新奇性搜索（Novelty Search，NS）是一种基于进化算法的搜索优化方法，它通过追求新颖性来引导进化过程，而不是仅仅追求目标函数的优化。这种方法的灵感来自于自然进化中的创新和多样性。通过发现新的行为模式，进化系统可以获得优势并更好地适应环境。
基于目标的进化算法的缺点
传统的基于目标的进化算法通常使用适应度函数来衡量个体的性能，并通过优化目标函数来寻找最优解。然而，这种方法容易陷入局部最优解，尤其是在复杂的问题中。适应度函数优化方法通常只关注与目标的接近程度，而忽视了解空间中的其他可能性。
新颖性搜索与自然进化
自然进化中的物种通过发现新的行为模式来获得进化优势。这种新颖性的追求使得物种能够更好地适应环境并发展出更复杂的行为和结构。新颖性搜索算法借鉴了自然进化的思想，通过奖励新颖性来引导进化过程，而不是仅仅追求目标函数的优化。
新颖性指标
新颖性搜索方法使用新颖性度量标准来衡量个体行为的唯一性。这个度量标准可以通过计算个体与行为空间中其他个体之间的距离来实现。稀疏度量是一种常用的新颖性度量方法，它通过计算个体与其k个最近邻居之间的平均距离来衡量个体的新颖性。
算法描述
新颖性搜索算法允许进化过程在解空间中搜索解决方案，并避免陷入局部最优解。它通过最大化新颖性度量来引导搜索的方向，而不是仅仅追求目标函数的优化。当个体的新颖性分数超过阈值时，它们将被添加到性能最佳的档案中，以保留先前解的分布信息。
实践应用
新颖性搜索算法已经在迷宫导航等问题上得到了应用。通过使用新颖性搜索算法，可以更快地找到解决方案，并避免陷入局部最优解。这种方法在处理具有欺骗性适应度函数的问题时尤为有效。
参考资料:
- 新颖性搜索（Novelty Search，NS）算法详解与实现_新颖性搜索方法-CSDN博客
- 破解大模型「涌现」之谜：新奇性搜索是AI腾飞的踏脚石-腾讯云开发者社区-腾讯云
- 新颖性搜索（Novelty Search，NS）算法实践–利用NS算法解决迷宫导航问题 - 盼小辉丶 - 博客园
