machine-learning - NEAT 和强化学习之间有什么关系？

Question

据我所知，NEAT(NeuroEvolution of Augmenting Topologies)是一种利用进化概念来训练神经网络的算法。另一方面，强化学习是机器学习的一种，其概念是“奖励”更成功的节点。

这两个领域看起来非常相似，它们之间有什么区别？还是 NEAT 源自强化学习？

Answer 1

简而言之，它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)。它的架构(在进化过程中你会改变)。

强化学习是关于智能体，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 来学习 NEAT，因为您可能会提出“给定一个神经网络作为一种状态，学习如何随着时间的推移修改它以获得更好的性能”的问题。关键的区别在于 - NEAT 输出是一个网络，RL 输出是一个策略、策略、算法。可以多次使用的东西，在某种环境中工作、采取行动并获得奖励。