我什么时候应该使用遗传算法而不是神经网络?[关闭]
题
是否有经验法则(或一组示例)来确定何时使用遗传算法而不是神经网络(反之亦然)来解决问题?
我知道在某些情况下您可以混合使用两种方法,但我正在寻找两种方法之间的高级比较。
其他提示
遗传算法(尽管其性感名称)在大多数情况下都是优化技术。它主要归结为你有许多变量,并希望找到这些变量的最佳值组合。它只是借用自然进化的技术来实现目标。
神经网络对于识别模式非常有用。他们遵循一个简单的大脑模型,通过改变它们之间的权重,尝试根据输入预测输出。
它们是两个根本不同的实体,但有时它们能够解决的问题重叠。
GAs在您定义的结构中生成新模式。
NN根据您提供的培训数据对现有模式进行分类(或识别)。
GAs在有效搜索大型解决方案的状态空间方面表现良好,并且可以融合到一个或多个好的解决方案上,但不一定是“最佳”解决方案。
NN可以学习识别模式(通过培训),但是很难弄清楚他们学到了什么,即在训练后从中提取知识,并在其他一些(非NN)中重用知识。
你在这里比较两个完全不同的东西。
神经网络用于回归/分类 - 给定一组(x,y)示例,您希望对某些给定的x回归未知y。
遗传算法是一种优化技术。给定函数f(x),您需要确定最小化/最大化f(x)的x。
它们之间有很多相似之处,因此我仅尝试概述它们 差异.
神经网络
能够分析在线模式(随时间变化的模式)。一般来说,这是一个需要匹配和预测的时变样本。
例子:
- 图外推
- 面部识别
遗传算法
当您可以对您认为可能有助于解决特定的、不变的问题的属性进行编码时使用。重点是能够对这些属性进行编码(有时您知道它们是什么),并且问题在很大程度上是不变的(否则进化不会收敛)。
例子:
- 安排飞机/航运
- 时间表。
- 在人工环境中寻找简单代理的最佳特征
- 使用随机多边形渲染图片的近似值
您可以使用遗传算法替代反向传播算法来更新神经网络中的权重。有关此示例,请参阅: http://www.ai-junkie.com/ann/evolved/nnt1。 HTML 。
遗传算法(通常)处理离散数据(枚举,整数范围等)。 GA的典型应用是在离散空间中搜索“足够好”的空间。解决方案时唯一可用的替代方案是强力搜索(评估所有组合)。
另一方面,神经网络(通常)处理连续数据(浮点数等)。 NN的典型应用是函数逼近,其中您有一组输入X和一组相关输出Y,但分析函数f:X→收率
当然,两者都有数千种变体,因此它们之间的界限有些模糊。
没有经验法则。在许多情况下,您可以制定您的问题以使用它们中的任何一个。机器学习仍然是一个活跃的研究领域,使用哪种学习模式是值得商榷的。
GA从进化中学习性感语言,但是你在等待计算机通过随机过程偶然发现一个解决方案。研究你的数据,做出正确的假设,尝试知道你想要什么,并选择一种可以充分利用这些的方法。如果您的第一选择结果不佳,请知道原因是什么,并改进算法本身或选择更好的算法。