在自然界中,每个生物或物种都有可能穿过自己独特的路径来满足MC。例如,细菌生殖活力的发展路径远远短于哺乳动物的复杂性。此外,个体与其他组织群体之间的相互作用导致每个物种通向MC的通路。从这个角度来看,提出了最小标准共演化(MCC)作为双重群体共演化算法;然而,鉴于其非正统的评估过程和奖励机制,它不属于传统类别的合作或竞争共同演化。达人是,一个人的个人根据另一个人的成败没有得到回报;相反,他们只是因为对MC的满意而被选为父母。这个过程的一个显着特征是,它在个人之间没有排名(也就是说,他们满足MC或不满足),需要一种没有偏见的选择方法。已经证明在人造生命中有效的一种这样的方法是将人口存储在Chromaria人造生命世界中称为“父队列”的固定大小的队列中[26]。队列按照插入顺序保留满足MC的个人,并且队列指针指向下一个人的位置进行再现。如果指针到达队列的末尾,它将简单回绕到开头。另外,如果插入新的个人超过了队列的容量,队列中最老的个人将被删除以腾出空间。此设置总体上确保添加到队列中的每个人都至少有一次重现的机会。除此之外,没有任何人认为任何候选人比任何其他人都更好。这种不可知论意味着,只要满足MC,该算法将保持许多发散路径同时开放而不会收敛。大多数进化算法开始随机生成人口的进化;然而,队列成员资格要求满足MC需要特别注意MCC初始化。特别是,随机生成的个人不太可能会遇到一个不平凡的MC,从而拒绝进入任何一个人口队列。因此,每个群体队列必须经历引导过程,其中适用的群体队列所需的种子基因组的必需数量是预先发展的(新颖搜索用作本文中的引导)。 MCC的选择过程与稳态进化算法非常相似;然而,其绝对的绩效指标(即MC)允许大量的群体并行评估(其适合度不需要计算或比较)。这种自由促进了分布式执行模式,其中评估分布在多个节点上,允许MCC在模拟进化过程时缩放。算法1使MCC选择,评估和删除过程正式化,其交替地应用于两个共同的群体。除了这种基本的MCC算法之外,形态可以作为轻量级的方法被引入以维持多样性。它是轻量级的,因为与其他QD算法不同,它可以完全基于基因组,而不需要表征或比较实际的表型或行为。虽然来自给定群体的个体仍然物理存储在队列结构中,但是根据其遗传相似性将其聚类成单独的逻辑组或物种,并用物种标识符进行标记。给定种群的种子基因组构成这些物种群的重心。此外,队列容量在物种之间均匀分布,使得每个物种i具有等于容量的最大尺寸(i)= n / s,其中n是群体中个体的数量,s是物种数量。在具体的版本中,不是简单地将下一批个人列入队列顺序,而是从每个物种聚合一个比例数量的个体进行再现(尽管队列插入顺序仍然指示选择的顺序)。回想一下,只有满足MC的个人才能排队。满足MC的批次的后代随机添加到队列中,但也分配给具有最大遗传相似性的物种。 如果任何物种由于指定了春季而超出了其能力,那么签署给这些物种的最老的个体就被排除在队列之外。 该过程还确保队列保持等于或低于容量。 总体而言,希望两国人民通过漂移实际上分歧,但是,MC将迫使他们只相互进行更好的互动,产生一个连续的,几乎是开放式的过程。 实验中将讨论物种化对这一过程的重要性。