摘要
这篇文章描述了创建的虚拟的生物在一个模拟的三维物理世界中
的移动与行为的一个新颖的系统。生物的形态与控制它们的肌肉
力量的神经系统都是使用遗传算法来自动地生成的。不同的适应度
评估函数被用来指导指向特定行为的模拟进化。这些行为包括
游泳，走路，跳跃，和跟随等。
这里展示了一种遗传语言，它是使用结点和连线作为基本元素来表示
的有向图，这种遗传语言被用来描述这些创建的生物的形态和神经
回路。这种遗传语言定义了一个超空间，能包含无限数量的人工创建
具有各种行为的生物，当使用优化技术搜索这个超空间时，大量的
成功的有趣的运动策略出现了，这些策略中的一些是很难通过人为设计
进行发明或者是构建的。
1介绍
在计算机图形学和动画领域一个经典的权衡是复杂度和控制度。
为了构建有趣的有真实感的虚拟生物并且仍然能容易控制它们，这
常常很难做到的。如果对虚拟世界中的每个部分都有必要进行
构思，设计和组装的话，有时构建这样的复杂的虚拟世界本身就是
很有难度的。这种权衡的一个例子是，运动学控制与动态模拟。
如果我们直接提供运动物体的位置和角度，我们能控制它们的行为的
每一个细节，但它很难实现有真实感的动作。如果我们代替提供的是
力和转力矩来模拟动态的结果，结果将看起来正确，但它很难
实现期望的行为，尤其是我们的控制目标是很复杂的情况。
为了实现控制特定的目标，例如持续爬行，走路，跑步等
已经开发的方法，但是期望一个新的行为或者是形态时，一个
新的控制算法必须被认真的设计出来。
优化技术会不知觉中引入新的复杂性。遗传算法是一个人工的进化
形式，是优化中很常用一种方法。一个达尔文式的“适者生存”
方法被用来在很高维的空间中搜索最优解。遗传算法允许创建
虚拟物时不要求提供一个可理解的用于创建虚拟物的程序和参数。
每个个体的适应性的度量会被自动化地计算，或者能被用户交互性
地提供。交互的进化允许程序化的生成被探索的结果，这是通过简单
地选择每一代中最符合审美期望的那些个体。
使用这些方法时，用户损失了一些控制性，尤其是当适应度被程序定义时。
然而，在复杂性的产生进行自动化方面的潜在收益能够容忍这种
控制度的损失，通过适应度的标准的指定，更高层级的用户影响力仍能实现。
在一些例子中，优化被用来自动化地生成针对给定的有关节的结构的
动态控制系统。加利斯为神经网络引入了权重值，恩格和马克思已经在
应激反应弧上应用了遗传算法。盘尼和费里已经优化了传感器与执行器
的网络，这些方法中的每一个都实现了二维杆系统的成功运动。
这里的工作与上述的项目相关，但在一些方面有不同。在之前的工作中，
控制系统被生成是针对用户设计的固定的结构，但是这里是包括了整个生物。
优化决定了生物的形态和它的控制系统。而且生物的身体是三维的，
完全基于物理现实情况的。一个生物的三维的物理结构能够适应于它的控制
系统，反之亦然，正如它们密不可分。生物的神经系统也由优化技术完全确定。
内部结点的数量，连接性，每个结点执行的功能的类型这些都包含在每个生物的
遗传描述中，并且在进化过程中复杂性能够增长。这样就减少了用户提供如下信息
的必要性，这些信息包括特定生物的形状，大小，关节约束，传感器，执行器，
和内部的神经参数。最后，这里使用的一个开发流程用来生成生物和它们的
控制系统，并且允许相似的组件包含它们内部的一次性定义的神经回路，然后可
以被复制，来代替每一次的单独指定。这个方法与L系统，可移植的语法
还有对象实例化技术有关。
当讨论人工进化时，使用生物学术语 基因型和表现型是方便的。
一个基因型是一个可能的个体或者是问题解决方案的编码式的表示。在
生物系统中，一个基因型通常由DNA 组成，并且包括了器官发育的指令。
遗传算法使用了所有的基因型，包括了二进制数字的字符串或者是参数。
根据一些适应度的标准和选择性繁殖，这些表现型被执行。这表现型是
读取基因型而生成的。通过复制，交换，或者是组合最适合的个体的基因型
生成了新的基因型，正如循环进行，人口应该达到越来越大的适应度。
可变长度的基因型例如层状的LISP表达式或者是其它的计算机程序在扩展可能
的结果集合方面是有用的。这个集合是在一个预定义的固定维度的基因空间。
遗传语言它们在进化过程中，新的参数和新的维度被加到遗传的空间中。
所以定义了一个可能的结果 的超空间。这个方法被用在了遗传程序方案
来解决各种问题，正如探索生成图像和动态系统。
非限定的遗传语言的灵魂是这里的有向图，是一个语法的合适的基础，有
向图能描述虚拟生物的形态和神经系统。新的特征或者是功能能被添加
到一个生物上，或者是一个存在的功能被删除，所以复杂度的层级也能被进化。
接下来的两个部分解决虚拟生物如何 被表示为有向图。在第4部分描述
物理模拟中使用的系统，第五部分描述特定的行为如何被选择，第六部分
解释具有有向图的基因型的进化是如何被执行的，最后展示一些生成的生物。
