新奇搜索如何工作？

在本文中，作者主张仅凭新颖性（没有明确的目标）来指导发展，甚至比使用明确的目标更好地解决问题。换句话说，将新颖性度量用作遗传算法的适应度函数要比针对目标的适应度函数更好。那怎么可能？

正如对此AI SE问题的回答所解释的，GA是“满意的”而不是“优化的”，并且倾向于不探索搜索空间的“外围”区域。相反，根据适应度函数，人口倾向于聚集在“相当好”的地区。

相比之下，我认为这种想法是新颖性提供了一种动态适应性，倾向于使人们远离以前发现的地区。

新颖性搜索根据新颖性的某些领域定义来选择“新颖行为”。例如，迷宫解决领域中的新颖性可能是“探索路线的差异”。最终，将找到沿着迷宫走所有可能路线的网络，然后您可以选择最快的网络。这要比单纯的“目标”（例如到目标的距离）要好得多，后者可以轻易导致永远无法解决迷宫的局部最优。

从放弃的目标：通过寻找新奇而发展（重点是我的）：

在新颖性搜索中，进化不是使用传统的目标函数来衡量整体进度，而是采用一种行为新颖性的度量（称为新颖性度量）。实际上，以这种度量为指导的搜索明确地执行了自然进化被动执行的操作，即逐渐积累了复杂度上升的新颖形式。
例如，在两足动物的运动域中，最初的尝试可能只是掉下来了。新颖性指标将以不同的方式奖励其跌倒，无论它是否更接近客观行为。相反，目标函数可以明确地奖励最远的跌倒，这很可能不会导致步行的最终目标，因此可以示例出欺骗性的局部最优。相反，在寻求新颖性时，保留了代表最新颖发现的一组实例。然后，从这些代表性行为中跳出进一步的搜索。在发现了几种跌倒方法之后，获得奖励的唯一方法是找到一种不会立即跌倒的行为。这样，行为复杂性从下而上上升。最终，两足动物要做一些新的事情，即使它不是客观的，也必须成功地走一段距离。