NEAT: Невроеволюция на разширяващи се топологии
NEAT е генетичен алгоритъм за еволюиране на изкуствени невронни мрежи, въведен от Кенет Стенли и Ристо Миикулайнен през 2002 г. За разлика от методите, които еволюират само теглата, NEAT едновременно еволюира както топологията (структурата), така и теглата на връзките на невронните мрежи. Той постига това чрез директно кодиране на генома с исторически маркировки, които позволяват смислено кръстосване между мрежи с различни структури, което го прави приложим за задачи за подсилващо обучение, игри и управление, без да изисква предварително дефинирана архитектура.
Прочетете целия метод
Влезте с безплатен профил, за да прочетете този раздел.
Method map
The neighbourhood of related methods — select a node to explore.
Източници
- Stanley, K. O., & Miikkulainen, R. (2002). Evolving neural networks through augmenting topologies. Evolutionary Computation, 10(2), 99–127. DOI: 10.1162/106365602320169811 ↗
Как да цитирате тази страница
ScholarGate. (2026, June 2). NeuroEvolution of Augmenting Topologies (NEAT). ScholarGate. https://scholargate.app/bg/deep-learning/neat
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
- Еволюционна стратегия (CMA-ES)Оптимизация↔ compare
- Генетичен алгоритъмОптимизация↔ compare
- Търсене на невронни архитектуриДълбоко обучение↔ compare
Забелязахте ли проблем на тази страница? Съобщете или предложете поправка →