В данном исследовании нейронная сеть, обученная гибридной нейроэволюцией, решает задачу поиска пути в лабиринте. Гибридная нейроэволюция сочетает в себе дифференциальную эволюцию с поиском новинок. Поиск новинок – это относительно недавний подход к обучению нейронных сетей, который фокусируется на поиске нового поведения, а не лучшего, с точки зрения целевой функции. Новизна недолговечна в том смысле, что ничто не остается новым бесконечно. Алгоритмы, которые сохраняют лучшие решения, сталкиваются с проблемой, заключающейся в том, что оценки новизны этих архивных решений не будут меняться от поколения к поколению. Данное исследование направлено на решение этой проблемы, предлагая два метода корректировки оценок новизны решений: деструкция новизны и актуализация оценок новизны. Деструкция новизны позволяет уменьшать новизну со временем, тем самым помогая алгоритму поиска развиваться, в то время как актуализация оценок новизны обновляет новизну этих решений в каждом поколении. При тестировании на проблеме навигации в лабиринте было замечено, что деструкция новизны и обновление оценок новизны сходятся быстрее, чем только стандартный поиск по целевой функции и поиск новинок.