Artificial intelligence 什么时候应该使用遗传算法而不是神经网络？

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，两种方法可以混合使用，但我正在寻找两种方法之间的高级比较。

GAs在您定义的结构中生成新模式

NNs根据您提供的培训数据对现有模式进行分类（或识别）

GAs在有效搜索解的大状态空间和收敛于一个或多个好解方面表现良好，但不一定是“最佳”解

---

NNs可以学习识别模式（通过训练），但众所周知，很难弄清楚他们学到了什么，也就是说，一旦训练，就从他们身上提取知识，并在其他一些（非NN）中重用这些知识。

它们之间有许多相似之处，因此我将仅尝试概述它们的区别

神经网络 能够分析在线模式（随时间变化的模式）。通常，这是一个需要匹配和预测的时变样本

示例：

• 图外推
• 面部识别

遗传算法 当您可以对您认为可能导致特定、不变问题的属性进行编码时使用。重点在于能够对这些属性进行编码（有时你知道它们是什么），并且问题在很大程度上是不变的（否则进化不会收敛）

示例：

• 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性
• 使用随机多边形渲染图片的近似值
来自维基百科：
A（GA）是一种搜索技术，用于在计算中找到精确或近似的解以优化和搜索问题
以及：
是非线性统计数据建模工具。它们可用于建模输入和输出之间的复杂关系，或在数据中查找模式
如果您有一个可以量化解决方案价值的问题，遗传算法可以对解决方案空间执行定向搜索。（例如，找到两点之间的最短路线）
当你有许多不同类别的项目时，神经网络可以“学习”对它以前没有“见过”的项目进行分类。（例如人脸识别、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“学习”需要很长时间，但它几乎可以立即对新输入进行分类。
遗传算法（尽管它的名字很性感）在大多数情况下是一种优化技术。它主要归结为您拥有许多变量，并且希望为这些变量找到最佳的值组合。它只是借用了自然进化的技术来达到目的
神经网络对于识别模式很有用。他们遵循一个简单的大脑模型，通过改变它们之间的权重，试图根据输入预测输出
它们是两个根本不同的实体，但有时它们能够解决的问题是重叠的
遗传算法（通常）处理离散数据（枚举、整数范围等）。GAs的一个典型应用是，当唯一可用的替代方案是蛮力搜索（评估所有组合）时，在离散空间中搜索“足够好”的解决方案
另一方面，神经网络（通常）处理连续数据（浮动等）。NNs的一个典型应用是函数近似，这里有一组X的输入和一组Y的相关输出，但分析函数f:X→ Y

---

当然，两者都有数千种变体，因此它们之间的界限有些模糊。
您可以使用遗传算法代替反向传播算法来更新神经网络中的权重。有关这方面的示例，请参阅：

---

.
你在比较两件完全不同的事情
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x回归未知y

---

遗传算法是一种优化技术。给定一个函数f（x），您需要确定使f（x）最小化/最大化的x。
没有经验法则。在许多情况下，你可以用它们中的任何一个来描述你的问题。机器学习仍然是一个活跃的研究领域，使用哪种学习模型是有争议的

---

GA从进化论中获得了性感的语言，但你正在等待你的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，做出好的假设，试着知道你想要什么，并选择一种能充分利用这些数据的方法。如果您的第一个选择结果不佳，请了解原因，并改进算法本身或选择更好的算法。
还有NEAT（）。使用javascript的C#实现at（）进行检查。它也实现了整洁。它们是真正的“正交”技术。您可以使用GA来查找神经网络权重和/或结构。鉴于本主题和其他主题提供的其他答案，将它们称为“完全不同”或“正交”似乎有点过分。实际上，神经网络只是一种插值技术。：）+1因为遗传算法（优化）和神经网络（监督学习）几乎没有任何共同点。唯一的共同点是，它们在接近目标时会动态地重新安排自己。我不确定是否有任何重叠，真的。神经网络是一种具有代价函数的模型，遗传算法是一种优化算法