Neuroevolution er en form for maskinlæring , der bruger evolutionære algoritmer til at træne et neuralt netværk . Denne tilgang bruges i industrier som gaming og robotstyring . I disse tilfælde er det nok blot at måle ydeevnen af et neuralt netværk, mens det er meget svært eller næsten umuligt at implementere overvåget læring. Denne læringsmetode tilhører kategorien forstærkende læringsmetoder .
Der findes et stort antal neuroevolutionære algoritmer, som er opdelt i to grupper. Den første gruppe inkluderer algoritmer, der producerer udviklingen af vægte for en given netværkstopologi , den anden omfatter algoritmer, der ud over udviklingen af vægte også producerer udviklingen af netværkstopologien. Selvom der ikke er nogen almindeligt accepterede betingelser for at foretage distinktioner, accepteres det, at tilføjelse eller fjernelse af links i netværket under udvikling kaldes henholdsvis komplikation eller forenkling. Netværk, der udvikler både forbindelser og topologi, kaldes TWEANNs (Topology & Weight Evolving Artificial Neural Networks).
Evolutionære algoritmer manipulerer flere genotyper. I neuroevolution er en genotype en repræsentation af et neuralt netværk. I et direkte kodningsskema er genotypen ækvivalent med fænotypen , neuroner og forbindelser er direkte specificeret i genotypen. Tværtimod er reglerne og strukturerne for at skabe et neuralt netværk angivet i skemaet med indirekte kodning i genotypen.
Indirekte kodning bruges til at nå følgende mål:
| Machine learning og data mining | |
|---|---|
| Opgaver | |
| At lære med en lærer | |
| klyngeanalyse | |
| Dimensionalitetsreduktion | |
| Strukturel prognose | |
| Anomali detektion | |
| Grafer sandsynlighedsmodeller | |
| Neurale netværk | |
| Forstærkende læring |
|
| Teori | |
| Tidsskrifter og konferencer |
|