进化算法和神经网络是否在相同的域中使用？

我试图了解各种类型的机器学习算法之间的差异.

据我所知,进化算法的实现与神经网络的实现完全不同.

然而,它们似乎都在确定潜在噪声训练/历史数据集的输入和输出之间的相关性.

从定性的角度来看,与进化算法相比,是否有问题域是神经网络的更好目标？

我已经浏览了一些建议以互补的方式使用它们的文章.有一个很好的用例的例子吗？

这是交易:在机器学习问题中,您通常有两个组件:

a)模型(函数类等)

b)拟合模型的方法(优化算法)

神经网络是一个模型:给定布局和权重设置,神经网络产生一些输出.存在一些拟合神经网络的规范方法,例如反向传播,对比发散等.然而,神经网络的重点是,如果有人给你"正确"权重,你就可以很好地解决这个问题.

进化算法解决了第二部分 - 拟合模型.同样,有一些规范模型与进化算法一起使用:例如,进化编程通常试图优化特定类型的所有程序.但是,EA本质上是一种为特定模型找到正确参数值的方法.通常,您以这样的方式编写模型参数:交叉操作是合理的操作,并转动EA曲柄以获得合理的参数设置.

现在,您可以使用进化算法训练神经网络,我相信它已经完成了.然而,EA需要工作的关键位是交叉操作必须是合理的事情 - 通过从一个合理的设置中获取部分参数而从其他合理设置中获取其余参数,您通常会得到一个甚至更好的参数设置.大多数时候使用EA,情况并非如此,它最终会像模拟退火一样,只会更加混乱和低效.