NEAT: NeuroEvolution of Augmenting Topologies
NEAT เป็นอัลกอริทึมเชิงพันธุกรรมสำหรับการวิวัฒนาการโครงข่ายประสาทเทียม (artificial neural networks) ที่นำเสนอโดย Kenneth Stanley และ Risto Miikkulainen ในปี 2002 แตกต่างจากวิธีการที่วิวัฒนาการเฉพาะค่าน้ำหนัก (weights) NEAT จะวิวัฒนาการทั้งโครงสร้าง (topology) และค่าน้ำหนักการเชื่อมต่อ (connection weights) ของโครงข่ายประสาทเทียมไปพร้อมกัน โดยใช้วิธีการเข้ารหัสจีโนม (genome encoding) โดยตรงพร้อมกับการทำเครื่องหมายทางประวัติศาสตร์ (historical markings) ที่ช่วยให้สามารถผสมข้าม (crossover) ระหว่างโครงข่ายที่มีโครงสร้างต่างกันได้อย่างมีความหมาย ทำให้สามารถนำไปประยุกต์ใช้กับการเรียนรู้แบบเสริมกำลัง (reinforcement learning), การเล่นเกม (game playing) และงานควบคุม (control tasks) ได้โดยไม่จำเป็นต้องกำหนดสถาปัตยกรรมล่วงหน้า
อ่านวิธีฉบับเต็ม
เข้าสู่ระบบด้วยบัญชีฟรีเพื่ออ่านส่วนนี้
Method map
The neighbourhood of related methods — select a node to explore.
แหล่งอ้างอิง
- Stanley, K. O., & Miikkulainen, R. (2002). Evolving neural networks through augmenting topologies. Evolutionary Computation, 10(2), 99–127. DOI: 10.1162/106365602320169811 ↗
วิธีอ้างอิงหน้านี้
ScholarGate. (2026, June 2). NeuroEvolution of Augmenting Topologies (NEAT). ScholarGate. https://scholargate.app/th/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)การหาค่าเหมาะที่สุด↔ compare
- Genetic Algorithmการหาค่าเหมาะที่สุด↔ compare
- การค้นหาสถาปัตยกรรมโครงข่ายประสาทเทียมการเรียนรู้เชิงลึก↔ compare