NEAT: NeuroEvolusi Topologi yang Mengembang
NEAT ialah algoritma genetik untuk mengembangkan rangkaian saraf tiruan yang diperkenalkan oleh Kenneth Stanley dan Risto Miikkulainen pada tahun 2002. Berbeza dengan kaedah yang hanya mengembangkan pemberat, NEAT secara serentak mengembangkan topologi (struktur) dan pemberat sambungan rangkaian saraf. Ia mencapai ini melalui pengekodan genom secara langsung dengan penandaan sejarah yang membolehkan persilangan bermakna antara rangkaian dengan struktur yang berbeza, menjadikannya sesuai untuk pembelajaran pengukuhan, permainan, dan tugas kawalan tanpa memerlukan seni bina yang telah ditetapkan.
Baca kaedah sepenuhnya
Log masuk dengan akaun percuma untuk membaca bahagian ini.
Method map
The neighbourhood of related methods — select a node to explore.
Sumber
- Stanley, K. O., & Miikkulainen, R. (2002). Evolving neural networks through augmenting topologies. Evolutionary Computation, 10(2), 99–127. DOI: 10.1162/106365602320169811 ↗
Cara memetik halaman ini
ScholarGate. (2026, June 2). NeuroEvolution of Augmenting Topologies (NEAT). ScholarGate. https://scholargate.app/ms/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.
- Evolutionary Strategy (CMA-ES)Pengoptimuman↔ compare
- Algoritma GenetikPengoptimuman↔ compare
- Pencarian Seni Bina NeuralPembelajaran Mendalam↔ compare
Terjumpa masalah pada halaman ini? Laporkan atau cadangkan pembetulan →