NEAT: NeuroEwolucja Augmentujących Topologii
NEAT to algorytm genetyczny służący do ewolucji sztucznych sieci neuronowych, wprowadzony przez Kennetha Stanleya i Risto Miikkulainena w 2002 roku. W przeciwieństwie do metod ewoluujących jedynie wagi, NEAT jednocześnie ewoluuje zarówno topologię (strukturę), jak i wagi połączeń sieci neuronowych. Osiąga to poprzez bezpośrednie kodowanie genomu ze znakami historycznymi, które umożliwiają sensowne krzyżowanie sieci o różnych strukturach, co czyni go przydatnym w uczeniu ze wzmocnieniem, grach i zadaniach sterowania, bez potrzeby definiowania architektury z góry.
Przeczytaj pełny opis metody
Zaloguj się na bezpłatne konto, aby przeczytać tę sekcję.
Method map
The neighbourhood of related methods — select a node to explore.
Źródła
- Stanley, K. O., & Miikkulainen, R. (2002). Evolving neural networks through augmenting topologies. Evolutionary Computation, 10(2), 99–127. DOI: 10.1162/106365602320169811 ↗
Jak cytować tę stronę
ScholarGate. (2026, June 2). NeuroEvolution of Augmenting Topologies (NEAT). ScholarGate. https://scholargate.app/pl/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.
- Strategia Ewolucyjna (CMA-ES)Optymalizacja↔ compare
- Algorytm genetycznyOptymalizacja↔ compare
- Automatyczne wyszukiwanie architektury sieci neuronowychUczenie głębokie↔ compare
Widzisz błąd na tej stronie? Zgłoś go lub zaproponuj poprawkę →