是否有一个经验法则（或一组例子）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？
我知道有些情况下你可以混合两种方法，但我正在寻找这两种方法之间的高级别比较。
答案 0 :(得分：120)
来自维基百科：
genetic algorithm（GA）是一种搜索技术，用于计算查找精确或近似解决方案以优化和搜索问题。
和
Neural networks是非线性统计数据建模工具。它们可用于模拟输入和输出之间的复杂关系，或用于在数据中查找模式。
如果您遇到可以量化解决方案价值的问题，遗传算法可以执行解决方案空间的定向搜索。 （例如，找到两点之间的最短路线）
如果您有不同类别的项目，神经网络可以“学习”分类之前未“看到”的项目。 （例如，面部识别，语音识别）
还必须考虑执行时间。遗传算法需要很长时间才能找到可接受的解决方案。神经网络需要很长时间才能“学习”，但它几乎可以立即对新输入进行分类。
答案 1 :(得分：40)
遗传算法（尽管其性感名称）在大多数情况下都是优化技术。它主要归结为你有许多变量，并希望找到这些变量的最佳值组合。它只是借用自然进化的技术来实现目标。
神经网络对于识别模式非常有用。他们遵循一个简单的大脑模型，通过改变它们之间的权重，尝试根据输入预测输出。
它们是两个根本不同的实体，但有时它们能够解决的问题重叠。
答案 2 :(得分：37)
GAs在您定义的结构中生成新模式。
NN根据您提供的培训数据对现有模式进行分类（或识别）。
GAs在有效搜索大型解决方案的状态空间方面表现良好，并且可以融合到一个或多个好的解决方案上，但不一定是“最佳”解决方案。
NN可以学习识别模式（通过培训），但是很难弄清楚他们学到了什么，即在训练后从中提取知识，并在其他一些（非NN）中重用知识。
答案 3 :(得分：24)
你在这里比较两个完全不同的东西。
神经网络用于回归/分类 - 给定一组（x，y）示例，您希望对某些给定的x回归未知y。
遗传算法是一种优化技术。给定函数f（x），您需要确定最小化/最大化f（x）的x。
答案 4 :(得分：21)
它们之间有许多相似之处，所以我只会尝试概述差异。
能够分析在线模式（随时间变化的模式）。通常，这是一个需要匹配和预测的时变样本。
示例：
当您可以编写您认为可能导致特定的，不变的问题的属性时使用。重点是能够编码这些属性（有时你知道它们是什么），并且问题在很大程度上是不变的（否则演变不会收敛）。
示例：
答案 5 :(得分：14)
您可以使用遗传算法替代反向传播算法来更新神经网络中的权重。有关此示例，请参阅： http://www.ai-junkie.com/ann/evolved/nnt1.html
答案 6 :(得分：7)
遗传算法（通常）处理离散数据（枚举，整数范围等）。当唯一可用的替代方案是蛮力搜索（评估所有组合）时，GA的典型应用是在离散空间中搜索“足够好”的解决方案。
另一方面，神经网络（通常）处理连续数据（浮点数等）。 NN的典型应用是函数逼近，其中您有一组输入X和一组Y相关输出，但分析函数f：X→Y。
当然，两者都有数千种变体，因此它们之间的界限有些模糊。
答案 7 :(得分：5)
没有经验法则。在许多情况下，您可以制定您的问题以使用它们中的任何一个。机器学习仍然是一个活跃的研究领域，使用哪种学习模式是值得商榷的。
GA从进化中学习性感语言，但是你在等待计算机通过随机过程偶然发现一个解决方案。研究你的数据，做出正确的假设，尝试知道你想要什么，并选择一种可以充分利用这些的方法。如果您的第一选择结果不佳，请知道原因是什么，并改进算法本身或选择更好的算法。