n-s算法的主要功能包括：1.独立于适应度压力并利用进化的创造力；2. 跟踪每个新个体的行为的少数性；3. 使进化过程找到优异解决方案。其中，新颖性搜索独立于适应度压力来利用进化的创造力，以使解适合特定的问题场景。
一、n-s算法的主要功能
1.独立于适应度压力并利用进化的创造力
使用新颖性搜索，没有定义特定的适应度函数或将其用于解决方案搜索；相反，每个发现的解决方案的新颖性都会在神经进化过程中得到直接奖励。因此，所发现的解决方案的新颖性将神经进化引导至最终目标。这种方法可以独立于适应度压力来利用进化的创造力，以使解适合特定的问题场景。
2. 跟踪每个新个体的行为的少数性
新颖性搜索方法采用新颖性度量标准来跟踪每个新个体的行为的少数性。也就是说，新颖性度量标准是对新生物与行为空间中其他种群之间的距离的度量。有效的新颖性度量实现应允许我们在行为空间的任何点计算稀疏度。任何具有更密集访问点群集的区域都不太新颖，并且产生的进化奖励也更少。在一个点上最简单的稀疏度量是在行为空间中到该点的k个最近邻居的平均距离。
3. 使进化过程找到优异解决方案
新颖性搜索优化方法允许进化过程在任何具有欺骗性局部优异解的空间中搜索解决方案并找到优异解决方案。使用这种方法，当物种被迫不会收敛于特定的小生境解（局部优异），同时不得不探索整个解空间时，将有可能实现发散进化。尽管它采用违反直觉的方法，但是它似乎完全忽略了搜索过程中的显式目标，是一种非常有效的搜索优化方法。
延伸阅读：
二、新颖性指标
新颖性搜索方法采用新颖性度量标准来跟踪每个新个体的行为的少数性。也就是说，新颖性度量标准是对新生物与行为空间中其他种群之间的距离的度量。有效的新颖性度量实现应允许我们在行为空间的任何点计算稀疏度。任何具有更密集访问点群集的区域都不太新颖，并且产生的进化奖励也更少。
在一个点上最简单的稀疏度量是在行为空间中到该点的k个最近邻居的平均距离。当此距离高时，兴趣点在稀疏区域。同时，较密集的区域以较低的距离值标记。
距离度量是两个个体之间行为差异的特定领域度量。稀疏区域的候选个体获得较高的新颖性分数。当该分数超过某个最小阈值时，该位置上的个体将被添加到性能优异的档案(archive)中，该档案表征了行为空间中先前解的分布。当前这一代物种与档案一起定义了搜索的方向和当前进度。因此，通过最大化新颖性度量，搜索的梯度将针对新的行为，而没有任何明确的目标。但是，新颖性搜索仍然由有意义的信息驱动，因为探索新行为需要全面利用搜索域。
以上就是关于n-s算法的主要功能的内容希望对大家有帮助。
