在计算智能领域中，一个最努力、最长久的目标就是创造出能够模仿甚至超越人类智能的智能、自我感知的机器。一台智能机器可以学习，自我完善，然后走自己的路。从20世纪50年代的老式人工智能系统到今天的人工神经计算，我们已经走过了漫长的道路。今天，这些智能系统可以做各种各样的事情，比如分析图像，控制无人机，驾驶你的汽车，成为你的虚拟助手。当今最先进的计算智能方法是通过神经进化，这是一种受人脑启发的深入学习的进化方法。

什么是神经进化(neuroevolution)？

神经进化或神经进化是人工智能和机器学习中的一个分支领域，它利用进化算法来构建人工神经网络。神经进化是一种深入学习网络的进化方法，已成功应用于人工生命、生成系统、机器人控制和计算机游戏等领域。它描述了一个进化过程，与**我们大脑的过程相似，只是在计算机内部。事实上，整个概念的灵感来源于人脑的结构。人们坚信，如果人脑能够以某种方式复制，它将创造出人工智能。人工神经网络这一术语表示由连接的节点组成的图，每个连接具有特定的权重。这些节点很像人脑中神经元的组织方式。当今最先进的计算智能方法是通过神经进化。这一概念已广泛应用于游戏领域。

什么是深度学习(deep learning)？

深度学习是一种基于人工神经网络的机器学习技术，它模仿人脑的工作方式。以Google Translate为例，它能在几秒钟内将文本段落或整个页面从一种语言翻译成另一种语言。所以，你可以说Google翻译是基于深度学习和人工神经网络（ANNs）的概念。人工神经网络是一种受生物启发的计算智能和机器学习方法。它使用多个层次从原始的感官输入数据中提取高级特征。它使计算机系统能够利用经验和数据进行改进。它是一种特殊的机器学习技术，用于创建能够在复杂现实环境中运行的人工智能系统。深度学习将世界表示为概念的嵌套层次结构，其中每个概念都是根据较简单的概念定义的，而较抽象的表示则是根据较不抽象的概念计算的。

神经进化与深度学习的区别

概念

–深度学习是一种机器学习技术，是人工智能的一个子集，旨在模仿人脑在数据处理方面的工作，用于语音识别、目标检测、语言翻译和决策。它是一种基于人工神经网络的人工智能功能，是一种计算智能和机器学习的仿生方法。另一方面，神经进化是人工智能和机器学习的一种形式，它利用进化算法构建人工神经网络。它是一种深入学习网络的进化方法，旨在简化解决复杂任务的过程。

工作

–深度学习将世界表示为概念的嵌套层次结构，其中每个概念都是根据较简单的概念来定义的，而更抽象的表示则是根据较不抽象的概念来计算的。它使计算机系统能够利用类似于人脑处理图片、文本或声音形式的信息的经验和数据进行改进。神经进化的整个概念是受人脑结构的启发——它利用进化算法构建人工神经网络。神经进化有两种方法，一种是只考虑网络连接权值的进化，另一种是同时考虑网络连接权值和网络拓扑结构的进化。

应用

–神经进化已广泛应用于游戏领域中的角色，如评估游戏的状态-动作空间、建模对手策略、建模玩家体验等。最常见的应用包括进化机器人、人工生命、生成系统、强化学习等。深度学习使用巨大的神经网络来理解大量数据中的复杂模式。常见的应用包括图像识别、欺诈检测、自动驾驶汽车、虚拟助理、机器人、CRM系统、自然语言处理、工业制药研究、超级计算等。

神经进化与深度学习：比较图

总结

神经进化和深度学习都是高度分布式和并行的问题解决方法，对大多数问题和应用的成败至关重要。神经进化的基本概念是利用进化算法（一种基于种群的元启发式优化算法）生**工神经网络。遗传算子是每一种进化算法的核心，任何神经进化算法的性能都依赖于遗传算子。进化算法使用受生物进化启发的机制，如变异和交叉。深度学习是一种基于人脑结构和功能的机器学习技术，它利用多个层次从原始的感觉输入数据中挖掘出有意义的特征。