有没有一条经验法则(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?
我知道有些情况下两种方法可以混合使用,但我正在寻找这两种方法之间的高级比较。
有没有一条经验法则(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?
我知道有些情况下两种方法可以混合使用,但我正在寻找这两种方法之间的高级比较。
遗传算法(尽管其名称很性感)对大多数目的而言都是一种优化技术。它主要涉及你拥有许多变量,并希望找到这些变量的最佳值组合。它只是借鉴自然进化的技术来实现这一点。
神经网络有助于识别模式。它们遵循大脑的简单模型,通过改变它们之间的许多权重,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会重叠。
遗传算法(GAs)可以在您定义的结构中生成新模式。
神经网络(NNs)根据您提供的训练数据分类(或识别)现有模式。
GAs在有效搜索大量解决方案的状态空间并收敛于一个或多个良好解决方案方面表现良好,但不一定是“最佳”解决方案。
NNs可以学习识别模式(通过训练),但要从它们那里提取知识并在其他(非NN)中重用该知识是非常困难的。
它们之间有许多相似之处,所以我将试图概述它们的区别。
能够分析在线模式(那些随着时间变化的模式)。通常,这是一个需要匹配和预测的时变样本。
示例:
用于可编码属性的场景,你认为这些属性可能对解决一些特定非变化性问题有贡献。重点在于能够编码这些属性(有时您知道它们是什么),并且问题在很大程度上是不变的(否则演化不会收敛)。
示例:
您可以使用遗传算法作为更新神经网络权重的替代方法,而不是使用反向传播算法。关于此的示例,请参考: http://www.ai-junkie.com/ann/evolved/nnt1.html。