我已经查看了你在youtube和互联网上的NEAT，但我只能找到使用NEAT的项目，但除了维基百科条目（只介绍它在引言中的含义，并且非常令人困惑），我仍然有不知道它是什么，它是一个图书馆，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，如果这是一个显而易见的问题。
答案 0 :(得分：14)
NEAT，或扩展拓扑的神经演化，是由Kenneth O'Stanley [1]引入的基于人口的进化算法。
该算法基于以下几个关键特征：
<强>复化
初始种群中的网络是最简单的（直到没有任何连接的极端，使输入和输出神经元保持不连接）并且算法仅添加新的结构元素（神经元，连接）。这样，产生的网络往往非常小。
通过历史标记避免竞争约定
在普通的进化算法中，很容易发生两个人编码相同（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。当这些人受到交叉时，他们的孩子可能比任何一方都要差。 NEAT通过保留新结构元素的历史标记来解决这个问题。当创建新的结构元素时（通过结构突变），它被分配一个创新号（并且所有这样的突变产生相同的元素，即使在不同的个体中也被赋予相同的数字）。然后，当两个人交叉时，他们的基因型以这样的方式排列，即相应的创新数字匹配，只交换不同的元素。
物种形成和健身分享
NEAT适用于物种的概念。这只是将人口细分为几组个体，称为 species 。该细分基于个体的不相似性，所述个体基于其进行交叉时使用的基因型的类似比对来计算。然后跨越不同物种的个体的概率比物种内的交叉小得多。通过促进更多相似父母的交配，孩子不太可能比父母更糟糕，因为父母只是兼容。
此外，在物种内，健康是由个人共享的。这有两个目的。 （1）它保护个体免受突变 - 当突变发生时，适应性通常较低，但由于健身共享，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，适合度越高，物种成员越不适合。
我强烈建议阅读原始论文[1]。该算法描述得非常好。还有一个NEAT Users Page，其中包含更多论文的链接以及NEAT的实现和使用。
[1] Kenneth O. Stanley和Risto Miikkulainen。通过增加拓扑来演化神经网络。 Evolutionary Computation，10（2）：99-127,2002。