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。

解决方案

来自维基百科：

遗传算法（GA）是一种用于计算查找的搜索技术完全或近似解决方案优化和搜索问题。

和

神经网络是非线性统计数据建模工具。它们可用于模拟输入和输出之间的复杂关系，或用于在数据中查找模式。

如果您遇到可以量化解决方案价值的问题，遗传算法可以执行解决方案空间的定向搜索。（例如，找到两点之间的最短路线）

如果您有不同类别的多个项目，神经网络可以“学习” 分类尚未“看到”的项目之前。（例如，面部识别，语音识别）

还必须考虑执行时间。遗传算法需要很长时间才能找到可接受的解决方案。神经网络需要很长时间才能“学习”，但它几乎可以立即对新输入进行分类。

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.

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:

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:

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＆＃8594;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。

许可以下： CC-BY-SA 和归因