Machine learningNeuroevolution

NEAT: Topoloģijas paplašinošā neiroevolūcija

NEAT ir ģenētisks algoritms mākslīgo neironu tīklu attīstīšanai, ko 2002. gadā ieviesa Kenets Stenlijs (Kenneth Stanley) un Risto Mīkulainens (Risto Miikkulainen). Atšķirībā no metodēm, kas attīsta tikai svarus, NEAT vienlaikus attīsta gan neironu tīklu topoloģiju (struktūru), gan savienojumu svarus. Tas tiek panākts, izmantojot tiešu genoma kodējumu ar vēsturiskām atzīmēm, kas nodrošina jēgpilnu krustošanu starp dažādu struktūru tīkliem, padarot to piemērojamu pastiprinājuma mācīšanās, spēļu spēlēšanas un kontroles uzdevumiem, neprasot iepriekš definētu arhitektūru.

Atvērt MethodMindDrīzumāVideoDrīzumāDownload slides

Lasīt pilno metodes aprakstu

Tikai dalībniekiem

Piesakieties ar bezmaksas kontu, lai lasītu šo sadaļu.

Pieteikties

Method map

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

Avoti

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

Kā citēt šo lapu

ScholarGate. (2026, June 2). NeuroEvolution of Augmenting Topologies (NEAT). ScholarGate. https://scholargate.app/lv/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)). Izgūts 2026-06-15 no https://scholargate.app/lv/deep-learning/neat · Datu kopa: https://doi.org/10.5281/zenodo.20539026