Neural network 用遗传算法改变神经网络中的权值和偏差

我有一个遗传算法进化出一个神经网络群体

到目前为止，我使用random.randn（Python）对权重或偏差进行变异，这是一个均值为0的正态分布的随机值

它工作得“很好”，我用它成功地完成了我的项目，在给定的时间间隔内使用均匀分布不是更好吗

---

我的直觉是，这将使我的人际网络更加多样化。我认为，这个问题没有简单的解决办法。在正态分布的情况下，平均数周围的数字有更多的机会被数字生成器“选择”，均匀分布给所有数字几乎相等的机会。这一点很清楚，但对这个问题的答案是，机会均等意味着更好的结果吗？根据我的说法，这只是在实证实验中得出的结论。所以我建议你们用正态分布和均匀分布进行实验，并根据结果进行判断

关于多样性。我假设您创建了一些表示权重的随机向量。在变异阶段，你们执行随机数的加法。这个数字很可能是从接近平均值的区间开始的，所以在0的情况下，变异的概率很高，一些元素的变化很小。所以在向量上只有很小的改进，有时会出现一些大的改进。在均匀分布的情况下，变化会更加随机，从而导致个体的不同。问题是，这些人会更好吗？我不知道，但我给你另一种看法。我把遗传算法比作进化论。从这个角度来看，个人的累积性小进步和一些大变化的可能性很小是比较合适的。想一想情况，使用的是均匀分布，但由于变化较大，儿童的适应度较低，所以在创造新一代的阶段不会被选中。你会等很长时间，等待一个小小的改进，让你的网络工作得很好

---

也许还有一件事。你的实验可能表明均匀/正态分布更好。但这样的结果可能只适用于你目前的问题，一般来说不适用

因此通常被认为是一个关注特定编程/实现问题的网站。像你这样的概念性问题可能过于宽泛，你可能在ai.SE、datascience.SE或stats.SE中运气更好。根据我的经验，关于这些主题的直觉往往会产生误导，但你是对的，对于我的项目，我可能除了尝试自己之外别无选择