神經拓撲結構的進化獲取（EANT/EANT2）是一種進化的強化學習方法，可以進化人工神經網絡的拓撲結構和權重。它與Angeline等人以及Stanley和Miikkulainen的工作密切相關。與Angeline等人的工作一樣，該方法使用了一種來自進化策略和進化編程的參數突變（現在使用EANT2中進化策略的最先進形式CMA-ES），其中自適應步長被用于優化神經網絡的權重。與Stanley（NEAT）的工作類似，該方法從最小的結構開始，沿著進化路徑獲得復雜性。

盡管有這兩個特性，但該方法有以下重要特點，使其區別于以前的神經進化工作。它引入了一種叫做共同遺傳編碼（CGE）的遺傳編碼，在同一理論框架內處理神經網絡的直接和間接編碼。該編碼具有重要的特性，使其適用于神經網絡的進化。它是完整的，因為它能夠代表所有類型的有效表型網絡。它是封閉的，即每個有效的基因型代表一個有效的表型。(同樣，在結構突變和交叉等遺傳運算符下，編碼也是封閉的。)這些特性已經在《中國科學報》上得到了正式的證明。為了進化神經網絡的結構和權重，使用了一個進化過程，其中結構的探索是在一個較大的時間尺度上執行的（結構探索），而對現有結構的利用是在一個較小的時間尺度上完成的（結構利用）。

在結構探索階段，新的神經結構是通過向作為起點的初始最小網絡逐步添加新的結構而開發的。在結構開發階段，使用進化策略對當前可用結構的權重進行優化。性能EANT已經在一些基準問題上進行了測試，如雙極平衡問題和RoboCupkeepaway基準問題。在所有的測試中，EANT被發現表現非常好。此外，EANT的較新版本，即EANT2，在視覺伺服任務上進行了測試，發現其性能優于NEAT和傳統的迭代高斯-牛頓方法。進一步的實驗包括對一個分類問題的結果