الگوریتم های ژنتیک و شبکه های عصبی از دهه 1980 مورد استقبال زیادی از جامعه تحقیقات علوم رایانه قرار گرفته است. در بیشتر موارد ، این نتیجه موفقیت آمیز است کاربردهای این مدلهای جدید محاسباتی ، چون که مفاهیم علمی مشترکی دارند باعث بوجود آمدن جنبشی شده است که فراتر از علم است. اصل اصلی این حرکت این ایده است که برای مجموعه وسیعی از مشکلات پیچیده خود سازماندهی ، بهره برداری از تعامل واحدهای کوچک مستقل ، قوی تر از کنترل مرکزی است. تأثیر این اصل را می توان در چندین پدیده از زندگی انسان مشاهده کرد.
الگوریتم های ژنتیک یک روش بهینه سازی سازگار قوی بر اساس اصول بیولوژیکی هستند. تعداد رشته هایی که راه حل های احتمالی مشکل را نشان می دهند حفظ می شود. جستجو با ترکیب مجدد رشته ها در جمعیت ادامه می یابد.
بنابراین ، الگوریتم های ژنتیک نیازی به جستجو در امتداد خطوط تابع در حال بهینه سازی ندارند و تمایل ندارند در حداقل های محلی به دام بیفتند. در اینجا مروری می کنیم بر چندین آزمایش مختلف که از الگوریتم های ژنتیک برای مشکلات شبکه عصبی استفاده می کنند. این مشکلات شامل
(1) بهینه سازی اتصالات وزنی در شبکه های عصبی پیشرو با استفاده از نمایندگی های دوتایی و ارزش واقعی.
(2) استفاده از الگوریتم ژنتیک برای کشف معماری های جدید در قالب الگوهای اتصال برای شبکه های عصبی که با استفاده از انتشار خطا یاد می گیرند.
شبکه عصبی مصنوعی که به اختصار ( Artificial Neural Network – ANN ) نامیده می شوند به شیوه های محاسباتی جدیدی اتلاق می گردد که جهت آموزش ماشینی، نشان دادن دانش و در نتیجه به کار بستن دانش به دست آمده در راستای پاسخ گویی به خروجی های حاصل از منابع پیچیده می باشد. این گونه شبکه ها از شیوه کارکرد سیستم عصبی زیستی گرفته شده اند و اطلاعات و داده ها جهت ایجاد علم به کار گرفته می شوند. هدف اصلی این کار تولید شیوه جدیدی برای ایجاد سولینه پردازش اطلاعات می باشد. ژنتیک یکی از مبانی انتخاب طبیعی داروین جهت پیدا کردن فرمول بهینه برای پیش بینی و تطبیق الگو می باشد. الگوریتم های ژنتیک بیشتر گزینه خوبی برای تکنیک های پیش بینی بر مبنای رگرسیون می باشند. در هوش مصنوعی الگوریتم ژنتیک یک شیوه برنامه نویسی است که از تکامل ژنتیکی به عنوان شیوه ای برای حل مسئله کاربرد دارد.
در اینجا به برخی از مزایا و محدودیت های الگوریتم ژنتیک و شبکه های عصبی اشاره میکنیم:
هیچ محاسبات جبری خطی برای انجام وجود ندارد. تنها محاسبات یادگیری ماشین مورد نیاز گذر از شبکه های عصبی است. به همین دلیل ، الزامات سیستم در مقایسه با شبکه های عصبی عمیق بسیار گسترده است.
می توان بسیاری از آزمایش ها و روش های مختلف را برای دستکاری ماهیت انعطاف پذیر الگوریتم های ژنتیک تطبیق داده و وارد کرد.
برای الگوریتم های ژنتیک به راحتی می توان فهمید که چرا برخی چیزها بوجود می آیند. به عنوان مثال ، وقتی یک الگوریتم ژنتیک به محیط Tic-Tac-Toe داده می شود ، برخی از استراتژی های قابل تشخیص به آرامی توسعه می یابند. این یک مزیت بزرگ است ، زیرا استفاده از یادگیری ماشین استفاده از فناوری برای کمک به ما در درک مسائل مهم است.
کراس اوورها و جهش های بدشانس می توانند تأثیر منفی بر دقت برنامه داشته باشند و بنابراین باعث می شود برنامه برای همگرا شدن کندتر شود یا به آستانه ضرر خاصی برسد.