NEAT算法实验与超参数调优指南

1、更改随机数生成器的种子值，观察会发生什么。使用新值是否能找到解决方案？它与常规情况有何不同？

当随机种子数仅增加1（其他条件不变）时，NEAT算法仍能找到稳定控制策略，但控制器的 人工神经网络 （ANN）会形成与之前最优配置不同的 奇异配置 ；

当随机种子数增加10时，神经进化过程根本找不到任何可靠的控制策略。

2、尝试运行随机种子生成器不同值的实验，可在retina_experiment.py脚本的第101行更改该值。看看能否用其他值找到成功的解决方案。

可通过克隆对应的 Git 仓库并运行脚本，具体操作如下：

1. 克隆仓库：
   bash git clone https://github.com/PacktPublishing/Hands-on-Neuroevolution-with-Python.git

2. 进入指定目录：
   bash cd Hands-on-Neuroevolution-with-Python/Chapter8

3. 激活虚拟环境：
   bash conda activate rt_multineat

4. 运行实验脚本：
   bash python retina_experiment.py -t 1 -g 1000

运行后，可修改 retina_experiment.py 脚本第 101 行的随机种子值以进行不同实验，观察控制台输出中是否包含以下信息：

• Generation
• Solution found

这些信息表明成功找到了解决方案。