Artificial intelligence 神经网络与进化算法的区别

我对进化算法有很好的基础，所以现在我开始阅读人工神经网络。我是在上个月偶然发现这个教程的 , 展示如何使用人工神经网络进化收集地雷的坦克。它使用遗传算法来进化每个神经元的输入权重

我知道我可以使用遗传算法（没有人工神经网络）来解决同样的问题。我已经创建了一个俄罗斯方块机器人，只使用GA优化网格评估函数中的权重（查看我的博客）

我的问题是：在我可以单独使用遗传算法的情况下，使用ANN+GA在概念上/实践上有什么区别？我的意思是，我的俄罗斯方块机器人是安吗？（我不这么认为）

关于这一点，有几个相关的问题，但我找不到答案：

---

谢谢

我不是专家，但根据我在该领域的知识

人工神经网络最终是以神经科学为基础的。它试图通过在算法中构建神经元样结构来模拟/建模其行为。人们强烈强调问题的学术性质，而不是结果。据我所知，正是因为这个原因，从工程的角度来看，安的不太受欢迎。机器学习的统计基础（HMM和贝叶斯网络）产生了更好的结果

简言之，只要它对某些潜在的神经机能丧失学科有所认同，它就可以是一个人工神经网络，即使它使用某种形式的遗传算法

---

如果你使用遗传算法，它不一定是人工神经网络。

a遗传算法是一种优化算法

人工神经网络是一种函数逼近器。为了近似函数，您需要一个优化算法来调整权重。ANN可以用于监督学习（分类、回归）或强化学习，有些甚至可以用于非监督学习

在监督学习中，像遗传算法这样的无导数优化算法比大多数使用梯度信息的优化算法要慢。因此，只有在强化学习中使用遗传算法进化神经网络才有意义。这被称为“神经进化”。像多层感知器这样的神经网络在这种设置中的优点是，当它们有足够数量的隐藏节点时，它们可以以任意精度逼近任何函数

---

当你创建一个俄罗斯方块机器人时，你不一定要使用ANN作为函数逼近器。但是您需要某种函数近似器来表示bot的策略。我想它只是比安更简单。但是当你想创建一个复杂的非线性策略时，你可以这样做。G有一个安。

阿尔法的答案是完美的。下面是一张图片来说明他所说的：

元优化器=无（但可以）
优化器=遗传算法

---

问题=俄罗斯方块机器人（如ANN）

如果你还不知道答案，你可以使用进化算法，但你能够以某种方式对候选基因进行评分并提供有意义的突变

如果你已经有了答案（和输入），并且你想“训练计算机”，这样它就可以“猜测”未知输入的答案，那么神经网络是很棒的。另外，你不必对这个问题想太多，网络会自己解决的

检查此“游戏AI”示例：

---

（请注意，这是多么简单，你所要做的就是给他们足够的训练，你不必知道游戏AI的任何东西-一旦它足够好，你所要做的就是“下载”内存并在需要时运行它）

神经网络和神经科学之间有一些相似之处，但神经网络并不试图模拟自然神经元，一般来说，在我的俄罗斯方块机器人中，我有一个启发式算法，GA调整每个板参数的权重（如网格高度、孔数等）。在坦克矿井的例子中，我能把每一个神经元视为一个“匿名参数”（也就是说，某些特性会影响坦克行为，但这还没有被命名？）-只是一个类比，谢谢！是的，你能做到。神经网络被认为是黑盒函数逼近器。这意味着您通常无法通过查看其权重值来理解ANN的功能。很难提取任何简单的“规则”。：）