It has long been hypothesized that operating close to the critical state is beneficial for natural and artificial evolutionary systems. We put this hypothesis to test in a system of evolving foraging agents controlled by neural networks that can adapt the agents’ dynamical regime throughout evolution. Surprisingly, we find that all populations that discover solutions evolve to be subcritical. By a resilience analysis, we find that there are still benefits of starting the evolution in the critical regime. Namely, initially critical agents maintain their fitness level under environmental changes (for example, in the lifespan) and degrade gracefully when their genome is perturbed. At the same time, initially subcritical agents, even when evolved to the same fitness, are often inadequate to withstand the changes in the lifespan and degrade catastrophically with genetic perturbations. Furthermore, we find the optimal distance to criticality depends on the task complexity. To test it we introduce a hard task and a simple task: For the hard task, agents evolve closer to criticality, whereas more subcritical solutions are found for the simple task. We verify that our results are independent of the selected evolutionary mechanisms by testing them on two principally different approaches: a genetic algorithm and an evolutionary strategy. In summary, our study suggests that although optimal behaviour in the simple task is obtained in a subcritical regime, initializing near criticality is important to be efficient at finding optimal solutions for new tasks of unknown complexity.

长期以来，人们一直假设接近临界状态运行对自然和人工进化系统是有益的。我们将这一假设用于测试由神经网络控制的进化觅食代理系统，该系统可以在整个进化过程中调整代理的动态机制。令人惊讶的是，我们发现所有发现解决方案的人群都进化为亚临界状态。通过弹性分析，我们发现在临界状态下开始进化仍然有好处。即，最初的关键代理在环境变化（例如，在生命周期中）下保持其健康水平，并在其基因组受到干扰时优雅地退化。同时，最初的亚临界代理，即使进化到相同的适应性，通常不足以承受寿命的变化，并因遗传扰动而灾难性地退化。此外，我们发现到临界点的最佳距离取决于任务的复杂性。为了对其进行测试，我们引入了一项艰巨的任务和一项简单的任务：对于艰巨的任务，智能体进化到更接近临界状态，而为简单任务找到更多亚临界解决方案。我们通过在两种主要不同的方法上测试它们来验证我们的结果独立于所选的进化机制：遗传算法和进化策略。总之，我们的研究表明，尽管简单任务的最佳行为是在亚临界状态下获得的，但初始化接近临界状态对于有效地为未知复杂性的新任务找到最佳解决方案很重要。此外，我们发现到临界点的最佳距离取决于任务的复杂性。为了对其进行测试，我们引入了一项艰巨的任务和一项简单的任务：对于艰巨的任务，智能体进化到更接近临界状态，而为简单任务找到更多亚临界解决方案。我们通过在两种主要不同的方法上测试它们来验证我们的结果独立于所选的进化机制：遗传算法和进化策略。总之，我们的研究表明，尽管简单任务的最佳行为是在亚临界状态下获得的，但初始化接近临界状态对于有效地为未知复杂性的新任务找到最佳解决方案很重要。此外，我们发现到临界点的最佳距离取决于任务的复杂性。为了对其进行测试，我们引入了一项艰巨的任务和一项简单的任务：对于艰巨的任务，智能体进化到更接近临界状态，而为简单任务找到更多亚临界解决方案。我们通过在两种主要不同的方法上测试它们来验证我们的结果独立于所选的进化机制：遗传算法和进化策略。总之，我们的研究表明，尽管简单任务的最佳行为是在亚临界状态下获得的，但初始化接近临界状态对于有效地为未知复杂性的新任务找到最佳解决方案很重要。代理进化到更接近临界，而为简单任务找到更多亚临界解决方案。我们通过在两种主要不同的方法上测试它们来验证我们的结果独立于所选的进化机制：遗传算法和进化策略。总之，我们的研究表明，尽管简单任务的最佳行为是在亚临界状态下获得的，但初始化接近临界状态对于有效地为未知复杂性的新任务找到最佳解决方案很重要。代理进化到更接近临界，而为简单任务找到更多亚临界解决方案。我们通过在两种主要不同的方法上测试它们来验证我们的结果独立于所选的进化机制：遗传算法和进化策略。总之，我们的研究表明，尽管简单任务的最佳行为是在亚临界状态下获得的，但初始化接近临界状态对于有效地为未知复杂性的新任务找到最佳解决方案很重要。