NEAT: NeuroEvolution of Augmenting Topologies
NEAT je genetički algoritam za evoluciju veštačkih neuronskih mreža, koji su uveli Kenneth Stanley i Risto Miikkulainen 2002. godine. Za razliku od metoda koje evoluiraju samo težine, NEAT istovremeno evoluira i topologiju (strukturu) i težine veza neuronskih mreža. Ovo postiže direktnim kodiranjem genoma sa istorijskim oznakama koje omogućavaju smisleno ukrštanje između mreža različitih struktura, čineći ga primenljivim u učenju sa pojačanjem, igranju igara i kontrolnim zadacima bez potrebe za unapred definisanom arhitekturom.
Pročitajte celu metodu
Prijavite se besplatnim nalogom da biste pročitali ovaj odeljak.
Method map
The neighbourhood of related methods — select a node to explore.
Izvori
- Stanley, K. O., & Miikkulainen, R. (2002). Evolving neural networks through augmenting topologies. Evolutionary Computation, 10(2), 99–127. DOI: 10.1162/106365602320169811 ↗
Kako citirati ovu stranicu
ScholarGate. (2026, June 2). NeuroEvolution of Augmenting Topologies (NEAT). ScholarGate. https://scholargate.app/sr/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.
- Evoluciona strategija (CMA-ES)Optimizacija↔ compare
- Genetički algoritamOptimizacija↔ compare
- Pretraga neuronske arhitektureDuboko učenje↔ compare
Uočili ste grešku na ovoj stranici? Prijavite je ili predložite ispravku →