神经网络与遗传算法

Question

我在处理一个复杂的系统，这个系统有五个变量——根据这五个变量的值，系统的响应被测量。为了完全定义响应，需要测量七个输出变量。你知道吗

我一直在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（我也在一组测试用例上测试了经过训练的网络）。我使用python Keras/tensor流来实现同样的效果。 顺便说一句，我也尝试了线性回归作为函数逼近器，但它产生了很大的误差。考虑到系统是高度非线性的，并且可能不是处处连续的，预计会出现这些误差。你知道吗

现在，我想从七个输出参数的向量（目标向量）中预测五个变量的值。尝试用遗传算法进行同样的计算。在设计遗传算法的过程中，我付出了很多努力，但最终还是得到了目标向量和遗传算法预测之间的巨大差异。我只是尽量减少神经网络预测（函数逼近器）和目标向量之间的均方误差。你知道吗

这是正确的方法使用神经网络作为函数逼近和遗传算法的设计空间探索？你知道吗

Answer 1

是的，利用遗传算法进行搜索空间探索是一种很好的方法，但是交叉、变异、世代进化逻辑等的设计对遗传算法的性能起着决定性的作用。你知道吗

如果你的搜索空间是有限的，你可以使用精确的方法（这解决了最优性）。你知道吗

python-scipy本身几乎没有实现

如果你喜欢使用元启发式

除了遗传算法之外，还有很多选择

模因算法 禁忌搜索 模拟退火 粒子群优化 蚁群优化