Self Evolve 开始阅读
Project report / GitHub evidence

PUREPLES: 纯Python实现的ES-HyperNEAT神经进化库

这是可索引项目报告证据页：它保留 PUREPLES: 纯Python实现的ES-HyperNEAT神经进化库 的源材料入口、机制线索和限制提醒；正文仍需 reader/editor 与 academic public-copy review 后才能当作最终结论引用。

报告索引 项目索引 Markdown source

PUREPLES: 纯Python实现的ES-HyperNEAT神经进化库

基本信息

字段内容
GitHubhttps://github.com/ukuleleplayer/pureples
Star100+
技术栈Python, neat-python, numpy, graphviz, matplotlib, gym
许可证未明确
开发者ukuleleplayer (个人开发者)

项目简介

PUREPLES(Pure Python Library for ES-HyperNEAT)是一个专注于神经进化(Neuroevolution)的Python库,基于neat-python实现,提供了HyperNEAT和ES-HyperNEAT的忠实实现。NEAT(神经拓扑增强进化)由Kenneth O. Stanley开发,用于进化任意神经网络;HyperNEAT利用几何规律进化大规模神经网络;ES-HyperNEAT进一步允许底物(Substrate)在进化过程中自适应演化。库设计注重可扩展性,便于在不同实验域之间切换。

目录结构

pureples/
├── pureples/                        ★ 核心Python包
│   ├── __init__.py
│   ├── hyperneat/                   ★ HyperNEAT实现
│   │   └── hyperneat.py             ★ CPPN->ANN映射
│   ├── es_hyperneat/                ★ ES-HyperNEAT实现
│   │   └── es_hyperneat.py          ★ 可进化底物的HyperNEAT
│   ├── shared/                      ★ 共享工具
│   └── experiments/                 ★ 示例实验
├── setup.py                         ★ 安装脚本
├── PUREPLES.png                     ★ 项目Logo
└── README.md                        ★ 项目说明

核心模块分析

1. HyperNEAT模块 (hyperneat.py)

HyperNEAT的核心思想是利用组合模式产生网络(Compositional Pattern Producing Networks, CPPN)来编码大规模神经网络的连接权重:

底物(Substrate)定义: 用户通过坐标元组定义输入节点、输出节点和隐藏节点层。隐藏节点以层列表的形式组织,每层是坐标元组的列表。

CPPN编码: CPPN是一个四维函数f(x1,y1,x2,y2),接收源节点和目标节点的坐标,输出连接权重。通过neat-python进化CPPN的拓扑和权重。

ANN构建: create_phenotype_network方法将CPPN展开为实际的人工神经网络(ANN),根据底物定义的节点布局和CPPN计算的权重构建完整网络。

2. ES-HyperNEAT模块 (es_hyperneat.py)

ES-HyperNEAT在HyperNEAT基础上增加了底物自适应进化能力:

核心创新: 不需要用户预先定义隐藏节点布局,而是通过CPPN的表达能力自动发现适合任务的网络拓扑。

参数配置: 除标准NEAT参数外,还需声明ES-HyperNEAT特定参数(如探索阈值、迭代次数等)。

ANN构建: 使用create_phenotype_network方法的ES-HyperNEAT版本,自动确定隐藏节点的数量和位置。

3. 实验框架

实验设置流程:

  1. 定义底物(输入/输出节点坐标,可选隐藏层)
  2. 创建NEAT配置文件(CPPN参数)
  3. 定义适应度函数(构建CPPN和ANN,评估性能)
  4. 创建种群并运行进化

Gym集成: shared/gym_runner模块简化了OpenAI Gym环境下的实验,只需提供代数、环境、配置文件和底物定义即可自动运行。

4. 进化算法流程

1. 初始化CPPN种群(基于neat-python)
2. 对每个CPPN个体:
   a. 根据底物定义展开为ANN
   b. 在任务环境中评估ANN性能
   c. 设置适应度
3. 选择、交叉、变异CPPN
4. 重复直到满足终止条件
5. 返回最优CPPN及其对应的ANN

技术亮点

  1. 纯Python实现: 无需编译C扩展,安装简单,代码可读性强
  2. 忠实于原始论文: HyperNEAT和ES-HyperNEAT的实现严格遵循原始论文描述
  3. 底物自适应进化: ES-HyperNEAT免除了用户手动设计隐藏层的工作,自动发现最优拓扑
  4. neat-python生态: 基于成熟的neat-python库,继承其NEAT实现的稳定性
  5. Gym集成: 与OpenAI Gym无缝集成,便于在标准RL环境中测试
  6. 模块化实验: 实验域可轻松切换,适应不同的研究需求

与 Self-Evolve 关联

维度PUREPLES 贡献
神经进化提供了经典的神经拓扑进化实现,展示了结构自适应进化的能力
进化循环完整的NEAT进化流程(初始化->评估->选择->变异->替换)可作为Self-Evolve进化循环的参考
结构自适应ES-HyperNEAT的底物自动进化机制可启发Self-Evolve中模块/组件的自适应设计
CPPN编码通过CPPN间接编码神经网络的方法,展示了紧凑编码+展开生成的设计模式
评估框架基于适应度函数的评估+Gym环境集成,为Self-Evolve的评估模块提供参考
间接编码CPPN的间接编码思想可迁移到Self-Evolve中的策略/代码压缩表示

参考资料