1

問題 - 我有10個卡數值爲1到10.現在我必須安排卡片加入5卡給我36和其餘5卡產品給我360神經網絡解決卡問題

我已經成功地製作了一個GA來解決卡片問題。現在我正在考慮用神經網絡來解決同樣的問題。 NN可以解決這個問題嗎?我應該採取什麼方法?

+0

這對於使用神經網絡沒有任何意義。這個問題並不能真正適合NN的優勢。如果你想看看不同的,有趣的方法來解決這個問題,我會建議用遺傳算法來解決它。這可能對編碼很有意思,可能會讓你對遺傳編程有所瞭解。而且,這種方法更適合這個問題。 ;) – brimborium

+0

好的 謝謝我已經通過GA完成了這項工作:-) –

+0

哦,補償,對不起;) – brimborium

回答

4

這個問題很難直接用神經網絡來解決。神經網絡不會有總和或產品的概念,所以他們不能直接區分有效和無效的解決方案。

如果您創建了足夠多的示例並添加了標籤,那麼神經網絡可能會學會通過記住所有內容來區分「好」和「壞」安排。但是這樣做會是一種非常低效和不準確的方式,而且這樣做毫無意義 - 你必須有一個單獨的程序來知道如何解決問題,以創建數據來訓練神經網絡。

P.S.我認爲你有一點運氣讓你的GA工作起來 - 我猜測它只是起作用,因爲這個問題足以讓GA在答案附近嘗試大部分可能的解決方案,因此在太久之前,偶然地碰到正確的答案。

1

爲了跟蹤@ mikera關於爲什麼神經網絡(NN)可能不適合完成此任務的評論,考慮如何使用NN通常很有用。

神經網絡通常用於監督學習任務。也就是說,實施者提供了許多輸入示例以及與該輸入一起使用的正確輸出。 NN然後找到一個捕獲提供的輸入/輸出對的通用函數,並有望捕獲許多其他先前未見過的輸入/輸出對。

在你的問題你正在解決一個特定的優化,所以沒有太多的培訓要完成。只有一個(或更多)正確答案。所以,神經網絡並不是真正爲這些問題設計的。

請注意,不具有總和/產品的概念不一定會傷害NN。您只需創建自己的輸入圖層,該圖層具有總和和產品特徵,以便NN可以直接從這些特徵中學習。但是,在這個問題上,它不會有太大的幫助。

請注意,您的問題非常小,即使是所有組合(10!= 3,628,800)的天真枚舉也應該可以在幾秒鐘內完成。