NEAT: NeuroEvolution of Augmenting Topologies
NEAT är en genetisk algoritm för att utveckla artificiella neurala nätverk, introducerad av Kenneth Stanley och Risto Miikkulainen år 2002. Till skillnad från metoder som enbart utvecklar vikter, utvecklar NEAT samtidigt både topologin (strukturen) och kopplingarnas vikter i neurala nätverk. Detta uppnås genom en direkt genomkodning med historiska markeringar som möjliggör meningsfull korsning (crossover) mellan nätverk med olika strukturer, vilket gör den tillämplig för förstärkningsinlärning, spel och kontrolluppgifter utan att kräva en fördefinierad arkitektur.
Läs hela metoden
Logga in med ett kostnadsfritt konto för att läsa avsnittet.
Method map
The neighbourhood of related methods — select a node to explore.
Källor
- Stanley, K. O., & Miikkulainen, R. (2002). Evolving neural networks through augmenting topologies. Evolutionary Computation, 10(2), 99–127. DOI: 10.1162/106365602320169811 ↗
Så citerar du den här sidan
ScholarGate. (2026, June 2). NeuroEvolution of Augmenting Topologies (NEAT). ScholarGate. https://scholargate.app/sv/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)Optimering↔ compare
- Genetisk algoritmOptimering↔ compare
- Neural Architecture SearchDjupinlärning↔ compare
Hittade du ett fel på sidan? Rapportera eller föreslå en rättelse →