecidos os detalhes do fenômeno/sistema natural
observado/estudado.
• Foco do curso:
o Extração de ideias e abstrações;
o Aspectos de projeto da computação natural; e
o Desenvolvimento e uso de ferramentas computacionais inspiradas na natureza.



Observações
empíricas

experimentais
Síntese de

Estudos
fenômenos

Novas formas
Computação
de resolver
natural
problemas
Estudos
teóricos

Novos
paradigmas de
computação
Outras linhas
de pesquisa

Figura 2: Integração de linhas de pesquisa para o desenvolvimento da computação natural.

2.1. Computação Inspirada na Biologia
• Este curso irá abordar quatro tópicos da computação inspirada na biologia:
o Computação evolutiva



o Inteligência de Enxame
o Neurocomputação
o Sistemas Imunológicos Artificiais

2.2. Simulação e Emulação de Fenômenos Naturais
• Tópicos a serem abordados:
o Vida artificial
o Geometria fractal

2.3. Computação com Matéria-Prima Natural
• Tópicos a serem abordados:
o Computação de DNA
o Computação quântica



3. Quando Usar a Computação Natural
• As técnicas que compõem a computação natural correspondem, quase
invariavelmente, a técnicas alternativas.
• Isso significa que, em muitos casos, há outras formas de resolver o mesmo
problema, sintetizar o mesmo fenômeno e realizar a mesma computação.
• Portanto, é necessário investigar com cuidado se há ou não a necessidade de
aplicar uma técnica de computação natural a um dado problema.
• Algumas dicas. A computação natural pode ser usada quando:
o O problema a ser resolvido é complexo; ou seja, envolve um grande número de
variáveis, uma grande quantidade de possíveis soluções, é dinâmico, etc.
o Não é possível garantir que uma solução potencial encontrada é ótima, mas é
possível criar medidas de comparação entre soluções candidatas;
o O problema a ser resolvido não pode ser (apropriadamente) modelado, assim
como problemas de reconhecimento e classificação de padrões. Em alguns



casos, embora não seja possível modelar o problema é possível empregar
exemplos (amostras) para ‘ensinar’ o sistema a resolver o problema;
o Uma única solução não é suficiente, ou seja, quando diversidade é importante;
o Sistemas físicos, químicos e biológicos precisam ser modelados ou emulados
com realismo. Nem sempre a geometria Euclidiana é suficiente;
o Comportamentos e padrões naturais precisam ser reproduzidos com realismo;
o Os limites da tecnologia computacional atual forem atingidos.



Tópico 2: Conceitualização
1. A Dificuldade da Conceitualização
• Existe uma grande quantidade de conceitos envolvidos em computação natural.
• Muitos destes conceitos são conhecidos em outras linhas de pesquisa e podem ter
significados diferentes.
• Um dos aspectos que deve ficar claro ao estudar este tópico é a necessidade de
sermos cuidadosos com a terminologia empregada em trabalhos técnicos, como
textos de tese, artigos, etc.

2. Fenômenos Naturais, Modelos e Metáforas
• O enfoque deste curso está na utilização da natureza como fonte de inspiração para
a computação natural.



• O termo modelo é geralmente utilizado para se referir a uma descrição
(esquemática) de um sistema, uma teoria, ou um fenômeno, levando em
consideração suas propriedades conhecidas ou inferidas, e que pode ser utilizado
para um estudo mais aprofundado sobre suas características.
• Nas ciências naturais (biologia, química e física), modelos geralmente são
utilizados com vários propósitos:
o Através da modelagem e identificação de um sistema é possível oferecer uma
melhor descrição quantitativa dele e seus resultados experimentais;
o Modelos podem ajudar na análise crítica de hipóteses e na compreensão dos
mecanismos naturais envolvidos;
o Modelos também podem ajudar na predição de comportamentos e no projeto de
experimentos;
o Modelos podem ser utilizados para simular e estimular novas abordagens para o
estudo de sistemas naturais; e



o Modelos podem permitir recuperar informações obtidas em experimentos.
• A palavra metáfora se origina do grego e significa “transferência”. Uma metáfora
corresponde ao uso de uma linguagem referente a um objeto A para designar outro
objeto B, de forma a utilizar B para caracterizar A. Metáforas geralmente são vistas
como comparações implícitas.
o Exemplo 1: ela é uma flor → significando, p. ex.: ela é bela como uma flor.
o Exemplo 2: “sistemas imunológicos computacionais”.
• Embora metáforas possam sugerir comparações, elas são geralmente atribuições de
propriedades entre entidades.
o Exemplo: “redes neurais artificiais” possuem características inspiradas no
sistema neural humano.
• Em termos computacionais, existe uma diferença importante entre um modelo e
uma metáfora.



o Enquanto os modelos visam descrições quantitativas de algum fenômeno,
metáforas constituem geralmente abstrações e simplificações de um sistema ou
processo com o objetivo de desenvolver outro sistema ou processo.
• Um experimento pode ser considerado como um procedimento realizado em um
ambiente controlado, com o objetivo de coletar observações, dados, ou fatos, que
demonstrem fatos conhecidos ou teorias, ou que permitam e elaboração e/ou teste
de teorias e hipóteses.
• Exemplo de um experimento biológico: utilização de ratos para verificação da
potencialidade de algumas drogas na redução da pressão arterial.
• Tradicionalmente, experimentos biológicos podem ser realizados in vitro ou in
vivo.
o Atualmente eles também podem ser realizados in silico utilizando modelos.
• Há importantes diferenças conceituais entre os termos experimento, simulação,
emulação e realização (realization).



• Uma simulação tem como principal objetivo predizer aspectos comportamentais de
um fenômeno através da criação de um modelo aproximado deste fenômeno.
• Isso pode ser feito através da criação de um modelo físico, escrevendo-se um
programa computacional, utilizando-se um pacote de simulação específico, etc.
o Exemplo: simulação de acidente de automóveis.
• Todos os passos de uma simulação devem ser cuidadosamente verificados de
forma a garantir uma fiel reprodução do fenômeno simulado.
• A realização de um sistema ou organismo corresponde ao desenvolvimento de um
modelo material literal que implementa certas funções do sistema ou organismo
original.
• Uma realização é avaliada, primariamente, pela sua fidelidade como uma
implementação de uma especificação de projeto.
o Um sistema ou função é usado para realizar um outro quando ele se comporta
exatamente como o outro.



• Emular um sistema é imitar ou reproduzir suas funções usando outro sistema ou
meio.
o Exemplo: emular um computador através de um programa executado em outro
computador.
• Emulamos um sistema como uma forma de substituí-lo, enquanto simulamos um
sistema se o objetivo é, por exemplo, analisá-lo ou estudá-lo.
• Devido às diferenças de objetivo e níveis de detalhes incorporados, a maioria dos
“modelos” propostos em computação natural é denominada metáfora, simulação,
emulação, ou simplesmente abstração da natureza.
• Além disso, a computação natural geralmente emprega abordagens distintas
daquelas comuns nas ciências naturais.
• A biologia teórica costuma desenvolver modelos baseados em equações
diferencias ordinárias (EDO) e/ou simulações de Monte Carlo.



o Exemplo de EDO: modelo de uma colônia de formigas seguindo uma trilha de
feromônio. Quanto mais feromônio uma formiga encontra, mais rápido ela anda:
dx/dt = kP,
onde dx/dt corresponde a velocidade (dx: espaço, dt: tempo), k é uma constante
de proporcionalidade, e P é o nível de feromônio.

3. Da Natureza à Computação
• Na maioria dos casos, o primeiro passo para se desenvolver uma ferramenta de
computação natural é observar a natureza e seus modelos teóricos objetivando
encontrar algum mecanismo passível de simulação, emulação, ou implementação
computacional.
o Exemplo: objetivando criar um cachorro “artificial” que se comporte de forma
similar a um cachorro doméstico, podemos observar comportamentos básicos e
instintivos de um cachorro real.



• Entretanto, uma das dificuldades em se criar novas abordagens de computação
natural reside no fato de que geralmente é difícil compreender de forma direta
como a natureza funciona.
o Exemplo: embora já conheçamos alguns mecanismos básicos de processamento
e transmissão de sinais no cérebro humano, está muito longe do nosso alcance
desvendar todos seus mistérios, principalmente algumas características
cognitivas como amar e sentir ódio.
• A utilização da natureza como fonte de inspiração gera questões importantes de
ordem prática:
o Será que imitar a natureza é a melhor abordagem?
o Até que ponto o sistema desenvolvido deve ser fiel à sua fonte de inspiração
(natureza)?
• Projetar um mecanismo de computação natural não deixa de ser uma tarefa de
engenharia.



o Propriedades e dispositivos físicos, mecânicos, estruturais e comportamentais da
natureza são utilizados para desenvolver ferramentas de solução de problemas,
novas formas de vida, e novos paradigmas de computação.
• Embora seja muito difícil fornecer uma estrutura formal e genérica para o
desenvolvimento de ferramentas de computação natural, boa parte de suas diversas
linhas de pesquisa permite a especificação de um conjunto de características e
procedimentos básicos de projeto.

4. Conceitos Gerais
4.1. Indivíduos, Entidades e Agentes
• Existe uma vasta literatura sobre agentes e teoria de agentes.
• Uma das principais características da computação natural está na coletividade:
populações de indivíduos, colônias de insetos, revoadas de pássaros, genomas,
repertórios de células, redes de neurônios, etc.



• Todos estes fenômenos, processos, sistemas, etc., são compostos por diversas
entidades ou componentes.
• Neste curso, a palavra agente será utilizada, juntamente com as palavras entidade e
componente para descrever os vários elementos que compõem um determinado
sistema.
• Atualmente, o termo agente é utilizado para referenciar qualquer coisa entre uma
mera sub-rotina de um programa computacional até um organismo inteligente.
• Intuitivamente, para algo ser considerado um agente ele deve apresentar algum
grau de autonomia ou identidade, ou seja, ele deve ser distinguível do seu ambiente
por alguma barreira física, química ou temporal.
• É interessante perceber que num sistema baseado em agentes simples, interagindo
localmente, é possível observar um comportamento sinergético que resulta em
comportamentos globais muito mais complexos do que aqueles observados nos
agentes individuais.



• A teoria de agentes apresenta uma série de definições sobre o que é um agente:
o “Um agente é qualquer coisa que pode perceber o ambiente através de seus
sensores e atuar neste ambiente através de seus atuadores.” (Russel & Norvig,
1995)
o “Um agente deve apresentar as seguintes características: autonomia, habilidade
social, reatividade, pró-atividade.” (Wooldridge & Jennings, 1995)
o “Um agente autônomo é um sistema situado dentro e que faz parte de um
ambiente, que é capaz de sentir e atuar neste ambiente, ao longo do tempo, em
busca da realização de seus próprios objetivos.” (Franklin & Graesser, 1997)
• Tipos de agentes: biológicos (formigas, neurônios, etc.), físicos (robôs, etc.),
virtuais (Tamagotchi, etc.), etc.



Figura 3: (a) Agentes naturais. (b) Agente artificial.

4.2. Paralelismo e Distributividade
• Existem vários exemplos conhecidos envolvendo o processamento de mais de um
evento ou processo ao mesmo tempo e de forma distribuída. O processamento
paralelo e distribuído compõe boa parte da natureza.
o Exemplos: organismos sociais, genomas, evolução das espécies, etc.



4.3. Interatividade
• Os componentes da maioria dos sistemas naturais possuem a capacidade de
interagir com outros componentes e com o ambiente.
• Podem existir diversas formas de interação entre indivíduos: reprodutiva,
simbiótica, competitiva, cooperativa, parasítica, etc.
• Em um nível macroscópico, um resultado desta interatividade é a disputa por uma
quantidade limitada de recursos naturais, ou seja, a luta pela sobrevivência.
o Indivíduos mais bem adaptados ao seu ambiente local possuem maior chances
de sobrevivência e reprodução, propagando assim seu material genético.
• Sistemas, organismos e comportamentos complexos são resultados da interação
(dentre outros processos) entre elementos.
• A interação entre elementos e partes de um sistema também permite a
redistribuição de tarefas.
o Exemplo: recuperação de pacientes com cérebros danificados.



• Existem alguns tipos particulares de interação entre elementos que são importantes
para a computação natural: reprodução, sinalização molecular, interação via
conexões e estigmergia.
Conectividade
• Sistemas conexionistas empregam um tipo de representação onde a informação é
codificada através de nós e conexões de uma rede de elementos básicos, também
denominados de unidades.
• O termo conexionismo surgiu em meados dos anos 1980 para descrever modelos
cognitivos em forma de rede, baseados nos padrões de ativação de numerosas
unidades simples de processamento de informação.
• Entretanto, qualquer sistema estruturado sob a forma de um grafo pode ser
considerado um sistema conexionista.
o Exemplos: redes neurais e redes imunológicas.
• Os sistemas conexionistas possuem uma série de peculiaridades:



o As conexões estabelecem caminhos para a interação entre unidades: duas
unidades só podem interagir através da conexão que as liga;
o A conexão é geralmente um elemento ativo da interação, ou seja, ela não apenas
especifica quem interage com quem, mas ela também quantifica esta interação;
o A interação direta via conexão também fornece uma estrutura ou arquitetura
para o sistema. Esta estrutura pode, por exemplo, refletir a estrutura do ambiente
no qual a rede está inserida.
Estigmergia
• Grassé (1959) introduziu o conceito de estigmergia para se referir à forma
coordenada de construção do ninho dos cupins do gênero Macrotermes.
• Ele percebeu como os cupins atuam de forma independente em uma estrutura sem
se comunicar diretamente uns com os outros.



• O conceito de estigmergia fornece um mecanismo geral que relaciona
comportamentos individuais e globais: um comportamento individual modifica o
ambiente que resulta em um novo comportamento individual modificado.
• Sendo assim, o ambiente media a comunicação ou interação entre os indivíduos, ou
seja, existe uma forma de interação indireta entre os indivíduos.
• Meios diretos de interação entre os cupins são antenação, trofalaxia (troca de
comida e/ou líquidos), contato mandibular, contato visual, etc.



Figura 4: Construção do ninho por cupins. Quando a quantidade de material atinge um nível
crítico, o próprio processo de construção estimula o trabalho de outros cupins.

4.4. Adaptação
• Adaptação pode ser definida como a habilidade de um sistema ajustar sua resposta
a estímulos ambientais. Adaptação é um sinônimo de mudança, variação. Um



agente que sofre modificação, de forma a se tornar melhor preparado para uma
situação ou aplicação, torna-se mais adaptado a este novo cenário.
• Existem muitas palavras que podem ser interpretadas como sinônimos da palavra
adaptação, por exemplo, evolução, aprendizagem e auto-organização.
• Entretanto, estes conceitos também podem ser vistos como sendo resultantes de um
processo adaptativo.
Aprendizagem
• A aprendizagem corresponde ao ato, processo ou experiência de adquirir
conhecimento, compreensão, capacidade ou abilidade, através de experiência,
estudo, ou interações.
• Sistemas que sofrem aprendizagem são geralmente aqueles capazes de se adaptar
ou mudar seu comportamento baseado em exemplos, de forma a manipular
informações.



• Uma virtude importante da aprendizagem baseada em adaptação é a possibilidade
de resolver tarefas de processamento de informação e a capacidade de operar em
ambientes dinâmicos.
• A maioria dos processos de aprendizagem é gradativa, ou seja, eles não ocorrem de
uma hora para outra.
• Quando um sistema aprende alguma coisa, ele altera seu padrão comportamental
ou alguma outra de suas características.
• Existem formas de aprendizagem que não são gradativas, por exemplo, a
memorização.
• É importante salientar que a aprendizagem não requer consciência e nem
inteligência. Animais e insetos aprendem os caminhos que devem seguir para obter
comida, se reproduzir, etc.



Evolução
• Em sua forma mais simples, a teoria da evolução simplesmente afirma que a vida
muda ao longo do tempo, com formas mais jovens descendendo de formas mais
antigas.
• Diferentemente da aprendizagem, a evolução requer a ocorrência de processos
específicos bem definidos. Primeiramente a evolução requer uma população de
indivíduos capazes de se reproduzir, sofrer variações genéticas, e seleção natural.
• Na falta de qualquer uma destas características não existe evolução.

4.5. Realimentação (Feedback)
• Essencialmente, uma realimentação ocorre quando a resposta a um estímulo
possui algum tipo de efeito sobre o próprio estímulo.
• A realimentação pode ser entendida como o retorno (de uma parte) da saída de um
processo ou sistema para a sua entrada, especialmente quando utilizada para
manter o desempenho ou controle do sistema ou processo.


• A natureza da resposta determina como a realimentação é chamada:
o Realimentação positiva: a resposta aumenta o estímulo original
o Realimentação negativa: a resposta diminui o estímulo original
Realimentação positiva
• É um tipo de processo de auto-reforço (ou crescimento) no qual quanto mais um
evento ocorre, mais ele tende a ocorrer.
o Exemplos: agrupamento de corpos em colônias de formigas, construção de
ninhos de cupins, resposta imunológica, reprodução humana, avalanche, etc.

More termites

More pheromone

Figura 5: Realimentação positiva no processo de construção do ninho por cupins.



Realimentação negativa
• A realimentação negativa opera como um regulador para a realimentação positiva
de forma a manter um equilíbrio (dinâmico) do meio.
• A ausência de mecanismos de realimentação negativa resultaria em sistemas
instáveis ou na extinção de recursos.
o Exemplos: ecossistemas, homeostase, metabolismo, termostato, etc.

Too hot

More cold air

Pleasant
temperature

More hot air

Too cold

Figura 6: Realimentação negativa no funcionamento de um aquecedor/ar-condicionado.



4.6. Auto-Organização
• Uma questão importante nas ciências naturais é “De onde vem a ordem que
observamos na natureza?”
• O mundo está cheio de sistemas, organismos, processos e fenômenos que mantêm
uma grande quantidade de energia e organização interna desafiando as leis da
física.
o Exemplos de sistemas auto-organizados: partículas suspensas de água formando
nuvens, desenvolvimento embrionário, organizações sociais, etc.
• Um aspecto importante desta auto-organização é que os processos observados não
estão apenas sujeitos às leis da física e à composição genética, a auto-organização
é um fenômeno que emerge espontaneamente.
• A auto-organização se refere a um amplo processo de formação de padrões em
sistemas físicos e biológicos.



o Exemplos: formas em dunas de areia, ondas produzidas por uma torcida de
futebol, reações químicas formando espirais, etc.
• A formação de padrões em sistemas auto-organizados ocorre através de interações
internas ao sistema, sem nenhuma intervenção externa direta.
• No sentido adotado aqui, um padrão corresponde a um arranjo espacial e/ou
temporal organizado de objetos.
• O conceito de auto-organização também pode ser entendido fornecendo-se
contraexemplos.
o Contraexemplos: soldados marchando, homens trabalhando em uma construção,
etc.
• Fato interessante: abelha rainha.
Características da Auto-Organização
• Coletividade e interatividade, dinâmica, emergência, não linearidades,
complexidade, baseada em regras, retroalimentação.



Alternativas a Auto-Organização
• Liderança. Ex.: um capitão em um campo de batalha.
• Modelo. Ex.: partitura musical.
• Receita. Ex.: receita de bolo.
• Fôrma ou molde. Ex.: moldes para fabricar peças de automóveis.

4.7. Complexidade
• Um sistema complexo pode ser definido como aquele cujas propriedades não
podem ser completamente compreendidas e nem explicadas estudando-se as partes
que o compõe.
• De uma forma menos genérica, um sistema complexo é aquele que possui uma
grande quantidade de componentes que interagem entre si e com o meio ambiente
e cujo comportamento global é não linear e geralmente apresenta processos auto-
organizados.



o Exemplos: sistema imunológico, uma célula individual, uma formiga, um
relógio, etc.
• A nova linha de pesquisa denominada de complexidade sugere que a organização
interna de um sistema não é condição suficiente para a compreensão de como o
sistema funciona. É também preciso investigar como o sistema interage com o
meio ambiente e como as diversas partes componentes do sistema interagem entre
si e com o meio ambiente.
o Exemplo: pleiotropia e poligenia genética.
• Uma das contribuições importantes da complexidade para a ciência está na
sugestão e descoberta de que vários comportamentos complexos podem ser
reproduzidos e/ou descritos por uma quantidade finita e, geralmente, pequena de
regras simples.
o Exemplo: as leis da física.



• Já foram discutidas as quatro principais formas de se estudar sistemas complexos:
experimentação, modelagem, simulação e emulação. A computação natural utiliza
todas as quatro abordagens, com maior ou menor grau de aprofundamento.
• Apesar da grande simplicidade da maioria das técnicas de computação natural, elas
ainda devem ser capazes de capturar características essenciais dos processos
naturais envolvidos.
Sistemas Complexos Adaptativos
• A diferença básica entre um sistema complexo e um sistema complexo adaptativo
está na capacidade de se adaptar dos sistemas adaptativos.
• Embora conceitualmente esta pareça uma pequena diferença, os sistemas
complexos adaptativos (chamados de CAS – complex adaptive systems) possuem
maiores capacidades de extrair e processar informações, podendo, portanto, se
tornar melhores adaptados ao ambiente onde estão inseridos e realizar diversas
tarefas.



Emergência
• O conceito de emergência está intimamente relacionado com o conceito de auto-
organização.
• Existem diversas propriedades de um sistema ou organismo que não estão
presentes e nem são diretamente deriváveis de seus componentes. Estas
propriedades são ditas emergentes.
o Exemplos: uma gota d’água não é uma nuvem, um neurônio não é consciente.
• Praticamente todos os sistemas complexos adaptativos apresentam
comportamentos emergentes.
• Uma característica importante dos sistemas emergentes é o fato deles serem
governados por regras.

4.8. Vitalismo e Reducionismo
• As doutrinas vitalistas clássicas do século 18 eram baseadas na ideia de que a vida
era devida a espíritos imateriais.


• Por outro lado, a visão reducionista da vida sugeria que ela poderia ser descrita por
processos químicos e físicos.
• Por muito tempo os cientistas acreditavam e se empolgavam com a ideia de que a
vida poderia ser totalmente explicada pelo reducionismo, ou seja, através do estudo
dos componentes orgânicos mais fundamentais da matéria. Exemplos:
o Os físicos buscavam as partículas básicas da matéria e as forças que atuam sobre
estas partículas;
o Os químicos tentavam entender as ligações químicas entre os diversos elementos
básicos; e
o Os biólogos destrinchavam as sequências de DNA e outras estruturas
moleculares com o objetivo de compreender o organismo.
• Com o avanço das ciências fica cada vez mais claro que muitas das propriedades,
fenômenos e comportamentos observados na natureza não podem ser



apropriadamente e nem completamente explicados via reducionismo. Processos
auto-organizados e emergentes são ubíquos na natureza.
• Os pesquisadores verificaram que o reducionismo é apenas uma das ferramentas
necessárias para a compreensão da vida.
• (Talvez a nova “ciência” denominada de complexidade ajude-nos a compreender
melhor como a estrutura básica da matéria, juntamente com os fenômenos
emergentes e auto-organizados, levam a vida).
Século 19
Vitalismo Reducionismo
Deus é responsável por tudo Deus é responsável por tudo
Alma = espíritos da vida = imaterial Alma imaterial ≠ espíritos da vida ≠ matéria
Fenômenos mentais e da vida são resultado A maioria dos fenômenos pode ser descrita
da alma, que não pode ser descrita por espíritos materiais de vida
cientificamente
A vida pode ser teleologicamente formada e Grande parte da vida é determinada de forma
conduzida causal e passível de descrições físicas e
químicas



Meados do século 20
Vitalismo Reducionismo
Deus com uma pequena significância Nenhum Deus

Alma ≠ (espíritos da vida = energia Nenhuma alma
nervosa)
Alguns fenômenos não podem ser descritos Todos os fenômenos podem ser descritos
cientificamente cientificamete
A vida é teleologicamente conduzida Determinismo causal

Matéria inorgânica ≠ material orgânica Matéria inorgânica = material orgânica



4.9. Abordagens Bottom-Up e Top-Down
• Uma abordagem reducionista é, de alguma forma, uma abordagem bottom-up.
Abordagens bottom-up são aquelas voltadas ao estudo das partes constituintes de
um determinado fenômeno, processo ou sistema.
• Entretanto, as abordagens bottom-up não sugerem, como no caso do reducionismo,
que o fenômeno em estudo pode ser completamente compreendido e descrito por
meio da análise de seus componentes fundamentais.
• Em contraste com as técnicas clássicas de inteligência artificial, a computação
natural é, em sua grande maioria, baseada em abordagens bottom-up.
• O termo bottom-up também pode ser utilizado para descrever princípios de
projetos de sistemas. Por exemplo, um projeto do tipo bottom-up é aquele no qual
as partes do sistema vão sendo adicionadas gradativamente.
o Exemplos: redes neurais, castelo de areia, evolução da vida (processo gradativo
de adaptação ao ambiente).


• As abordagens top-down, por outro lado, são baseadas na ideia de que é possível
olhar para o sistema como um todo e desvendar a forma com que ele opera.
o Exemplo: as técnicas clássicas de IA tentavam modelar comportamentos
inteligentes através da definição de regras específicas seguidas de mecanismos
genéricos de inferência.
• Assim como no caso das abordagens bottom-up, também é possível utilizar a
terminologia top-down para descrever princípios de projetos.
o Exemplos: redes neurais, castelo de areia, etc.

4.10. Determinismo, Caos e Fractais
• Originalmente considerava-se que um sistema determinístico era aquele cuja
evolução temporal podia ser medida precisamente; todos os eventos são
consequências inevitáveis de causas antecedentes suficientes.
• Atualmente, este tipo de sistema determinístico é dito ser previsível.



• Quando é possível prever o desenvolvimento ou evolução temporal de um sistema
para algumas condições específicas, ele é dito ser determinístico e previsível.
• Sistemas com estas características inviabilizam comportamentos emergentes e,
portanto, são pouco estudados em computação natural.
• Por outro lado, comportamentos emergentes são geralmente imprevisíveis e,
portanto, difíceis de terem seus aspectos formais estudados.
o Este fato pode se tornar uma dificuldade para a aceitação destas novas técnicas
por parte da comunidade em geral, principalmente quando o objetivo principal
envolve a resolução de problemas e descrição de aspectos formais de sistemas.
• Um dos resultados mais interessantes e excitantes do desenvolvimento científico
atual, principalmente na física, está na remodelagem da relação entre determinismo
e capacidade de predição.
• Atualmente é de consenso que muitos sistemas determinísticos são imprevisíveis.



• Uma das dificuldades em se prever o comportamento de alguns sistemas
determinísticos se deve à sensibilidade que estes apresentam às condições iniciais.
• Juntamente com o tratamento dado por Poincaré para o “problema dos três corpos”
(ele verificou um comportamento irregular na dinâmica de corpos celestes), o
estudo feito por Hadamard sobre a sensibilidade a condições iniciais levou ao
surgimento da “Teoria do Caos”.
• Uma das consequências teóricas importantes da teoria do caos foi o divórcio entre
determinismo e previsibilidade.
• Exemplos de diversos sistemas caóticos:
o Clima, mar, batimentos cardíacos, etc.
• Existe todo um lado irregular da natureza (p.ex. a forma das nuvens, montanhas,
etc.) cujas características têm sido mais fácil de serem entendidas a partir da teoria
do caos.



• A teoria do caos criou novas técnicas de utilização dos computadores e diversos
tipos de imagens gráficas capazes de descrever estruturas naturais.
• A palavra fractal refere-se a uma nova forma de descrever, calcular, e raciocinar
sobre formas irregulares, fragmentadas, quebradas, etc.
• Um fractal pode ser definido como uma forma ou padrão geométrico que se repete
indefinidamente (auto-similaridade) desenvolvido para representar formas e
superfícies que não podem ser representadas pela geometria clássica.
o Eles são usados especialmente na modelagem computacional de padrões e
estruturas irregulares da natureza.



Tópico 3: Computação Evolutiva
1. A Origem das Espécies
• Darwin apresentou uma teoria para explicar o porque da existência de uma
variedade (diversidade) tão grande de seres vivos (organismos) na natureza. Sua
teoria apresenta a “seleção natural” como o principal mecanismo para a
manutenção das variações favoráveis à sobrevivência e reprodução de um
organismo em seu ambiente. O acúmulo destas variações favoráveis através da
seleção natural permite, ao longo de um grande intervalo de tempo, o
aparecimento de novos organismos tão distintos de seus antecedentes a ponto de
poderem ser caracterizados como uma nova espécie.
• Ao contrário do que muitos pensam, Darwin não apresentou uma teoria para a
evolução do homem. Isso ele fez muitos anos depois (C. Darwin, The Descent of
Man, and Selection in Relation to Sex, John Murray, London, 1871). Darwin



também não propôs uma teoria para a origem da primeira espécie, mas sim para o
surgimento de novas espécies partindo de outras.
• Darwin descreve
o “uma lei geral, resultando na melhoria de todos os seres orgânicos:
multiplique, varie, deixe os mais fortes sobreviverem e os mais fracos
morrerem.”
• Em resumo, a teoria Darwiniana propõe que a evolução é o resultado de uma (ou
mais) população de indivíduos sujeita aos seguintes processos:
o Reprodução com herança
o Variação
o Seleção natural
• Darwin resume os seguintes argumentos em defesa da teoria da seleção natural:
o Graduações na perfeição de qualquer órgão ou instinto existem ou poderiam
ter existido;



o Todos os órgãos e instintos são variáveis;
o Existe uma luta pela sobrevivência que leva a preservação das variações
favoráveis à vida e reprodução de um organismo;
o Os registros geológicos são imperfeitos.
• Uma das capacidades marcantes de Darwin foi a de apresentar uma gama de
argumentos que poderiam ser (certamente foram e ainda são) utilizados contra sua
própria teoria:
1. É possível que animais com estruturas e hábitos completamente distintos
sejam descendentes de um mesmo organismo?
2. Como órgãos apresentando extrema perfeição e complexidade (p. ex. os
olhos) podem ser gerados por seleção natural?
3. Porque existem órgãos que, aparentemente, possuem pouca importância?
4. Instintos podem ser adquiridos e modificados por seleção natural?
5. Porque espécies quando cruzadas são estéreis, enquanto variedades não são?



6. Se as espécies são descendentes de outras espécies por meio de inúmeras
pequenas variações, por que não encontramos formas transicionais em
registros geológicos?

2. A Ideia Perigosa de Darwin
• O filósofo Daniel Dennett é um ardente defensor da teoria Darwiniana, e seu livro
Darwin’s Dangerous Idea: Evolution and the Meanings of Life é considerado um
dos textos de ciência popular mais influentes da atualidade sobre o assunto.
• Dennett apresentou, dentre outras coisas, uma visão de engenharia (computação)
para a teoria da evolução proposta por Darwin que serve aos nossos propósitos.
• Dennett inicia seu livro descrevendo alguns dos diversos pontos de vista sobre o
mundo e suas origens antes da teoria Darwiniana. Por exemplo:
o Ele cita a hipótese GAIA para o universo – o universo como um (super-)
organismo;



o Ele também discute o filósofo Hume e sua teoria de que somente um Criador
Inteligente seria capaz de produzir toda a vida que observamos.
• Sob o ponto de vista de Dennett, Darwin provou através de sua teoria da seleção
natural, como um Criador Não-Inteligente é capaz de produzir vida.
• Sendo assim, a ideia de Darwin torna-se perigosa, pois ela vem confrontar não
apenas as visões filosóficas e científicas sobre a vida, mas também as crenças de
praticamente todo o mundo baseadas em uma entidade (p. ex. Deus) criador da
terra e criaturas.
• É importante ressaltar, entretanto, que não se trata de um livro que faz uma disputa
entre ciência e religião. Pelo contrário, ele trás uma discussão bastante rica sobre
como as duas podem caminhar juntas, sem uma ofuscar a outra e traçando limites
entre o que é mais adequadamente explicado por cada uma delas:



o “Nem todos os cientistas e filósofos são ateus, e muitos que possuem suas
crenças declaram que sua ideia de Deus pode viver em harmonia com, ou até
encontrar suporte, na estrutura de ideias de Darwin. Sob o ponto de vista
deles, Deus não é um criador antropomórfico, mas ainda assim um Deus que
vale a pena ser adorado, capaz de dar consolo e significado a vida. Outros
embasam sua preocupação em filosofias seculares, visões sobre o significado
da vida que mantêm o autocontrole sem precisar do conceito de um Ser
Supremo – que não seja o próprio Universo. Algo é sagrado para estes
pensadores, mas eles não chamam isso de Deus; eles chamam de, talvez,
Vida, ou Amor, ou Bondade, ou Inteligência, ou Beleza, ou Humanidade. O
que ambos os grupos compartilham, apesar das diferenças em suas mais
profundas crenças, é uma convicção de que a vida possui significado, que a
bondade importa.”



• Dennett apresenta, dentre outras coisas, uma visão algorítmica (sob uma
perspectiva de engenharia) para a teoria da evolução.
• Dennett dividiu a ideia de Darwin em duas partes principais:
o Uma que prova que as espécies atuais são descendentes “revisados” de
espécies anteriores, ou seja, as espécies evoluem;
o Outra que mostra como este processo evolutivo ocorre.

2.1. A Seleção Natural como um Processo Algorítmico
• Dennett define um algoritmo como um tipo de processo formal que pode ser
utilizado na obtenção de um resultado sempre que executado ou instanciado.
• A proposta de Darwin é dedutível a partir de um processo formal:
o Se um conjunto de condições é atendido, então um certo resultado pode ser
esperado.
• Dennett argumenta que uma visão algorítmica de diversos processos expande seu
escopo e fortalece ideias.


• Como exemplo, ele cita o caso do algoritmo de “simulated annealing” ou
“recozimento simulado”, máquinas de Boltzmann e redes neurais de Hopfield.
• Sob uma perspectiva de engenharia, um dos aspectos importantes enfatizados por
Dennett é que, embora um bom conhecimento dos mecanismos detalhados de
funcionamento de diversos processos naturais seja importante, as ideias básicas
podem ser apresentadas de uma forma simples através de um processo abstrato e
uma terminologia comum, ou seja, um algoritmo.
• Para o caso da teoria da evolução através da seleção natural, os principais
processos algorítmicos envolvidos são:
o Reprodução com herança genética
o Variação genética
o Seleção natural
• Antes da teoria Darwiniana, a visão da vida era, em essência, vitalista:
o Deus, Mente, Projeto, Ordem, Caos, Nada.



• Após Darwin, esta visão deixou de ser do tipo top-down (partindo de um criador
inteligente para os elementos mais simples), para uma visão bottom-up (partindo
de estruturas muito simples que evoluíram até os seres “superiores” de hoje).
• No intuito de justificar os processos vitais e reconciliar crença e ciência, muitos
pensadores e cientistas propuseram então uma visão de um “Deus” criador de leis
e processos que levam à origem e desenvolvimento da vida, ao invés de um
“Deus” responsável pela criação direta da vida.

2.2. Espaço de Buscas (Design Space)
• Dennett utiliza a terminologia espaço de projeto ou espaço de buscas para denotar
o espaço de todos os possíveis fenótipos que podem resultar a partir dos genótipos.
• De acordo com a teoria de Darwin, quando a seleção natural é imposta sobre as
variações ocorre uma movimentação mensurável no espaço de buscas. Esta
movimentação pode ser vista como um processo de pesquisa e desenvolvimento
(P&D) que pode resultar em uma busca ou acúmulo de projeto (otimização).


• Temos a intuição de que um trabalho de projeto é, de alguma forma, um trabalho
inteligente. Darwin propôs que esta inteligência pode ser quebrada em partes tão
pequenas e “estúpidas” de forma que elas não são reconhecidas como inteligentes,
mas que distribuídas no espaço e tempo sob uma forma algorítmica podem resultar
em estruturas extremamente complexas e perfeitas.

2.3. Biologia é Engenharia
• “O trabalho feito pela seleção natural é P&D, então biologia é fundamentalmente
engenharia, uma conclusão que...esclarece alguns de nossos mais profundos
enigmas. Ao adotarmos a perspectiva de engenharia, o conceito central em
biologia de função e o conceito central em filosofia de significado podem ser
explicados e unidos. Como nossa própria capacidade de responder e criar
significado – nossa inteligência – está embasada no nosso status de produtos
avançados de processos Darwinianos, a distinção entre inteligência artificial e
natural desaparece. Há diferenças importantes, entretanto, entre os produtos da



engenharia humana e os produtos da evolução devido a diferenças nos processos
que as geram. Apenas agora estamos começando a entender os grandiosos
processos da evolução, e isso porque estamos direcionando os produtos de nossa
própria tecnologia, computadores, para o entendimento das questões mais
relevantes.”

• Sendo assim, enxergar biologia como engenharia permite-nos relacionar função
com projeto. O funcionamento de toda estrutura carrega implicitamente
informações sobre o ambiente. Por exemplo:
o A posição dos órgãos no corpo de uma serpente (distribuição e locomoção);
o As asas de uma ave (aerodinâmica).
• Como vimos, a teoria da seleção natural permite uma movimentação no espaço de
buscas, mas em que direção (com qual objetivo)?



• Dennett, assim como Darwin, argumenta que a seleção natural atua de forma a
privilegiar organismos cujas variações resultam num maior grau de adaptabili-
dade ao ambiente.
• Sendo assim, a evolução pode ser comparada a um processo de busca que visa
otimizar (através dos processos de reprodução com herança genética, variação e
seleção natural) a estrutura orgânica dos seres vivos a seus ambientes.

3. Base Biológica
3.1. Hereditariedade

• A história da genética é fascinante, principalmente pela velocidade com que se
evoluiu de observações a demonstrações experimentais dos mecanismos
fundamentais envolvidos. Ideias de hereditariedade: datam de 6000 anos atrás.



• Por volta de 500 a.C. (tempo de Aristóteles), filósofos gregos, propuseram que
“vapores” derivados de vários órgãos se uniam sob a ação vitalizadora do sêmen,
interpretado como sangue altamente purificado. Esta ideia influiu sobre a cultura
da humanidade por cerca de 2000 anos.
• Neste período, defendia-se a ideia de que o sexo era determinado pela procedência
do líquido seminal no homem: se do testículo direito ⇒ sexo masculino; se do
testículo esquerdo ⇒ sexo feminino.
• A mulher era vista apenas como uma “incubadeira” neste processo.
• 1672: descoberta do óvulo pelo holandês Graaf → as fêmeas de mamíferos
também apresentam ovulação!
• 1675: descoberta do espermatozóide pelo holandês Von Leeuwenhoeck.
• Homúnculo: ovistas e espermistas.



• Epigênese: teoria atual segundo a qual a constituição dos seres se inicia a partir de
célula sem estrutura e se faz mediante sucessiva formação e adição de novas partes
que, previamente, não existem no ovo fecundado.
• 1866: ideias efetivas acerca da hereditariedade → monge agostiniano Gregor
Mendel (República Tcheca). Ele atacou o problema de modo simples e lógico,
escolheu material adequado, concentrou-se em poucas características contrastantes,
desenvolveu um programa de cruzamentos controlados, tratou os resultados de
forma eficiente e sugeriu fatores causais (hoje chamados de genes) como os
responsáveis pelos fenômenos observados.
• Ninguém havia chegado tão perto da compreensão real da hereditariedade (ficou
faltando apenas elucidar os mecanismos celulares envolvidos), mas foram
necessários mais de 30 anos para que a comunidade científica se desse conta da
importância e eficácia destes resultados.



• É curioso constatar que um dos fatores que dificultou a assimilação dos resultados
de Mendel foi justamente o intenso debate reinante nos meios científicos após a
divulgação teoria de seleção natural de
Darwin.
• 1900: redescoberta das ideias de Mendel
(após sua morte), feitas de forma
independente por três pesquisadores.
• 1a lei de Mendel: Cada caráter é
condicionado por dois fatores. Eles
separam-se na formação dos gametas,
passando apenas um fator por gameta.



3.2. Do Darwinismo ao Neodarwinismo
• Darwin sugeriu que para haver evolução é necessário que exista uma população de
indivíduos sujeita a:
1. Reprodução com herança;
2. Variação; e
3. Seleção Natural.
• Embora Darwin tenha considerado estas hipóteses como suficientes para explicar
a origem das espécies, hoje elas são aceitas apenas como suficientes para explicar
os processos ecológicos.
• Na época de Darwin (meados de 1800), entretanto, sabia-se muito pouco sobre os
processos de reprodução e, praticamente nada sobre genética. Além disso, não
havia um bom entendimento sobre como operam os mecanismos de seleção
natural.



• A união da genética com diversos conceitos e teorias sobre seleção natural leva ao
que hoje é chamado de neodarwinismo.
Sobre a Seleção Natural
• O princípio da seleção natural indica que os indivíduos cujas variações se adaptam
melhor ao ambiente terão maior probabilidade de sobreviver e se reproduzir.
• A seleção natural é probabilística, e seu alvo primário é o indivíduo, embora seu
efeito resultante vai se manifestar na espécie como um todo. A espécie é o
beneficiário final do processo evolutivo.

3.3. Terminologia biológica
• A terminologia biológica a ser empregada representa uma analogia às entidades
biológicas reais, em que as entidades computacionais corresponderão
invariavelmente a estruturas bem mais simples que seus equivalentes biológicos.



Órgão Comunidade

Célula Sistema
População Ecossistema

Organismo
Nível fisiológico Nível ecológico

Figura 7: Divisão hierárquica dos sistemas biológicos.

• Célula: unidade estrutural básica dos seres vivos, que se compõe de numerosas
partes, sendo as fundamentais a parede ou membrana, o protoplasma e o núcleo. A
célula é a menor unidade de matéria viva que pode existir de maneira
independente, e ser capaz de se reproduzir. Toda célula de um mesmo organismo
contém o mesmo conjunto de um ou mais cromossomos. Nos seres humanos, cada
célula somática (não germinativa) contém 23 pares de cromossomos.



• Cromossomo: estrutura nucleoprotéica formada por uma cadeia de DNA, sendo a
base física dos genes nucleares, os quais estão dispostos linearmente. Cada espécie
apresenta um número característico de cromossomos. Quando os cromossomos são
arranjados em pares (cada cromossomo proveniente de um dos pais, embora haja
exceções), os respectivos organismos são chamados diploides. Organismos cujos
cromossomos não se apresentam aos pares são chamados haploides.

gene

gene

gene

Figura 8: Ampliação de um organismo para enfocar o material genético. Organismo → célula
→ cromossomo → gene → DNA.



• Genes: blocos funcionais de DNA, os quais codificam uma proteína específica. É a
denominação que damos hoje ao fator mendeliano. Cada gene está localizado em
uma posição (locus) particular do cromossomo. Quando dois genes se comportam
segundo a 1a lei de Mendel, são ditos alelos, e se encontram no mesmo locus de
dois cromossomos homólogos. Para exemplificar, é possível pensar um gene como
o responsável pela definição de uma característica do indivíduo, como a cor dos
olhos. As diferentes colorações (azul, castanho, etc.) correspondem a alelos.
• Como muitos organismos apresentam células com mais de um cromossomo, o
conjunto de todos os cromossomos compõe o material genético do organismo,
denominado genoma.
Crom osomo diagram ático Locus

Alelos: {A, B}
A B A A B A B B A B
Gene

Figura 9: Ilustração pictórica de um cromossomo salientando o locus, os genes e os alelos.



3.4. Fenótipo x Genótipo
• 1909: introdução dos conceitos de genótipo e fenótipo.
• Genótipo: representa o conjunto específico de genes do genoma. Neste caso,
indivíduos com o mesmo genoma são ditos terem o mesmo genótipo.
• Fenótipo: é a manifestação do genótipo no comportamento, fisiologia e morfologia
do indivíduo, como um produto de sua interação com o ambiente.
• A seleção natural opera somente na expressão fenotípica do genótipo.
• Para modelar este fenômeno, foi estendido um resultado da literatura baseado no
emprego de dois espaços de estados:
1. G: espaço genotípico (representa a informação);
2. P: espaço fenotípico (representa o comportamento).
• que permitem a definição de quatro funções, onde I representa um conjunto de
efeitos do ambiente (entrada), na forma:
• f1: I × G → P (epigênese);



• f2: P → P (seleção);
• f3: P → G (sobrevivência genotípica);
• f4: G → G (variação genética).
• A adaptação evolutiva ocorre a partir da aplicação iterativa dessas funções.

g2 f4 ′
g1
Espaço genotípico G
g1

f1 f3

f2
Espaço fenotípico F
p1 p2

Figura 10: Evolução explicada através de mapeamentos entre os espaços genotípico e
fenotípico.

2012: Computação Natural - Slides do Curso

2012: Computação Natural - Slides do Curso

Recomendados

Recomendados

Más contenido relacionado

La actualidad más candente

La actualidad más candente (17)

Destacado

Destacado (20)

Similar a 2012: Computação Natural - Slides do Curso

Similar a 2012: Computação Natural - Slides do Curso (20)

Más de Leandro de Castro

Más de Leandro de Castro (9)

2012: Computação Natural - Slides do Curso