NEAT: Tiến hóa cấu trúc mạng nơ-ron nhân tạo
NEAT là một thuật toán di truyền để tiến hóa các mạng nơ-ron nhân tạo do Kenneth Stanley và Risto Miikkulainen giới thiệu vào năm 2002. Khác với các phương pháp chỉ tiến hóa trọng số, NEAT đồng thời tiến hóa cả cấu trúc (topology) và trọng số kết nối của mạng nơ-ron. Nó đạt được điều này thông qua mã hóa bộ gen trực tiếp với các dấu hiệu lịch sử cho phép lai ghép có ý nghĩa giữa các mạng có cấu trúc khác nhau, làm cho nó có thể áp dụng cho học tăng cường, chơi game và các tác vụ điều khiển mà không yêu cầu kiến trúc được xác định trước.
Đọc toàn bộ phương pháp
Đăng nhập bằng tài khoản miễn phí để đọc phần này.
Method map
The neighbourhood of related methods — select a node to explore.
Nguồn tài liệu
- Stanley, K. O., & Miikkulainen, R. (2002). Evolving neural networks through augmenting topologies. Evolutionary Computation, 10(2), 99–127. DOI: 10.1162/106365602320169811 ↗
Cách trích dẫn trang này
ScholarGate. (2026, June 2). NeuroEvolution of Augmenting Topologies (NEAT). ScholarGate. https://scholargate.app/vi/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.
- Chiến lược Tiến hóa (CMA-ES)Tối ưu hóa↔ compare
- Thuật toán di truyềnTối ưu hóa↔ compare
- Tìm kiếm Kiến trúc Mạng Nơ-ronHọc sâu↔ compare
Phát hiện lỗi trên trang này? Báo cáo hoặc đề xuất chỉnh sửa →