NEAT 和强化学习之间有什么关系？
What is the relation between NEAT and reinforcement learning?
据我所知，NEAT（NeuroEvolution of Augmenting Topologies）是一种利用进化概念训练神经网络的算法。另一方面，强化学习是一种机器学习，其概念是 "rewarding" 个更成功的节点。
这两个看起来很相似的字段有什么区别？还是 NEAT 源自强化学习？
简而言之，他们几乎没有任何共同点。
NEAT 是一种进化 方法。这是一种优化功能的黑盒方法。在这种情况下 - 神经网络的性能（可以很容易地测量）wrt。到它的架构（你在进化过程中改变）。
强化学习是关于代理，学习在环境中表现良好的策略。因此，他们解决了不同的、更复杂的问题。理论上，您可以使用 RL 学习 NEAT，因为您可能会提出 "given a neural network as a state, learn how to modify it over time to get better performance" 的问题。关键的区别将是——NEAT 输出是一个网络，RL 输出是一个 policy、策略、算法。可以多次使用的东西，在某些环境下工作，采取行动并获得奖励。
据我所知，NEAT（NeuroEvolution of Augmenting Topologies）是一种利用进化概念训练神经网络的算法。另一方面，强化学习是一种机器学习，其概念是 "rewarding" 个更成功的节点。
这两个看起来很相似的字段有什么区别？还是 NEAT 源自强化学习？
简而言之，他们几乎没有任何共同点。
NEAT 是一种进化 方法。这是一种优化功能的黑盒方法。在这种情况下 - 神经网络的性能（可以很容易地测量）wrt。到它的架构（你在进化过程中改变）。
强化学习是关于代理，学习在环境中表现良好的策略。因此，他们解决了不同的、更复杂的问题。理论上，您可以使用 RL 学习 NEAT，因为您可能会提出 "given a neural network as a state, learn how to modify it over time to get better performance" 的问题。关键的区别将是——NEAT 输出是一个网络，RL 输出是一个 policy、策略、算法。可以多次使用的东西，在某些环境下工作，采取行动并获得奖励。