Machine Code Vs Binary Options

Es scheint, dass viele Meinungen, was Maschinen-Code tatsächlich ist. Ich habe gehört, einige sagen, seine Montage, oder binär, oder hex. Ist es richtig zu sagen, dass Maschinen-Code ist im Wesentlichen ein Satz von Anweisungen für einen bestimmten Prozessor Wenn ja, stelle ich mir diese können in binärer oder hexadezimaler Notation oder Assembly dargestellt werden. Aber was bedeutet die nicht-übersetzten tatsächlichen Maschinen-Code aussehen Ist es auf die Wortgröße der Architektur basiert oder ist hexadezimal für alle Absicht und Zweck der Standard-Darstellung Wie sieht es aus, wenn auf einer Festplatte sitzen Wie sieht es aus, wenn wann Sitzen in einem Register Wie wäre es, wenn seine Verarbeitung, ist es einfach eine Reihe von Spannungsänderungen an diesem Punkt gefragt, Apr 25 12 um 22:39 Maschinen-Code ist einfach binäre Daten, die CPU-Befehle für eine bestimmte Prozessorarchitektur entspricht. Ich werde nicht gehen, wie es zu viel gespeichert wird, weil das hängt davon ab, wo es gespeichert wird. Auf der Platte wird sie zum Beispiel im allgemeinen als eine Sequenz von magnetisierten Bereichen gespeichert. Maschinencode unterscheidet sich nicht von anderen binären Daten im Speicheraspekt. Wenn Ihre Frage mehr ist, wie Daten auf einem Computer gespeichert sind, sollten Sie die verschiedenen Datenspeichergeräte in einem Computer wie Festplatte, RAM und Registern erforschen, um nur einige zu nennen. Der einfachste Weg, um zu visualisieren, wie Maschinen-Code gespeichert ist, um einige in einem Hex-Editor zu suchen. Hier sehen Sie die Binärdaten, die durch Hex-Zahlen dargestellt werden. Nehmen wir zum Beispiel die Anweisung: Diese könnte leicht geschrieben werden 1110101111111110 oder 60414. Es hängt davon ab, wie Sie binär in menschlich lesbare Form umwandeln möchten. Diese Anweisung repräsentiert eine Endlosschleife. (Es wird davon ausgegangen, dass es auf einer x86 CPU ausgeführt wird. Alle anderen CPUs könnte es interpretieren, aber sie wollen.) Es kann in der Montage wie folgt codiert werden: Wenn Sie den Assembler ausführen, dauert es den obigen Code und schaltet ihn in die binäre Maschine Oben genannten Code. Die Anweisung ist wirklich zwei Teile. Die erste ist, was als Opcode bekannt ist, und ist die 0xEB. Wenn dieser Code in die CPU geht, bedeutet dies: Ein Byte aus dem Programm lesen und überspringen, dass viele Bytes von Daten. Dann liest die CPU das Byte 0xFE. Da es eine signierte Ganzzahl erwartet, interpretiert es die Binärdaten als die Zahl -2. Der Befehl wird dann gelesen, und der Befehlszeiger bewegt sich 2 Byte vorwärts. Der Befehl wird dann ausgeführt, wodurch bewirkt wird, daß der Befehlszeiger auf -2 (0xFE) Bytes voranschreitet, was den Befehlszeiger effektiv auf denselben Wert setzt wie beim Start des Befehls. Ich hoffe, dies beantwortet Ihre Frage. Wenn Sie sich fragen, über die interne Funktionsweise der CPUs, lesen Sie auf Mikrocode und elektronische Logik-Tore. Grundsätzlich ist sein ein Bündel von Spannungsunterschieden, wie ein 1-Bit eine 5-Volt-Ladung und ein 0-Bit eine 0-Bit-Ladung. Wie ich, Sie scheinen neugierig, wie Computer unter der Haube arbeiten. Ich weiß nicht genug, um Ihre Fragen gut beantworten (und seine ein großes Thema sowieso), aber ich empfehle Steve Gibsons Lets Design eine Computer-Podcast-Serie. Heres ein Auszug aus der Maschine Sprache Transkript, um Ihnen einen Geschmack davon. Und alle überspringenden Mittel ist, anstatt, eins zum Programmzähler hinzuzufügen, wir zwei addieren, oder wir addieren ein zweimal, das wirklich ist, wie diese Maschinen damals arbeiteten. Und das lässt uns nur einen Sprung überspringen. Im Wesentlichen bedeutet das, dass wir überall verzweigen können, wo wir im Gedächtnis bleiben wollen oder auf unserem Weg fortsetzen, was uns gibt, obwohl das sehr einfach ist, das uns genug Kraft gibt, um Maschinen Entscheidungen zu treffen. Und weve erhielt Input / Output weve erhaltenes Mathe weve erhielt die Fähigkeit, Daten von einer Position im Gedächtnis zu einem anderen zu übertragen. Das sind alles Wesentliche der Funktionsweise einer Maschine. Das ist Maschine Sprache. Nun ist die eine Schicht der Menschheit, die auf die oben ist, was heißt Assembler-Sprache, die nichts anderes als Benennen von Dingen ist. Beispielsweise erstellen Sie eine Art sogenannte Mnemonik für die verschiedenen Befehle. So, zum Beispiel, laden Sie den Akkumulator wäre LDA. Speichern Sie den Akku, STA. Sie wollen, dass sie kurz, weil youre werden Sie tippen sie eine Menge. Denken Sie daran, dass Sie am Ende mit vielen kleinen Anweisungen, um etwas zu erledigen. Und dann die einzige andere Sache wirklich, dass Assembler-Sprache tut, erlaubt es Ihnen, Speicherplätze im Speicher zu nennen. So können Sie zum Beispiel sagen, LDA, für Lastakkumulator, aktuelle Punktzahl. Und die aktuelle Punktzahl würde sich einfach auf eine, wie eine Variable im Wesentlichen, eine Position in Erinnerung beziehen, die Sie die aktuelle Punktzahl markiert hatten. Und dann, wenn Sie STA, speichern Akkumulator, neue Punkte, gut, würde es zuerst laden Sie die aktuelle Punktzahl in den Akkumulator, und dann speichern, dass in einem anderen Ort namens neue Partitur. So wirklich thats alle waren reden ist einige einfache Abkürzungen für helfende Art von erinnern und verwenden Sie diese einzelnen Anweisungen und bequeme Etiketten für Standorte in Erinnerung, so dass Sie nicht zu erinnern, oh, das ist in der Lage 329627. Ich meine, wer kann das tun Stattdessen markieren Sie diesen Ort mit einem englischen, einer alphanumerischen Phrase irgendeiner Art, und dann verweisen Sie auf diesen Ort durch den Ausdruck anstatt durch seine tatsächliche Zahl. Und in der Tat ist es egal, was die Zahl ist. Das ist eines der Dinge, die der Assembler für Sie tun wird, ist nur sagen, ich brauche Speicher nannte diese Dinge. Und es macht sich Sorgen darüber, wo sie gehen, weil es nicht wirklich wichtig für Sie, solange theyre konsequent bezeichnet. Und das ist der ganze Prozess. Das ist Maschine Sprache und Assembler-Sprache. Und so war es vor 50 Jahren und mehr oder weniger so, wie es jetzt ist. Aber er stützt sich noch weiter als diese und beginnt mit Transistoren und Logikgattern. Von dem, was ich sagen kann, Heres die komplette Serie (und die Zuhörer beigetragen hilfreiche Diagramme im Wiki): Erklärt für Einsteiger Von Grund auf hat ein Computer eine Menge von Switches. Zum Beispiel kann ein LED-Licht aus - oder eingeschaltet werden, es gibt nur 2 Optionen (1on oder 0 off). Wenn Sie 2 LEDs haben, können Sie LED 1 aus und 2 an und umgekehrt schalten, oder Sie können sie ein - oder ausschalten. Es gibt jetzt mehr Möglichkeiten. Sie können berechnen, wie viele verschiedene Möglichkeiten es gibt. 1 Lampe 2 1 2 Möglichkeiten 2 Lampen 2 2 4 Möglichkeiten 8 Lampen 2 8 256 Möglichkeiten Der Rechner liest also nur Nullen und Eins. Ein Computer hat eine Menge von Switches abhängig von der CPU-Kapazität. Für das Erzählen des Computers, um eine Lampe zu aktivieren, müssen Sie 0s und 1s in das System hinzufügen und das wäre eine sehr harte Aufgabe. Um dies zu vermeiden, haben sie die Möglichkeiten in Hexadezimalzahlen umgewandelt. Assembly ist nur eine Computersprache, die die eingegebenen Buchstaben in 0 und 1s (Binärcode) umwandelt und den Anweisungen folgt. Beantwortet Apr 25 12 at 23:23 2016 Stapelwechsel, IncBEST BINARY OPTION ROBOT 8220Choose eine zuverlässige Auto-Trading-Software spart Ihnen Zeit und Geld. Auf diese Weise können Sie sich auf die Verbesserung Ihrer Kenntnisse und Weiterentwicklung Ihrer Karriere ..8221 Ben Savicki, Chief Scam Investigator Traders8217 Beratung. Einige Binäre Optionen Roboter sind viel besser als die anderen auf dem Markt. Achten Sie darauf, wählen Sie die besten binären Option Roboter (z. B. die günstigste) Check out, warum wir nicht empfehlen, einige der Roboter und was sind ihre Nachteile: Die Brit Method Review und Zulander Hack Review. Wie Spot Robot Scams Seien Sie vorsichtig und dont ermöglichen, betrogen werden durch schattige binäre Roboter-Systeme. Verpassen Sie nicht die Anmeldung für Is-scam News und Alerts Mailing-Liste zu erhalten: 8211 Free Inhalte amp scam Alarme auf binäre Optionen Software 8211 Holen Sie sich mehr Einblicke, wie zu vermeiden Scam Auto-Trading-Software 8211 Free E-Book 8211 Der Download-Link Wird Ihnen nach Absendung zugesandt. Top 3 Warning Signs of Binary Scams Warnzeichen 1: Unrealistische Rentabilität Wir haben alle gesehen, die Zillionen von Gewinne beworben per E-Mail. Let8217s erhalten real 8211, wenn man Millionen macht, warum würden sie es teilen Ever Bitte denken Sie mehr kritisch und versuchen, nicht für diese Angebote der binären Option Trading Software fallen. Warning Sign 2: Unrealistische Gewinn-Verhältnis Im Finanzhandel die einzige wichtige Sache ist, mehr Trades zu gewinnen, als Sie verlieren. Periode. Wenn ein System 90 oder sogar 80 der Zeit gewinnt, bezweifele ich da8217s gonna ein Markt überhaupt sein. Solange Sie über 50 (die bereits eine Menge) ist, kann Ihr Auto-Trading-System als rentabel eingestuft werden. Warning Sign 3: Unrealistische Zeit Frames Sie alle versprechen, Geld zu verdienen in 1 Tag. Nun, gut 8211 wieder ein Marketing-Trick, um Sie zu täuschen und eine verzweifelte Aufforderung für Ihre Aktion. Es ist nicht ungewöhnlich, diese Art von Geld an einem Tag zu machen, wenn Sie ein erfahrener Trader sind, sondern nur multiplizieren Sie die Menge x 1000 Händler. Glauben Sie, dass alle von ihnen Geld verdienen werden Wie Sie wissen, ist der Markt auf einem einzigen Prinzip zu bauen: Es gibt Gewinner UND Verlierer. Wir können alle gewinnen. Wenn wir könnten, wäre es überhaupt kein Markt gegeben8230 Wie wählt man einen Binären Roboter Die Wahl eines Auto-Trading-Software ist sicherlich eine der schwierigsten Aufgaben. Bei Is-Scam, Unser Ziel 1 ist es, Betrüger zu verhindern, Händler zu täuschen. Deshalb haben wir von unserem Qualitätssicherungs-Team nur den 100 bewährten, bewährten und bewährten Binäroptionsroboter ausgewählt. Sie können wählen Sie eine der oberen sicheren Roboter oben oder Weiter zur Sicherheit durch die Auswahl der Top 1 vertrauenswürdigen robot. This Post untersucht Anwendung NEAT auf den Handel der SampP. Die gelernte Strategie deutlich aus führt Kauf und Halten sowohl in als auch aus der Probe. Ein wesentlicher Bestandteil jedes maschinellen Lernproblems besteht darin, die Merkmale zu definieren und sicherzustellen, dass sie in irgendeiner Weise normalisiert werden. Die Merkmale sind rollierende Perzentile der folgenden wirtschaftlichen Daten, ein rollender Perzentil nimmt die letzten n Datenpunkte und berechnet, was von Datenpunkt der letzte Datenpunkt ist größer als. Die Fitnessfunktion ist das endgültige Eigenkapital und zielt darauf ab, das endgültige Eigenkapital zu maximieren. Jedes Genom, das ein 20-Unentschieden hat, oder Versuche, einen Hebel größer als / - 2 zu verwenden, wird beendet. In der Praxis Sie wouldn8217t möchten Ihre System-Maschine lernen die Risikokontrollen, da es das Potential, dass sie don8217t gelernt bekommen. Der Grund, warum sie in die Strategie eingebettet sind, besteht darin, den Lernprozess zu beschleunigen, da wir die Genome frühzeitig töten können, bevor die Simulation auf der Grundlage der Unterbrechung der Risikoregeln abgeschlossen ist. Plot aller Daten / Merkmale Es scheint, dass, wenn Nicht-Farmen auf ihre niedrigeren Perzentile fallen / Arbeitslosigkeit erreicht es8217s höchsten Perzentilen der Tag zu Tag Rückkehr in der SampP werden mehr volatil. Es ist zu hoffen, dass das Lernen davon profitieren kann. Das Lernen hat eine Strategie identifiziert, die einfaches Kaufen und Halten ausführt. Die vorgeschlagene Strategie hat einen maximalen Drawdown um 20 vs den Kauf und halten mit einer Ziehung von 40. Darüber hinaus kürzte die Strategie den Index zwischen 2000-2003, wie es verkauft wurde, bevor es lange bis 2007. Generierung einer Rendite von 80 vs kaufen und Halten von 7 Aus den Sample-Ergebnissen In den Out of Sample-Daten (nicht verwendet während des Trainings) die Strategie deutlich aus durchgeführt Kauf und Halten, ca. 250 Return vs 50 mit einem max Drawdown in der Nähe von 20 vs kaufen und halten ziehen von 50. Ein einfaches Tutorial, das demonstriert, wie ein neuronales Netzwerk zu Quadratwurzelzahlen unter Verwendung eines genetischen Algorithmus trainiert wird, der den topologischen Strukturraum durchsucht. Der Algorithmus heißt NEAT (Neuro Evolution of Augmenting Topologies) im RNeat Paket (noch nicht auf CRAN). Das Training ist sehr ähnlich zu anderen maschinellen Lern - / Regressionspaketen in R. Die Trainingsfunktion nimmt einen Datenrahmen und eine Formel an. Die Formel wird verwendet, um anzugeben, welche Spalten im Datenrahmen die abhängigen Variablen sind und welche die erklärende Variable sind. Der Code wird kommentiert und sollte für neue R-Benutzer einfach genug sein. Die Leistung des Netzwerks ist in der unteren linken Grafik des Bildes oben zu sehen, gibt es erhebliche Unterschiede zwischen der erwarteten Ausgabe und der tatsächlichen Ausgabe. Es ist wahrscheinlich, dass mit mehr Training die Größe dieser Fehler zu reduzieren, kann man in der unteren rechten Diagramm sehen, dass die maximale, mittlere und mittlere Fitness sind in der Regel mit jeder Generation zunehmen. Dieser Teil des NEAT-Tutorials zeigt, wie das RNeat-Paket (noch nicht auf CRAN) verwendet werden kann, um das klassische Pole-Balance-Problem zu lösen. Die Simulation erfordert die Implementierung von 5 Funktionen: processInitialStateFunc 8211 Dies legt den Anfangszustand des Systems fest, für das Polbalance-Problem ist der Zustand der Wagenplatz, die Wagengeschwindigkeit, die Wagenbeschleunigung, die Kraft, die auf den Wagen, den Polwinkel, die Polwinkelwirkung angewendet wird Geschwindigkeits - und Polwinkelbeschleunigung. ProcessUpdateStateFunc 8211 Legt fest, wie der aktuelle Zustand genommen und mit den Ausgängen des neuronalen Netzwerks aktualisiert wird. In diesem Beispiel simuliert diese Funktion die Bewegungsgleichungen und nimmt die neuronale Nettoausgabe als die Kraft an, die auf den Wagen angewendet wird. ProcessStateToNeuralInputFunc 8211 Ermöglicht das Ändern des Zustandes / der Normalisierung des Zustands, bevor es als Eingabe an das neuronale Netzwerk übergeben wird. FitnessUpdateFunc 8211 Nimmt die alte Fitness, den alten Zustand und den neuen aktualisierten Zustand und bestimmt, was das neue System Fitness ist. Für das Pole-Balance-Problem will diese Funktion das Pendel rechts oben belohnen und belohnt den Wagen in der Nähe der Mitte des Gleises. TerminationCheckFunc 8211 Nimmt den Zustand und prüft, ob die Kündigung beendet werden soll. Kann beschließen, zu beenden, wenn der Pol fällt über, die Simulation lief zu lange oder der Wagen hat sich aus dem Ende der Strecke. PlotStateFunc 8211 Plottet den Zustand, für den Pol Gleichgewicht zieht dies den Wagen und das Pendel. Dieser Teil des Tutorials zur Verwendung des NEAT-Algorithmus erklärt, wie Genome überkreuzt werden in einer sinnvollen Art und Weise unter Beibehaltung ihrer topologischen Informationen und wie Speziation (Gruppe Genome in Arten) verwendet werden können, um schwache Genome mit neuen topologischen Informationen vorzeitig aus dem Gen ausgerottet zu schützen Bevor ihr Gewichtsraum optimiert werden kann. Der erste Teil dieses Tutorials finden Sie hier. Tracking Gene Geschichte durch Innovation Numbers Teil 1 zeigte zwei Mutationen, Link-Mutation und Knoten-Mutation, die beide neue Gene zum Genom hinzugefügt. Jedes Mal, wenn ein neues Gen erzeugt wird (durch eine topologische Innovation), wird eine globale Innovationszahl erhöht und diesem Gen zugeordnet. Die globale Innovationszahl verfolgt den historischen Ursprung jedes Gens. Wenn zwei Gene die gleiche Innovationszahl haben, dann müssen sie die gleiche Topologie repräsentieren (obwohl die Gewichte unterschiedlich sein können). Dies wird während des Gen-Crossover ausgenutzt. Genom Crossover (Paarung) Genom-Crossover nimmt zwei Eltern-Genome (nennen wir sie A und B) und schafft ein neues Genom (nennen wir es das Kind), wobei die stärksten Gene aus A und B kopiert werden, die alle topologischen Strukturen auf dem Weg. Während der Crossover-Gene sind beide Genome mit ihrer Innovationszahl ausgerichtet. Für jede Innovationszahl wird das Gen aus dem am meisten passenden Elternteil ausgewählt und ins Kindgenom inseriert. Wenn beide Elterngenome die gleiche Fitness sind, dann wird das Gen zufällig aus beiden Elternteilen mit gleicher Wahrscheinlichkeit ausgewählt. Wenn die Innovationszahl nur in einem Elternteil vorhanden ist, dann ist dies als ein disjunktes oder überschüssiges Gen bekannt und stellt eine topologische Innovation dar, es wird auch in das Kind eingefügt. Das Bild unten zeigt den Crossover-Prozess für zwei Genome der gleichen Fitness. Die Speziation nimmt alle Genome in einem gegebenen Genompool auf und versucht, sie in verschiedene Gruppen zu teilen, die als Spezies bekannt sind. Die Genome in jeder Art haben ähnliche Eigenschaften. Eine Methode der Messung der Ähnlichkeit zwischen zwei Genomen ist erforderlich, wenn zwei Genome 8220similar8221 sind, sind sie von der gleichen Spezies. Eine natürliche Maßnahme, die verwendet werden würde, wäre eine gewichtete Summe der Anzahl der disjunkten Ampereüberschüsse (die topologische Unterschiede darstellen) und die Gewichtsdifferenz zwischen passenden Genen. Wenn die gewichtete Summe unterhalb einer Schwelle liegt, dann sind die Genome von der gleichen Spezies. Der Vorteil der Aufspaltung der Genome in Arten ist, dass während der genetischen Evolutionsstufe, wo Genome mit geringer Eignung getötet werden (vollständig aus dem Genompool entfernt), anstatt jedes Genom für sie zu bekämpfen, gegen jedes andere Genom im gesamten Genompool wir können Machen es für sie Kampf gegen Genome der gleichen Spezies. Auf diese Weise Arten, die aus einer neuen topologischen Innovation, die nicht über eine hohe Fitness noch aufgrund der nicht mit it8217s Gewichte optimiert haben, überleben wird die Keulung. Zusammenfassung des gesamten Prozesses Erstellen Sie ein Genom-Pool mit n zufällige Genome Nehmen Sie jedes Genom und wenden Sie sich auf Problem / Simulation und berechnen Sie das Genom Fitness Zuweisen jedes Genoms zu einer Spezies In jeder Spezies cull die Genome entfernen einige der schwächeren Genome Rasse jede Spezies (zufällig auswählen Genome in der Spezies entweder Crossover oder Mutation) Wiederholen Sie alle oben Die vier Teil-Serie wird die NeuroEvolution von Augmentation Topologien (NEAT) - Algorithmus zu erkunden. Teile eins und zwei werden kurz den Algorithmus umreißen und die Vorteile diskutieren, der dritte Teil wird sie auf das Polausgleichs-Problem anwenden und schließlich Teil 4 auf Marktdaten anwenden. Dieser Algorithmus ging vor kurzem viral in einem Video namens MarI / O, wo ein Netzwerk entwickelt wurde, die in der Lage, die Vollendung der ersten Ebene der super mario sehen Sie das Video unten. Typischerweise, wenn man ein neuronales Netzwerk verwendet, müssen sie entscheiden, wie viele verborgene Schichten es gibt, die Anzahl der Neuronen in jeder Schicht und welche Verbindungen zwischen den Neuronen bestehen. Je nach Art des Problems kann es sehr schwierig sein, zu wissen, was eine sinnvolle Topologie ist. Sobald die Topologie gewählt wird, wird sie höchstwahrscheinlich mit Backpropagation oder einem genetischen Evolutionsansatz trainiert und getestet. Der genetische Evolutionsansatz sucht im Wesentlichen durch den Raum der Verbindungsgewichte und die Auswahl leistungsstarker Netzwerke und deren Züchtung (dies wird als feste Topologie-Evolution bezeichnet). Der oben genannte Ansatz findet optimale Verbindungsgewichte, it8217s dann nach unten zu einem 8220expert8221, um manuell die Topologie des Netzwerks zu manipulieren, um iterativ bessere Netzwerke zu finden. Dies führte zur Entwicklung eines variablen Topologie-Trainings, bei dem sowohl der Verbindungsraum als auch der Strukturraum untersucht werden. Mit diesem kam eine Vielzahl von Problemen wie Netzwerke immer unglaublich buschig und komplexen verlangsamt der Maschine Lernprozess. Mit den genetischen Ansätzen war es schwierig, genetische Mutationen und Crossoverstrukturen sinnvoll zu verfolgen. Der NEAT-Algorithmus zielt darauf ab, einen genetischen Algorithmus zu entwickeln, der durch das neuronale Netzwerkgewicht und den Strukturraum sucht, der die folgenden Eigenschaften aufweist: Haben Sie eine genetische Repräsentation, die es erlaubt, die Struktur sinnvoll zu überschreiten Protect topologische Innovationen, die einige Optimierungen benötigen, die optimiert werden müssen Dass sie nicht vorzeitig aus dem Genpool verschwinden Minimieren Sie Topologien während des Trainings ohne speziell entwickelte Netzwerkkomplexitätsstrafisierungsfunktionen A durch Behandlung des Algorithmus finden Sie in dem Papier Evolving Neural Networks durch Augmenting Topologies von Kenneth O. Stanley und Risto Miikkulainen (nn. cs. utexas. edu / downloads / papers / stanley. ec02.pdf). Die Information über das Netzwerk wird durch ein Genom repräsentiert, das Genom enthält Knotengene und Verbindungsgene. Die Knotengene definieren Knoten im Netzwerk, die Knoten können Eingaben (wie z. B. ein technischer Indikator), Ausgänge (wie z. B. eine Kauf / Verkauf-Empfehlung) oder versteckt sein (die vom Netzwerk für eine Berechnung verwendet werden). Die Verbin - dungsgene verbinden Knoten im Netzwerk und sind mit einem Gewicht verbunden. Verbindungsgene haben einen Eingangsknoten, einen Ausgangsknoten, ein Gewicht, ein aktiviertes / deaktiviertes Flag und eine Innovationsnummer. Die Innovationszahl wird verwendet, um die Geschichte einer Geneentwicklung zu verfolgen und wird in Teil 2 näher erläutert. Dieser Beitrag wird auf einige der Mutationen, die mit dem Netzwerk passieren schauen, ist es erwähnenswert, dass jedes Genom eingebettet darin eine Mutationsrate für jede Art von Mutation, die auftreten können. Diese Mutationsraten werden auch zufällig erhöht oder verringert, wenn die Evolution fortschreitet. Zufällig aktualisiert das Gewicht eines zufällig ausgewählten Verbindungs-Gens Die Updates sind entweder: Neues Gewicht Altes Gewicht / - Zufallszahl zwischen 0 und genomeMutationRate8220Step8221 Neues Gewicht Zufallszahl zwischen -2 und 2 Zufällig fügt eine neue Verbindung zum Netzwerk mit einem zufälligen Gewicht zwischen - 2 und 2 Diese Mutation fügt dem Netzwerk einen neuen Knoten hinzu, indem er eine Verbindung deaktiviert und diese durch eine Verbindung von Gewicht 1, einen Knoten und eine Verbindung mit demselben Gewicht wie die deaktivierte Verbindung ersetzt. Im wesentlichen wurde es durch ein identisch funktionierendes Äquivalent ersetzt. Aktivieren Disable Mutate Randomly aktiviert und deaktiviert die Verbindungen