如何防止我的程序在局部最大值处卡住（前馈人工神经网络和遗传算法）

我正在开发一个前馈人工神经网络（ffann），它会接受简单计算形式的输入并返回结果（类似于袖珍计算器）。结果不会完全精确。
该人工神经网络使用遗传算法对权重进行训练。

目前我的程序在以下局部最大值处卡住：

我目前使用两种不同的遗传算法：
第一种是基本选择，从我的种群中随机挑选两个，称其中适应度较高者为赢家，另一者为输家。输家将从赢家那里接收一个权重。

第二种是变异，其中选择中的输家会根据错误结果的数量接收轻微的修改。（适应度由正确答案和错误答案决定）。因此，如果网络输出大量错误，它将接收较大的修改；而如果有许多正确答案，我们接近一个可接受的目标，修改将会较小。

那么，问题来了：我如何防止我的ffann在局部最大值处卡住？
我是否应该将当前的遗传算法修改为更高级的、包含更多变量的算法？
我是否应该创建额外的变异或交叉？
或者我是否应该尝试将变异变量修改为更大或更小的值？

这是一个很大的话题，如果我遗漏了任何可能需要的信息，请在评论中指出

编辑：将变异的数值调整为更适合的值后，我得到了更好的回答率，但离理想值还很远：

目前网络是一个非常简单的三层结构，具有3个输入，唯一隐藏层中有2个神经元，输出层有一个神经元。
使用的激活函数是Tanh，将值置于-1和1之间。
选择类型的交叉非常简单，工作原理如下：

[a1, b1, c1, d1] // 由于正确答案最多被选为赢家[a2, b2, c2, d2] // 输家

输家将从赢家那里接收一个值，直接向下移动，因为我认为数组中权重的位置对其性能有影响。

变异非常简单，在输家的权重数组中随机选择一个权重，增加一个非常小的值（当前约为0.01到0.001之间），有50/50的几率为负值。

以下是训练数据的一些示例：

1, 8, -7 // -7代表 + (1+8)3, 7, -3 // -3代表 - (3-7)7, 7, 3  // 3代表 * (7*7)3, 8, 7  // 7代表 / (3/8)

回答：

在GA中使用生态位技术。一个有用的替代方案是生态位技术。每种解决方案的得分（我想是某种形式的二次误差）在考虑到整个种群的相似性后进行调整。这保持了种群内部的多样性，避免了过早收敛和陷入局部最优解的陷阱。

请看这里：

学技术