NEAT: Neuroevolucija topologija koje se proširuju (NeuroEvolution of Augmenting Topologies)
NEAT je genetički algoritam za evoluciju umjetnih neuronskih mreža koji su 2002. godine predstavili Kenneth Stanley i Risto Miikkulainen. Za razliku od metoda koje evoluiraju samo težine, NEAT istovremeno evoluira i topologiju (strukturu) i težine veza neuronskih mreža. To postiže izravnim kodiranjem genoma s povijesnim oznakama koje omogućuju smisleno križanje između mreža različitih struktura, čineći ga primjenjivim na zadatke učenja potpomognutog potkrepljenjem, igranja igara i kontrole bez potrebe za unaprijed definiranom arhitekturom.
Pročitajte cijelu metodu
Prijavite se besplatnim računom kako biste pročitali ovaj odjeljak.
Method map
The neighbourhood of related methods — select a node to explore.
Izvori
- Stanley, K. O., & Miikkulainen, R. (2002). Evolving neural networks through augmenting topologies. Evolutionary Computation, 10(2), 99–127. DOI: 10.1162/106365602320169811 ↗
Kako citirati ovu stranicu
ScholarGate. (2026, June 2). NeuroEvolution of Augmenting Topologies (NEAT). ScholarGate. https://scholargate.app/hr/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.
- Evolucijska strategija (CMA-ES)Optimizacija↔ compare
- Genetički algoritamOptimizacija↔ compare
- Automatsko pretraživanje arhitektura dubokih mrežaDuboko učenje↔ compare
Uočili ste pogrešku na ovoj stranici? Prijavite je ili predložite ispravak →