我正在使用一个复杂的系统，该系统具有五个变量-根据这五个变量的值，可以测量系统的响应。为了全面定义响应，对七个输出变量进行了测量。
我一直在使用人工神经网络来模拟五个变量和七个输出参数之间的关系。到目前为止，这是成功的。ANN可以很好地预测输出（我已经在一组验证用例上测试了经过训练的网络）。我使用python Keras /张量流相同。 顺便说一句，我也尝试将线性回归作为函数逼近器，但会产生较大的误差。考虑到系统是高度非线性的，并且可能在任何地方都不是连续的，因此会出现这些错误。
现在，我想根据七个输出参数的向量（目标向量）来预测五个变量的值。尝试使用遗传算法相同。经过大量的遗传算法设计，我仍然最终在目标向量和遗传算法预测之间获得了很大的差异。我只是试图最小化ANN预测（函数逼近器）和目标向量之间的均方误差。
使用ANN作为函数逼近器和遗传算法进行设计空间探索是正确的方法吗？
答案 0 :(得分：0)
是的，这是使用GA进行搜索空间探索的好方法。但是设计交叉，变异，世代进化逻辑等在决定遗传算法的性能中起着重要作用。
如果您的搜索空间有限，则可以使用精确的方法（这可以解决问题）。
here本身的实现很少
如果您更喜欢元启发式，
除了遗传算法以外，还有多种选择
模因算法 禁忌搜索 模拟退火 粒子群优化 蚁群优化