신경망이 아닌 유전자 알고리즘을 언제 사용해야합니까? [닫은]

문제를 해결하기 위해 신경망과 반대로 유전자 알고리즘을 사용할시기를 결정하는 경험 법 (또는 일련의 사례)이 있습니까?

두 방법을 모두 혼합 할 수있는 경우가 있지만 두 방법 사이의 높은 수준의 비교를 찾고 있습니다.

위키 백과에서 :

유전자 알고리즘 (GA)을 위해 컴퓨팅에 사용되는 검색 기술이다 찾을 정확한 또는 대략적인 솔루션을 최적화하고 문제를 검색 할 수 있습니다.

과:

신경망 은 비선형 통계 데이터 모델링 도구입니다. 입력과 출력 간의 복잡한 관계를 모델링하거나 데이터에서 패턴 을 찾는 데 사용할 수 있습니다 .

솔루션의 가치를 정량화 할 수있는 문제가있는 경우 유전자 알고리즘 이 솔루션 공간을 직접 검색 할 수 있습니다 . (예 : 두 지점 사이의 최단 경로를 찾으십시오)

여러 클래스에 여러 항목이있는 경우 신경망 은 이전에 "보지"않은 항목 을 분류 하기 위해 "학습"할 수 있습니다 . (예 : 얼굴 인식, 음성 인식)

실행 시간도 고려해야합니다. 유전자 알고리즘은 수용 가능한 해결책을 찾는 데 오랜 시간이 걸립니다. 신경망은 "학습"하는 데 시간이 오래 걸리지 만 새로운 입력을 거의 즉시 분류 할 수 있습니다.

유전자 알고리즘 (섹시한 이름에도 불구하고)은 대부분의 경우 최적화 기술 입니다. 그것은 주로 많은 변수를 가지고 있으며 이러한 변수에 가장 적합한 값 조합을 찾으려고합니다. 그것은 자연의 진화로부터 기술을 빌려옵니다.

신경망은 패턴 을 인식 하는 데 유용합니다 . 그들은 뇌의 단순한 모델을 따르고, 그것들 사이의 많은 가중치를 변경함으로써 입력을 기반으로 출력을 예측하려고 시도합니다.

그것들은 근본적으로 다른 두 엔티티이지만 때로는 겹치는 문제를 해결할 수 있습니다.

GA는 사용자가 정의한 구조에서 새로운 패턴을 생성합니다.

NN은 사용자가 제공하는 교육 데이터를 기반으로 기존 패턴을 분류 (또는 인식)합니다.

GA는 대규모 상태 공간의 솔루션을 효율적으로 검색하고 하나 이상의 우수한 솔루션에 수렴하지만 반드시 '최상의'솔루션은 아닙니다.

NN은 (훈련을 통해) 패턴을 인식하는 법을 배울 수는 있지만, 학습 한 내용을 파악하는 것, 즉 일단 훈련을받은 지식을 추출하여 다른 사람 (NN이 아닌 사람)의 지식을 재사용하는 것은 악명 높습니다.

여기서는 완전히 다른 두 가지를 비교하고 있습니다.

신경망은 회귀 / 분류에 사용됩니다. (x, y) 예제 세트가 주어지면 주어진 x에 대해 알려지지 않은 y를 회귀 시키려고합니다.

유전자 알고리즘은 최적화 기술입니다. 함수 f (x)가 주어지면 f (x)를 최소화 / 최대화하는 x를 결정하려고합니다.

그들 사이에는 많은 유사점이 있으므로, 나는 그들의 차이점 을 개괄하려고 노력할 것이다 .

신경망

온라인 패턴을 분석 할 수 있습니다 (시간에 따라 변하는 패턴). 일반적으로 이것은 시변 샘플이며 일치하고 예측되어야합니다.

예 :

• 그래프 외삽
• 얼굴 인식

유전자 알고리즘

변경되지 않는 특정 문제에 기여할 수 있다고 생각되는 속성을 코딩 할 수있는 경우에 사용됩니다. 이러한 속성을 코딩 할 수있는 데 중점을두고 있으며 (때로는 그 속성을 알고 있음) 문제가 크게 변하지 않는 경우가 있습니다 (그렇지 않으면 진화가 수렴되지 않음).

예 :

• 비행기 / 배송 예약
• 시간표.
• 인공 환경에서 간단한 에이전트에 대한 최상의 특성 찾기
• 임의의 다각형으로 그림의 근사 렌더링

역 전파 알고리즘 의 대안으로 유전자 알고리즘을 사용 하여 신경망의 가중치를 업데이트 할 수 있습니다 . 이에 대한 예는 http://www.ai-junkie.com/ann/evolved/nnt1.html을 참조 하십시오 .

유전자 알고리즘 (일반적으로)은 이산 데이터 (열, 정수 범위 등)에서 작동합니다. GA의 일반적인 응용 프로그램은 사용 가능한 유일한 대안이 무차별 검색 (모든 조합 평가) 인 경우 "충분한"솔루션을 찾기 위해 별도의 공간을 검색하는 것입니다.

반면에 신경망은 (보통) 연속 데이터 (부동 등)에서 작동합니다. NN의 일반적인 응용 프로그램은 함수 근사입니다. 여기서는 입력 X 세트와 관련 출력 Y 세트가 있지만 분석 함수 f : X → Y가 있습니다.

물론 수천 가지 변형이 있으므로 그 사이의 선이 다소 흐려집니다.

경험 법칙은 없습니다. 대부분의 경우 문제 중 하나를 사용하도록 문제를 공식화 할 수 있습니다. 머신 러닝은 여전히 ​​활발한 연구 분야이며 어떤 학습 모델을 사용할 수 있는지는 논쟁의 여지가 있습니다.

GA는 진화에서 섹시한 언어를 사용하지만 컴퓨터가 임의의 프로세스를 통해 솔루션을 발견하기를 기다리고 있습니다. 데이터를 연구하고, 좋은 가정을하고, 원하는 것을 알고,이를 잘 활용할 수있는 접근 방식을 선택하십시오. 첫 번째 선택으로 결과가 좋지 않으면 그 이유를 알고 알고리즘 자체를 개선하거나 더 나은 알고리즘을 선택하십시오.