NEAT: NeuroEvoluce Augmentujících Topologií
NEAT je genetický algoritmus pro evoluci umělých neuronových sítí, představený Kenneth Stanleyem a Risto Miikkulainenem v roce 2002. Na rozdíl od metod, které evolvují pouze váhy, NEAT současně evolvuje jak topologii (strukturu), tak váhy spojení neuronových sítí. Toho dosahuje přímým kódováním genomu s historickými značkami, které umožňují smysluplné křížení sítí s různými strukturami, čímž je použitelný pro úlohy posilovaného učení, hraní her a řízení bez nutnosti předem definované architektury.
Přečíst celou metodu
Pro přečtení této sekce se přihlaste s bezplatným účtem.
Method map
The neighbourhood of related methods — select a node to explore.
Zdroje
- Stanley, K. O., & Miikkulainen, R. (2002). Evolving neural networks through augmenting topologies. Evolutionary Computation, 10(2), 99–127. DOI: 10.1162/106365602320169811 ↗
Jak citovat tuto stránku
ScholarGate. (2026, June 2). NeuroEvolution of Augmenting Topologies (NEAT). ScholarGate. https://scholargate.app/cs/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.
- Evoluční strategie (CMA-ES)Optimalizace↔ compare
- Genetický algoritmusOptimalizace↔ compare
- Automatické vyhledávání architektur neuronových sítíHluboké učení↔ compare
Našli jste na této stránce chybu? Nahlaste ji nebo navrhněte opravu →