正如对此 AI SE 问题的回答所解释的那样，GA 是“满足者”而不是“优化者”，并且倾向于不探索搜索空间的“外围”区域。相反，根据适应度函数，人口倾向于聚集在“相当好”的区域中。

相比之下，我认为这种想法是新颖性提供了一种动态适应性，倾向于将人口推离先前发现的区域。

新颖性搜索通过某些与领域相关的新颖性定义来选择“新颖行为”。例如，迷宫解决领域的新颖性可能是“探索路线的差异”。最终，将找到通过迷宫的所有可能路线的网络，然后您可以选择最快的。这比一个天真的“目标”要好得多，比如到目标的距离，这很容易导致永远无法解决迷宫的局部最优。

从放弃目标：通过单独寻找新奇而进化（强调我的）：

在新颖性搜索中，进化不是使用传统的目标函数来衡量整体进展，而是采用一种称为新颖性度量的行为新颖性度量。实际上，由这种度量引导的搜索明确地执行了自然进化被动地所做的事情，即逐渐积累提升复杂性阶梯的新形式。
例如，在 Biped 运动域中，最初的尝试可能会简单地失败。新颖性指标将奖励以不同的方式简单地跌倒，无论它是否更接近客观行为。相比之下，目标函数可能会明确奖励跌得最远的地方，这可能不会导致步行的最终目标，因此可以举例说明具有欺骗性的局部最优值。相反，在寻找新颖性时，会保留一组代表最新颖发现的实例。然后从这些代表性行为中跳出进一步的搜索。在发现了几种跌倒的方法后，唯一获得奖励的方法就是找到一种不会立即跌倒的行为。这样，行为复杂性自下而上上升。最终，为了做一些新的事情，两足动物必须成功地行走一段距离，即使这不是一个目标。