所以，首先 - 我要做的是编写一个或多或少的通用GA来教授单个/多层感知器。
我的理解是，要实现这一点，我已经正确地选择了＃34; （优化）输入权重单元，层权重单元和偏置单元。 （如果我在这里错了，请纠正我）
到目前为止我的算法： 1）随机生成起始种群 2）通过计算平均标准误差来评估它 3）选择繁殖种群并通过交叉（跨越个体权重）和突变（突变步骤在几代人中衰退，使早期＆＃34;搜索＆＃34;更广泛，后来调整微妙）进行到下一代，导致一个新的人口，是前一个人口的两倍 4）以与2）中相同的方式评估新种群，然后剔除包的下半部分以将种群大小减少到初始大小 5）重复以上所有内容，直到达到满意的误差水平，或直到设定的循环次数通过
问题在于它永远达不到令人满意的水平，即使对计算量进行大量过度杀伤（130个人口规模，对于具有10个神经元的单层网络有200个以上的周期），并且卡在局部最小值（在至少那就是我认为正在发生的事情，因为结果在大约20-30代之后才停止变化。它肯定在某种程度上起作用，因为近似情节的形状＆＃34;尝试＆＃34;按照预期的结果，只是非常糟糕。下面的链接显示了尝试教导2层网络的结果，每个网络有5个神经元，遵循y = x ^ 2函数的曲线，给出1000个随机选择的样本，沿着曲线的2000个点。
http://puu.sh/qrN0z/e53e25a5be.png
有人可以给我任何关于如何解决这个问题的指示吗？
