基于HyperNEAT等NEAT扩展算法的研究

参考链接：
HyperNEAT介绍
MultiNEAT库官网
NEAT各扩展代码库
MultiNEAT库github

安装以及使用MultiNEAT库（基于Ubuntu 16.04）

1.安装Anaconda环境，安装MultiNEAT库

Anaconda安装路径：/home/winycg/

conda install multineat -c anton.matosov -c conda-forge

要使用MultiNEAT还需要安装对应版本的boost C++库，在上述命令下安装python的boost库和boost-cpp库都是1.66.0的，所以boost C++库也安装1.66.0（目前的最新的稳定版本），安装过程以及配置如下：

2.安装以及编译Boost C++库（可以不用安装就使用库，但是不能对库进行修改）

1.下载boost C++库，下载地址：https://www.boost.org/。将boost_1_66_0文件夹加压到/home/winycg/下(和Anaconda一个路径)，这样能识别到Anaconda的pyconfig.h文件。

2.配置C++ include路径，将Anaconda中的pyconfig.h文件路径配置到g++寻找的头文件里。
查找Anaconda的pyconfig.h路径，终端要设在/home/winycg/下，否则如果在/usr/下，找到的会是ubuntu自带的python2.7和python3.5的pyconfig.h路径：

cd /home/winycg/
find -name pyconfig.h

输出路径：（主要点是相对路径，在配置时要转化为绝对路径）

./anaconda3/pkgs/python-3.6.4-hc3d631a_1/include/python3.6m/pyconfig.h
./anaconda3/include/python3.6m/pyconfig.h

配置include路径：
找到/usr/etc/profile文件，在终端中输出命令使得该文件有写的权限：

sudo chmod 777 profile

在文件中写入C++配置路径：

C_INCLUDE_PATH=$C_INCLUDE_PATH:/home/winycg/anaconda3/pkgs/python-3.6.4-hc3d631a_1/include/python3.6m/
export C_INCLUDE_PATH

CPLUS_INCLUDE_PATH=$CPLUS_INCLUDE_PATH:/home/winycg/anaconda3/pkgs/python-3.6.4-hc3d631a_1/include/python3.6m/
export CPLUS_INCLUDE_PATH

保存后重启系统
3.编译Boost C++库，打开boost_1_66_0文件夹，打开终端输入：

./bootstrap
./b2
sudo ./b2 install

即可完成Boost C++ 1.66.0的安装
4.测试boost C++库
新建1.cpp,代码如下：

#include
#include
#include
using namespace std;
int main()
{
    cout<cout<cout<cout<return 0;
}

终端编译和运行：

g++ 1.cpp -o 1
./1

输出：

106600
1_66
GNU C++ version 5.4.0 20160609
GNU libstdc++ version 20160609

Windows下安装

库的Anaconda Cloud地址：https://anaconda.org/anton.matosov/multineat
同样需要Anaconda环境，输入如下命令：

conda install -c anton.matosov multineat

MultiNEAT库参考文档

NEAT_XOR.py

1.Genome

Genome(unsigned int a_ID,
       unsigned int a_NumInputs,
       unsigned int a_NumHidden,
       unsigned int a_NumOutputs,
       bool a_FS_NEAT, 
       ActivationFunction a_OutputActType,
       ActivationFunction a_HiddenActType,
       unsigned int a_SeedType,
       const Parameters &a_Parameters,
       unsigned int a_NumLayers = 1)

a_ID:ID号
a_NumInputs:输入结点数量，最后一个结点为偏置
a_NumHidden:隐藏结点数量。
a_NumOutputs:输出结点数量
a_FS_NEAT:如果是False，该网络是初始是全连接网络；如果是True：如果存在隐藏结点，则初始不存在连接，否则初始为任意选择一个输入结点全连接到输出结点，但是偏置结点仍然是全连接输出结点。
a_OutputActType：输出结点的激励函数
a_HiddenActType：隐藏结点的激励函数
a_SeedType：如果a_SeedType=0，忽略此项；如果a_SeedType=1,该隐藏结点数量有效
a_Parameters：Parameters()对象
a_NumLayers：隐藏层数量

2.Population

Population(const Genome& a_Seed, 
           const Parameters& a_Parameters,
           bool a_RandomizeWeights, 
           double a_RandomizationRange, 
           int a_RNG_seed)

const Genome& a_Seed:Genome对象
const Parameters& a_Parameters：Parameter对象
bool a_RandomizeWeights：如果为True，表示权重初始化为任意的
double a_RandomizationRange：权重在[-1,1]*a_RandomizationRange上均匀分布
int a_RNG_seed： the RNG seed