质量可进化演化策略：演化具有高性能且多样后代分布个体

深度学习成功的最重要经验之一是，习得表征在任何任务上的表现往往远优于我们手工设计的表征。然而，旨在自动学习优良基因表征的可进化性演化算法受到的关注相对较少，或许是因为其所需计算量巨大。近期方法 Evolvability ES 能以极少计算量直接筛选可进化性。但它仅能用于解决可进化性与任务性能一致的问题。我们提出 Quality Evolvability ES，一种同时优化任务性能与可进化性且不受此限制的方法。我们提出的 Quality Evolvability 方法与质量多样性（Quality Diversity）算法动机相似，但存在若干重要差异。质量多样性旨在寻找一个包含多样且高性能但可能基因距离较远的个体的档案，而 Quality Evolvability 旨在寻找单个具有多样且高性能后代分布的个体。如此，Quality Evolvability 被迫发现更具可进化性的表征。我们在机器人运动控制任务上证明，Quality Evolvability ES 与质量多样性方法类似，能比基于目标的方法学习更快，并能处理欺骗性问题。