什么是 NEAT（增强拓扑的神经进化）？
What is NEAT (Neuroevolution of Augmenting Topologies)?
我在 youtube 和互联网上查过 NEAT 是什么，但我只能找到使用 NEAT 的项目，但除了 wikipedia 条目（它只说介绍中的内容，而且很混乱），我仍然不知道它是什么，它是一个库，它是一种神经网络，它是一种训练神经网络的方法吗？
对不起，如果这是一个明显的问题。
NEAT，或 Augmenting Topologies 的 Neuro-Evolution，是由 Kenneth O'Stanley [1] 引入的 population-based 进化算法。
该算法基于几个关键特征：
复杂化
初始种群中的网络是最简单的（达到完全没有连接的极端，使输入和输出神经元不连接）并且算法仅 adds new结构元素（神经元、连接）。这样，生成的网络往往非常小。
通过历史标记避免竞争约定
在普通的进化算法中，很容易发生两个个体编码相同（或非常相似）的行为但具有非常不同的基因型。这称为竞争约定。当这些人进行交叉时，他们的 children 可能比任何一个 parent 都差。 NEAT 通过保留新结构元素的历史标记来解决这个问题。当一个新的结构元素被创建（通过结构突变）时，它被分配一个创新编号（并且所有产生相同元素的突变，即使在不同的个体中也被分配这个相同的编号）。然后，当两个个体交叉时，他们的基因型以这样一种方式对齐，即相应的创新数字匹配，并且只交换不同的元素。
物种形成和适应性共享
NEAT 使用 物种 的概念。这只是将种群细分为若干个体组，称为物种。这种细分是基于个体的差异性，这些差异性是根据其基因型的相似比对计算得出的，就像在进行交叉时所使用的那样。交叉来自不同物种的个体的概率比物种内部的交叉小得多。通过促进更相似的 parent 的交配，children 不太可能比 parent 差很多，因为 parent 只是兼容。
此外，在物种内部，适应度在个体之间共享。这有两个目的。 (1) 它保护个体免受突变——当突变发生时，适应度通常会很低，但由于存在适应度共享，个体有时间优化自身（权重）以适应这种新的结构变化。 (2) 促进多样性，因为物种越大，共享的适应度越多，物种成员的适应度越低。
我强烈推荐阅读原论文[1]。该算法描述得很好。还有一个 NEAT Users Page 链接到更多论文以及 NEAT 的实现和使用。
[1] Kenneth O. Stanley 和 Risto Miikkulainen。通过增强拓扑进化神经网络。进化计算, 10(2):99-127, 2002.
我在 youtube 和互联网上查过 NEAT 是什么，但我只能找到使用 NEAT 的项目，但除了 wikipedia 条目（它只说介绍中的内容，而且很混乱），我仍然不知道它是什么，它是一个库，它是一种神经网络，它是一种训练神经网络的方法吗？ 对不起，如果这是一个明显的问题。
NEAT，或 Augmenting Topologies 的 Neuro-Evolution，是由 Kenneth O'Stanley [1] 引入的 population-based 进化算法。
该算法基于几个关键特征：
复杂化
初始种群中的网络是最简单的（达到完全没有连接的极端，使输入和输出神经元不连接）并且算法仅 adds new结构元素（神经元、连接）。这样，生成的网络往往非常小。
通过历史标记避免竞争约定
在普通的进化算法中，很容易发生两个个体编码相同（或非常相似）的行为但具有非常不同的基因型。这称为竞争约定。当这些人进行交叉时，他们的 children 可能比任何一个 parent 都差。 NEAT 通过保留新结构元素的历史标记来解决这个问题。当一个新的结构元素被创建（通过结构突变）时，它被分配一个创新编号（并且所有产生相同元素的突变，即使在不同的个体中也被分配这个相同的编号）。然后，当两个个体交叉时，他们的基因型以这样一种方式对齐，即相应的创新数字匹配，并且只交换不同的元素。
物种形成和适应性共享
NEAT 使用 物种 的概念。这只是将种群细分为若干个体组，称为物种。这种细分是基于个体的差异性，这些差异性是根据其基因型的相似比对计算得出的，就像在进行交叉时所使用的那样。交叉来自不同物种的个体的概率比物种内部的交叉小得多。通过促进更相似的 parent 的交配，children 不太可能比 parent 差很多，因为 parent 只是兼容。
此外，在物种内部，适应度在个体之间共享。这有两个目的。 (1) 它保护个体免受突变——当突变发生时，适应度通常会很低，但由于存在适应度共享，个体有时间优化自身（权重）以适应这种新的结构变化。 (2) 促进多样性，因为物种越大，共享的适应度越多，物种成员的适应度越低。
我强烈推荐阅读原论文[1]。该算法描述得很好。还有一个 NEAT Users Page 链接到更多论文以及 NEAT 的实现和使用。
[1] Kenneth O. Stanley 和 Risto Miikkulainen。通过增强拓扑进化神经网络。进化计算, 10(2):99-127, 2002.