我已经实现了一个使用变异操作符训练的神经网络的遗传算法，如下所示：
def mutation(chromosome, mutation_rate): for gene in chromosome: if random.uniform(0.00, 1.00) <= mutation_rate: gene = random.uniform(-1.00, 1.00)染色体最初是随机初始化的：
def make_chromosome(chromosome_length): chromosome = [] for _ in range(chromosome_length): chromosome.append(random.uniform(-1.00, 1.00)) return chromosome在进行交叉操作时，后代染色体的基因只能在区间[-1, 1]内，因为父代染色体的基因也在这个区间内。当后代发生变异时，它的基因同样会保持在这个区间内。
这种方法在某些问题上有效，但在其他问题上则不然。如果神经元的最优权重在[-1, 1]内，那么遗传算法就能正常工作，但如果神经元的最优权重在其他区间内呢？
例如，如果我使用反向传播训练网络，并以分类错误率低于5%作为终止条件，我可以查看网络权重，看到类似-1.49、1.98、2.01等值。我的遗传算法永远无法生成这些基因，因为基因是在[-1, 1]内初始化的，并且交叉和变异操作也无法生成超出该范围的基因。
看起来我需要更好地定义搜索空间，像这样：
# 搜索空间边界S_MIN = -1.00S_MAX = 1.00# 在mutation()中gene = random.uniform(S_MIN, S_MAX)# 在make_chromosome()中chromosome.append(random.uniform(S_MIN, S_MAX))然后我可以根据问题设置搜索空间的边界。但我如何确定搜索空间呢？这一信息不是先验已知的，而是通过训练网络得出的。但如果训练需要已知的搜索空间，我就会陷入僵局。
我可以将搜索空间设定为任意大的（例如，确保足够大），但这样算法收敛速度会很慢。我至少需要知道搜索空间的大致范围，才能使遗传算法高效运行。
在反向传播中，搜索空间不是先验已知的，这并不重要，但对于遗传算法来说，这确实重要。
回答：
这似乎是对使用神经网络进行强化学习的核心挑战的重申。你有一个损失函数，它以数值方式量化当前解空间局部可能动作的好坏，从而当采取动作时会使你更接近/远离全局最优解（答案）。（即相对于损失函数的梯度）
在开始之前，你无法确切知道答案在哪里，所以你需要定义一个作为算法一部分的探索策略。这将驱动对可能解空间的探索，根据某些动作在接近答案方面的改进程度来指导探索，如损失函数所定义的。
在开始时，探索非常积极，会采取大胆的行动，以便快速探索解空间。然后，当解空间的某些区域显示出更有希望时，探索就会变得不那么大胆，试图收敛到解上。
在你的情况下，探索策略将改变变异大小、变异率和染色体的交叉。变异大小和率将代表在局部内的移动大小，而交叉将代表解空间中的维度转换。
因此，与其设定最大/最小值，你将有一个在解空间中的起始位置，假设解空间的特征是统一缩放和归一化的，一个最佳猜测将是在单位空间中的任何随机点。
然后，探索策略将选择变异大小、率和交叉，初步探索广泛。选择后续代将偏好那些更接近答案且探索策略不那么积极的代。因此，后来的代将倾向于更接近“答案”，并且探索策略也将不那么积极，从而倾向于收敛。
这篇文章对这些概念进行了更正式的审查。
