فصل یازدهم کتاب ژن خودخواه: مم: همتاساز جدید

در فصل یازدهم از کتاب ژن خودخواه ریچارد داکینز به معرفی یک همتاساز جدید بنام مم پرداخته شده  است. نویسنده در این فصل اشاره دارد که موردی که بیشتر باعث تفاوت بین انسان و دیگر ماشین های بقاء می شود "فرهنگ" می باشد. فرهنگ مانند ژن باعث انتقال از یک نسل به نسل دیگر می شود. و در واقع تکامل می یابد. نویسنده به مثال هایی از نوع انسان و جاندار در مورد انتقال فرهنگ اشاره دارد به عنوان مثال یک نوع خاصی از پرنده که دارای آوازهای مختلف می باشد بر اثر همزیستی با نوع دیگر در نسل های مختلف نوع آوازش تغییر کرده است. البته این تغییر نوع آواز از طریق ژن انتقال نیافته است بلکه انتقال فرهنگی بوده است.

تکامل فرهنگ علاوه بر زبان، مد لباس، طرز غذاخوردن، رسم ها، سنت ها، هنر و معماری، مهندسی و فناوری نیز می باشند که طوری تکامل پیدا می کنند که گوئی انتقال ژنی با شتاب زیادی صورت گرفته است اما ربطی به تکامل ژنی ندارد. این تکامل می تواند به صورت تدریجی هم رخ دهد.

پاسخ سوال ژن ها چه ویژگی هایی دارند؟ چیزی جزء همتاساز بودن شان نیست. ژن یا ملکول DNA یک همتاساز است که تا الان در حیات ما وجود داشته است. اما یک همتاساز جدید دیگری هم متولد شده است که از واژه یونانی بنام mimeme گرفته شده است. نویسنده برای هم وزن کردن آن با ژن آن را meme نامیده است. همان طور که اشاره شد نمونه هایی از مم را می توان آهنگ ها، باورها، تکیه کلام ها، مدل های لباس، شیوه های سفالگری و ساخت هلال تاق ها نام برد.

همان طور که ژن با پریدن از یک بدن به بدن دیگر از طریق اسپرم یا تخمک منتقل و پخش می شود، مم نیز از طریق مغز به مغز دیگر منتقل و تکثیر می شود.  

کتاب: ژن خودخواه

در شکل 1جلد کتاب ژن خودخواه به نویسندگی ریچارد داکینز با سی امین سالگرد نگارش این کتاب نشان داده شده است. این کتاب ویرایش دوم بوده و در سال 2006 در انتشارات Oxford University Press به چاپ رسیده است.
کتاب شامل سیزده فصل می باشد. در ادامه به توضیح مختصری راجع به هر فصل داده می شود. 

مقاله: یک الگوریتم ممتیک تکاملی تفاضلی موثر مبتنی بر جستجوی محلی آشوب

این مقاله توسط دنگلی و همکارانش در سال 2011 در Information Sciences چاپ گردیده است. این مقاله یک الگوریتم تکامل تفاضلی (DE) موثر ممتیکی بنام DECLS پیشنهاد داده است. که در آن جستجوی محلی آشوب را به همراه استراتژی Shrinking  بکار برده است. جستجوی محلی آشوب روی کاندیدهای تکامل تفاضلی روی یک فضای جستجوی بزرگ اعمال می شود تا باعث افزایش اکتشاف در الگوریتم شده و از همگرائی زودرس جلوگیری کند. همچنین با اعمال روی نواحی کوچک باعث افزایش بهره وری راه حل الگوریتم می شود. با تنظیم پارامترهای DECLS می توان قابلیت جستجو را افزایش داد. برای ارزیابی نتایج از 20 تابع Benchmark استفاده شده و با روش های پیشرفته تکامل تفاضلی دیگر مقایسه شده است که نتایج حاکی از عملکرد بهتر روش پیشنهادی نسبت به بقیه روش ها می باشد. همچنین الگوریتم پیشنهادی برای حل مسائل با ابعاد بزرگ نتایج امیدوارکننده ای از خود نشان داده است. در ادامه به بررسی موارد مطرح شده در بالا پرداخته می شود. در ادامه به هر یک از موارد مطرح شده در بالا پرداخته می شود.