本书详细阐述了与神经进化网络开发相关的基本解决方案，主要包括神经进化方法概述、Python库和环境设置、使用NEAT进行XOR求解器优化、摆杆平衡实验、自主迷宫导航、新颖性搜索优化方法、基于超立方体的NEAT和视觉辨别、ES-HyperNEAT和视网膜问题、协同进化和SAFE方法、深度神经进化等内容。此外，本书还提供了相应的示例、代码，以帮助读者进一步理解相关方案的实现过程。本书适合作为高等院校计算机及相关专业的教材和教学参考书，也可作为相关开发人员的自学教材和参考手册。
部分进化计算算法和神经进化方法的基本原理
章神经进化方法概述
1.1进化算法和基于神经进化的方法
1.1.1遗传算子
1.1.2基因组编码方案
1.1.3协同进化
1.1.4模块化和层次结构
1.2关于NEAT算法
1.2.1NEAT编码方案
1.2.2结构变异
1.2.3使用创新数字交叉
1.2.4物种形成
1.3基于超立方体的NEAT
1.3.1复合模式生成网络
1.3.2基板配置
1.3.3不断进化的连接CPPN和HyperNEAT算法
1.4可进化基板HyperNEAT
1.4.1超立方体中的信息模式
1.4.2使用四叉树作为有效的信息提取器
1.4.3ES-HyperNEAT算法
1.5新颖性搜索优化方法
1.5.1新颖性搜索与自然进化
1.5.2新颖性度量
1.6小结
1.7延伸阅读
第2章Python库和环境设置
2.1适用于神经进化实验的Python库
2.1.1NEAT-Python
2.1.2NEAT-Python用法示例
2.1.3PyTorchNEAT
2.1.4PyTorchNEAT用法示例
2.1.5MultiNEAT
2.1.6MultiNEAT用法示例
2.1.7深度神经进化
2.1.8比较Python神经进化库
2.2环境设定
2.2.1Pipenv
2.2.2Virtualenv
2.2.3Anaconda
2.3小结
第2部分运用神经进化方法解决经典计算机科学问题
第3章使用NEAT进行XOR求解器优化
3.1技术要求
3.2XOR问题基础知识
3.3XOR实验的目标函数
3.4超参数选择
3.4.1NEAT部分
3.4.2DefaultStagnation部分
3.4.3DefaultReproduction部分
3.4.4DefaultSpeciesSet部分
3.4.5DefaultGenome部分
3.4.6XOR实验超参数
3.5运行XOR实验
3.5.1环境设置
3.5.2XOR实验源代码
……
第3部分不错神经进化方法
第4部分复习和总结
雅罗斯拉夫尔·连奥米恩科担任首席技术官和研究主管超过10年。他是机器学习研究领域的活跃成员，并在arXiv、ResearchGate平台以及Preprints等刊物上发表了若干篇研究论文。10多年前，他开发了用于手机游戏的自主代理，此后一直从事机器学习的应用。在过去的5年中，他积极参与有关将深度机器学习方法应用于身份验证、个人特征识别、协作机器人技术和合成智能等的研究。他还是一名活跃的软件开发人员，使用Go语言创建了开源神经进化算法的实现。
