神经进化
一种使用进化算法（选择、交叉、变异）优化神经网络权重或拓扑结构的方法，不依赖梯度下降，对稀疏奖励和不可微环境更鲁棒
时间轴 (近 90 天)
神经进化与其他强化学习方法的结合，可能推动更通用智能体的发展。
神经进化不依赖可微的损失函数，适合强化学习中的稀疏奖励场景。
神经进化将网络权重视为基因，直接以最终游戏得分作为适应度，通过种群层面的选择、交叉和变异来搜索参数空间。
神经进化这种无梯度方法对奖励稀疏、不可微或噪声较大的环境更具鲁棒性，但通常需要更大的计算量来评估种群中每个个体。
神经进化在稀疏奖励场景中可成为梯度方法的有效替代或补充。
人类玩家受限于反应速度和注意力，而神经进化智能体可以高速模拟数千次尝试，发现人类难以察觉的捷径或技巧。
某些进化出的策略会利用游戏物理引擎的细微漏洞，实现超远跳跃或快速通关。
神经进化并非训练单个智能体，而是让一群神经网络在游戏中竞争、变异和进化，最终筛选出表现优异的个体。
神经进化通过选择、交叉和变异产生后代，每一代中表现最好的网络被保留并繁殖，逐步优化策略。
神经进化维护一个神经网络种群，让每个个体在游戏里跑一遍，根据得分进行选择、交叉和变异，逐代淘汰表现差的策略。
还有 5 条时间轴事件
全部知识事实 (15)
神经进化通过选择、交叉和变异产生后代，每一代中表现最好的网络被保留并繁殖，逐步优化策略。
50%待验证神经进化不依赖可微的损失函数，适合强化学习中的稀疏奖励场景。
50%待验证神经进化将网络权重视为基因，直接以最终游戏得分作为适应度，通过种群层面的选择、交叉和变异来搜索参数空间。
50%待验证神经进化这种无梯度方法对奖励稀疏、不可微或噪声较大的环境更具鲁棒性，但通常需要更大的计算量来评估种群中每个个体。
50%待验证神经进化在稀疏奖励场景中可成为梯度方法的有效替代或补充。
50%待验证人类玩家受限于反应速度和注意力，而神经进化智能体可以高速模拟数千次尝试，发现人类难以察觉的捷径或技巧。
50%待验证神经进化并非训练单个智能体，而是让一群神经网络在游戏中竞争、变异和进化，最终筛选出表现优异的个体。
50%待验证神经进化（Neuroevolution）是一种用进化算法训练神经网络的方法。
50%待验证神经进化维护一个神经网络种群，让每个个体在游戏里跑一遍，根据得分进行选择、交叉和变异，逐代淘汰表现差的策略。
50%待验证该项目在《超级马里奥》3D环境中训练AI，适应度由通关进度和得分决定。
50%待验证该项目提供的演示视频显示AI能完成连续跳跃、躲避敌人和精确落地等操作，动作流畅度接近甚至超过普通人类玩家。
50%待验证神经进化不需要可微的环境模型，对稀疏奖励和长序列决策更鲁棒。
50%待验证神经进化的优势在于实现简单、易于并行化——种群中每个个体可以独立运行，天然适合多核或分布式训练。
50%待验证某些进化出的策略会利用游戏物理引擎的细微漏洞，实现超远跳跃或快速通关。
50%待验证神经进化与其他强化学习方法的结合，可能推动更通用智能体的发展。
50%