增殖拓撲的神經進化（NEAT）是一種遺傳算法（GA），用于生成不斷進化的人工神經網絡（一種神經進化技術），由KennethStanley和RistoMiikkulainen于2002年在德州大學奧斯汀分校開發。它改變了網絡的加權參數和結構，試圖在進化的解決方案的適用性和多樣性之間找到一個平衡。它基于三個關鍵技術的應用：用歷史標記跟蹤基因以允許拓撲結構之間的交叉，應用物種進化以保持創新，以及從簡單的初始結構逐步發展拓撲結構（復雜化）。

在簡單的控制任務中，NEAT算法通常比其他當代神經進化技術和強化學習方法更快地獲得有效的網絡。

傳統上，神經網絡拓撲結構是由人類實驗者選擇的，有效的連接權重值是通過訓練程序學習的。這就產生了一種情況，即為了確定適當的拓撲結構，可能需要一個試驗和錯誤的過程。NEAT是一個拓撲和權重進化的人工神經網絡（TWEANN）的例子，它試圖同時學習權重值和神經網絡的適當拓撲結構。為了將網絡編碼為GA的表型，NEAT使用了直接編碼方案，這意味著每一個連接和神經元都被明確表示。這與間接編碼方案相反，后者定義的規則允許在不明確表示每個連接和神經元的情況下構建網絡，允許更緊湊的表示。NEAT方法從一個只有輸入神經元和輸出神經元的類似感知器的前饋網絡開始。隨著進化通過離散的步驟進行，網絡拓撲結構的復雜性可能會增加，要么是在連接路徑中插入一個新的神經元，要么是在（以前沒有連接的）神經元之間建立一個新的連接。

當表型中有不止一種表示信息的方式時，就會出現競爭性約定問題。例如，如果一個基因組包含神經元A、B和C，并以[ABC]表示，如果這個基因組與一個相同的基因組（在功能方面）雜交，但有序的[CBA]雜交將產生缺少信息的子代（[ABA]或[CBC]），實際上在這個例子中，1/3的信息已經丟失。NEAT通過使用一個全局創新數來跟蹤基因的歷史來解決這個問題，這個創新數隨著新基因的加入而增加。當添加一個新的基因時，全局創新號碼被增加并分配給該基因。因此，號碼越大，該基因就越是最近添加的。對于一個特定的世代，如果一個相同的突變發生在一個以上的基因組中，它們都會被賦予相同的號碼，然而除此之外，突變號碼將無限期地保持不變。這些創新號碼使NEAT能夠匹配出可以相互交叉的基因。實現KenStanley的原始實現是在GPL下發布的。它與GNU方案解釋器Guile集成。這個NEAT的實現被認為是傳統的NEAT算法實現的基本出發點。擴展rtNEAT2003年，Stanley設計了一個NEAT的擴展，允許進化實時發生，而不是像大多數遺傳算法那樣通過世代的迭代進行。

其基本思想是將種群置于不斷的評估之下，對種群中的每個個體都有一個生命周期的計時器。當一個網絡的計時器過期時，它當前的適配度會被檢查，看它是否接近種群的底部，如果是，它就會被拋棄，并由兩個高適配度的親本培育的新網絡取代。為新網絡設置一個定時器，并將其放入種群中，參與正在進行的評估。rtNEAT的xxx個應用是一個名為"神經進化機器人操作者"的視頻游戲，即NERO。在游戲的xxx階段，單個玩家在"沙盒"中部署機器人，并將它們訓練成一些所需的戰術學說。

由ColinGreen開發的KenStanley的NEAT的一個擴展，在進化過程中增加了對候選解決方案的網絡拓撲結構的定期修剪。這一增加解決了對無限制的自動增長會產生不必要的結構的擔憂。HyperNEATHyperNEAT是專門用來演化大規模結構的。它最初是基于CPPN理論的，是一個活躍的研究領域。