Skip to main content

NEAT

NEAT（NeuroEvolution of Augmenting Topologies）是一种 neuroevolution 算法。它从简单神经网络开始，同时演化连接权重和网络拓扑，并通过物种划分保护新出现的结构创新。

基本信息​

项目内容
时间2002 年，Evolving Neural Networks through Augmenting Topologies 发表在 Evolutionary Computation。
人物与机构Kenneth O. Stanley、Risto Miikkulainen；得克萨斯大学奥斯汀分校 Department of Computer Sciences。
名称NeuroEvolution of Augmenting Topologies。
领域进化计算、神经进化、强化学习、控制。
在线变体rtNEAT：Stanley、Bobby D. Bryant、Miikkulainen 在 2005 年 NERO 游戏工作中展示的实时神经进化方法。

核心机制​

  1. 从简单拓扑开始：初始网络尽量小，复杂度随演化逐步增加。
  2. 创新编号（innovation number）：为结构突变分配历史标记，使不同基因组的交叉能够对齐同源连接。
  3. 物种划分（speciation）：按基因组距离分组，保护较新的拓扑结构在尚未优化权重前不被成熟种群淘汰。
  4. 复杂化（complexification）：通过增加连接和节点等突变扩展表达能力，同时保留已有可行结构。

rtNEAT​

rtNEAT（real-time NEAT）将种群更新放进持续运行的环境中，而非等待一整代离线评估完成。它面向实时交互和非平稳任务；NERO（NeuroEvolving Robotic Operatives）是其代表性游戏应用。

  • 在线评估的适应度窗口、个体替换频率与训练环境变化需要明确，否则不同个体的分数不可比较。
  • 种群多样性、评估预算和实时延迟通常比单次离线 NEAT 更关键。

与相近方法的区别​

方法区别
Genetic Algorithm通用遗传算法不规定神经网络基因对齐、拓扑增量或物种保护。
Evolution Strategies通常优化固定维度的参数向量，不直接演化离散网络拓扑。
Q-Learning / DQN通过 Bellman 目标学习价值函数；NEAT 以适应度驱动种群演化。
MCTS通过在线树搜索选择当前动作；NEAT 学习或演化策略/评估器本身。

实现检查​

  • 为新增连接和节点维护全局、可重复的创新编号。
  • 将兼容距离、物种阈值、种群规模、突变率、交叉率与精英保留策略纳入实验配置。
  • 分离训练期随机种子和评估期随机种子，避免只适应单个环境实例。
  • 记录每代物种数量、平均拓扑规模、最佳与中位适应度，防止复杂化失控或种群早熟收敛。

参考​