ScholarGate
Asisten
Machine learningNeuroevolution

NEAT: Evolusi Neuro dari Topologi Augmentasi

NEAT adalah algoritma genetik untuk mengembangkan jaringan saraf tiruan yang diperkenalkan oleh Kenneth Stanley dan Risto Miikkulainen pada tahun 2002. Berbeda dengan metode yang hanya mengembangkan bobot, NEAT secara bersamaan mengembangkan topologi (struktur) dan bobot koneksi jaringan saraf. Hal ini dicapai melalui pengkodean genom langsung dengan penanda historis yang memungkinkan persilangan yang bermakna antara jaringan dengan struktur yang berbeda, membuatnya dapat diterapkan pada pembelajaran penguatan, permainan, dan tugas kontrol tanpa memerlukan arsitektur yang telah ditentukan sebelumnya.

Buka di MethodMindSegeraVideoSegeraDownload slides

Baca metode selengkapnya

Khusus anggota

Masuk dengan akun gratis untuk membaca bagian ini.

Masuk

Method map

The neighbourhood of related methods — select a node to explore.

Sumber

  1. Stanley, K. O., & Miikkulainen, R. (2002). Evolving neural networks through augmenting topologies. Evolutionary Computation, 10(2), 99–127. DOI: 10.1162/106365602320169811

Cara menyitasi halaman ini

ScholarGate. (2026, June 2). NeuroEvolution of Augmenting Topologies (NEAT). ScholarGate. https://scholargate.app/id/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.

Compare side by side
ScholarGateNEAT (NeuroEvolution of Augmenting Topologies (NEAT)). Diakses 2026-06-15 dari https://scholargate.app/id/deep-learning/neat · Set data: https://doi.org/10.5281/zenodo.20539026