据我所知，NEAT（增强拓扑的神经进化）是一种利用进化概念来训练神经网络的算法。另一方面，强化学习是一种机器学习类型，其概念是“奖励”更成功的节点。

这两个领域看起来相当相似，它们之间的区别是什么？还是NEAT是从强化学习中衍生出来的？

回答：

简而言之，它们几乎没有什么共同点。

NEAT是一种进化方法。这是一种优化函数的黑盒方法。在这种情况下 – 神经网络的性能（可以轻松测量）相对于其架构（在进化过程中进行更改）。

强化学习是关于代理，学习在环境中表现良好的策略。因此，它们解决了不同、更复杂的问题。理论上，你可以使用RL来学习NEAT，因为你可以提出这样的问题：“给定一个神经网络作为状态，学习如何随着时间的推移修改它以获得更好的性能”。关键的区别在于 – NEAT的输出是一个网络，RL的输出是一个策略、策略、算法。可以多次使用的东西，以在某个环境中工作，采取行动并获得奖励。