Генетические алгоритмы - часть 2
Выходные данные: обученная нейросеть, решающая задачу с требуемой точностью.
1. Создается случайным образом исходная популяция нейросетей (все индивиды имеют одинаковую архитектуру, но разные значение весов связей и других переменных)
2. Оценивается эффективность решения задачи каждой нейросетью
3. Если задача решена, ВЫХОД
4. Индивиды сортируются в соответствии с эффективностью решения задачи
5. Самая лучшая нейросеть сохраняется, на остальные накладываются мутации
6. При достижении некоторого момента времени происходит генерация нового поколения: наиболее подходящие индивиды скрещиваются, наименее подходящие удаляются из популяции; недостающее количество генерируется случайным образом
7.

4. Выводы
Генетические алгоритмы дают возможность построить такие модели НС, которые было бы трудно создать аналитическими методами. Благодаря эволюционному подходу возможно без участия конструктора автоматически найти эффективное решение задачи. Но из-за самой природы алгоритма (случайность и перебор вариантов) время, необходимое на решение задачи, может быть очень большим, и достижение желаемого результата не гарантировано.