点击联系发帖人
我对进化算法有很好的基础，所以现在我开始阅读有关人工神经网络的文章。我遇到了本教程
我的问题是：在我可以单独使用GA的情况下，使用ANN + GA之间在概念/实践上有什么区别？我的意思是，我的Tetris Bot是ANN吗？(我不这么认为)。
有几个与此相关的问题，但我找不到答案：
进化算法和神经网络是否在同一领域中使用？
何时使用遗传算法与何时使用神经网络？
遗传算法是一种优化算法。
人工神经网络是一个函数逼近器。为了使函数近似，您需要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，有些甚至可以用于无监督学习。
在监督学习中，像遗传算法这样的无导数优化算法要比大多数使用梯度信息的优化算法慢。因此，只有在增强学习中使用遗传算法来进化神经网络才有意义。这被称为"神经进化"。在这种设置中，像多层感知器这样的神经网络的优势在于，当它们具有足够数量的隐藏节点时，它们可以以任意精度近似逼近任何函数。
创建tetris机器人时，不一定必须使用ANN作为函数逼近器。但是您需要某种函数逼近器来表示您的机器人策略。我想这比ANN更简单。但是，当您要创建复杂的非线性策略时，可以这样做。 G。与人工神经网络
阿尔法的答案是完美的。这只是一张图像，以说明他说的话：
元优化器=无(但可以)
问题=俄罗斯方块(例如ANN)
如果您还不知道答案，则可以使用进化算法，但是您能够以某种方式评估候选者并提供有意义的突变。
如果您已经有了答案(和输入)，并且想"训练计算机"，以便可以"猜测"未知输入的答案，那么神经网络非常有用。另外，您不必考虑太多问题，网络会自行解决。
检查此"游戏AI"示例：/#/
(请注意，这很简单，您要做的就是为他们提供足够的培训，而您不必了解游戏AI-一旦足够好，您要做的就是"下载"内存并在需要时运行它)
我不是专家，但基于我在该领域所掌握的知识。
人工神经网络最终具有神经科学的基础。它试图通过在算法中构建类似神经元的结构来模拟/建模其行为。与结果相比，非常强调问题的学术性质。据我了解，出于这个原因，从工程的角度来看，人工神经网络并不是很受欢迎。机器学习的统计基础(HMM和贝叶斯网络)产生更好的结果。
简而言之，只要它对某些潜在的神经科学对象有所帮助，即使使用某种形式的GA，它也可以是ANN。
如果您使用GA，则不一定是ANN。
