Разница между нейронной сетью и эволюционным алгоритмом

Question

У меня есть хорошая основа на эволюционных алгоритмах, так что теперь я начал читать об искусственных нейронных сетях. Я наткнулся на этот учебник по http://www.ai -junkie.com / апп / эволюционировали / nnt2.html , показывая, как использовать ANN для развития танков, которые собирают мины. Он использует GA для эволюции входных весов на каждом нейроне.

Я знаю, что мог бы использовать GA (без ANN) для решения той же проблемы. Я уже создал бот Tetris, используя только GA для оптимизации весов в функции оценки сетки (см. Мой блог http://www.bitsrandomicos.blogspot.com.br/).

Мой вопрос: какова концептуальная / практическая разница между использованием ANN + GA в ситуации, когда я мог бы использовать только GA? Я имею в виду, является ли мой Тетрис Бот ANN? (Я так не думаю).

Есть несколько связанных с этим вопросов, но я не смог найти ответ:

Используются ли эволюционные алгоритмы и нейронные сети в одних и тех же областях?

Когда использовать генетические алгоритмы и когда использовать нейронные сети?

Спасибо!

Answer 1

A генетический алгоритм является алгоритмом оптимизации .

искусственная нейронная сеть является приближением функции .Для аппроксимации функции необходим алгоритм оптимизации для корректировки весов.ANN может использоваться для обучения под наблюдением (классификация, регрессия) или обучения с подкреплением, а некоторые могут даже использоваться для обучения без учителя.

При обучении под наблюдением алгоритм оптимизации без производных, такой как генетический алгоритм, медленнее, чем большинствоалгоритмы оптимизации, которые используют информацию о градиенте.Таким образом, имеет смысл развивать нейронные сети с генетическими алгоритмами в обучении с подкреплением.Это известно как «нейроэволюция».Преимущество нейронных сетей, таких как многослойные персептроны, в этой настройке состоит в том, что они могут аппроксимировать любую функцию с произвольной точностью, если у них достаточно скрытых узлов.

Когда вы создаете бот-тетрис, вам не обязательно использоватьANN как аппроксиматор функции.Но вам нужен какой-то аппроксиматор функций для представления политики вашего бота.Я думаю, это было просто проще, чем ANN.Но когда вы хотите создать сложную нелинейную политику, вы можете сделать это, например, с помощью ANN.

Answer 2

Альфа ответ идеально.Вот только изображение, чтобы проиллюстрировать то, что он сказал:

Мета-оптимизатор = Нет (но может быть)
Оптимизатор = Генетический алгоритм
Проблема = Бот Tetris (например, ANN)

Answer 3

Вы используете эволюционный алгоритм, если вы еще не знаете ответ, но вы можете каким-то образом оценить кандидатов и обеспечить значимые мутации.

Нейронная сеть хороша, если вы уже есть ответы (и входы), и вы хотите «обучить компьютер», чтобы он мог «угадать» ответы для неизвестных входов.Кроме того, вам не нужно много думать о проблеме, сеть сама все поймет.

Посмотрите на этот пример "ИИ игры": https://synaptic.juancazala.com/#/
(обратите внимание, насколько это простовсе, что вам нужно сделать, это дать им достаточно обучения, вам не нужно ничего знать об игровом ИИ - и, как только он станет достаточно хорош, все, что вам нужно сделать, это «загрузить» память и запустить ее при необходимости)

Answer 4

Я не эксперт, но на основании того, что я знаю из области ..

Искусственная нейронная сеть в конечном счете основана на нейробиологии.Он пытается имитировать / моделировать свое поведение путем построения нейроноподобных структур в алгоритме.Особое внимание уделяется академической природе проблемы, а не ее результату.Насколько я понимаю, именно по этой причине ANN не очень популярны с инженерной точки зрения.Статистическая база машинного обучения (HMM и байесовские сети) дает лучшие результаты.

Короче говоря, до тех пор, пока у него есть кивок на какой-то основной предмет неврологии, он может быть ANN, даже если он использует некоторую формуGA.

Если вы используете GA, это не обязательно ANN.