ScholarGate
Pembantu
Machine learningNeuroevolution

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.

Buka dalam MethodMindTidak lama lagiVideoTidak lama lagiDownload slides

Baca kaedah sepenuhnya

Ahli sahaja

Log masuk dengan akaun percuma untuk membaca bahagian ini.

Log 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 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.

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