我在进化算法方面有一定的基础，现在开始学习人工神经网络。我在http://www.ai-junkie.com/ann/evolved/nnt2.html上发现了一个教程，展示了如何使用ANN来进化收集地雷的坦克。它使用GA来进化每个神经元的输入权重。
我知道我可以仅用GA来解决相同的问题。我已经创建了一个仅使用GA来优化网格评估函数权重的俄罗斯方块机器人（查看我的博客http://www.bitsrandomicos.blogspot.com.br/）。
我的问题是：在可以仅使用GA的情况下，使用ANN + GA有什么概念上/实际上的区别？我的意思是，我的俄罗斯方块机器人是ANN吗？（我认为不是）。
关于这个问题有几个相关的问题，但我找不到答案：
谢谢！
回答：
遗传算法是一种优化算法。
人工神经网络是一种函数逼近器。为了逼近一个函数，你需要一个优化算法来调整权重。ANN可以用于监督学习（分类，回归）或强化学习，有些甚至可以用于无监督学习。
在监督学习中，像遗传算法这样的无导数优化算法比大多数使用梯度信息的优化算法要慢。因此，只有在强化学习中使用遗传算法进化神经网络才有意义。这被称为“神经进化”。在这种设置中，像多层感知器这样的神经网络的优势在于，当它们有足够的隐藏节点时，可以以任意精度逼近任何函数。
当你创建一个俄罗斯方块机器人时，不一定需要使用ANN作为函数逼近器。但你需要某种类型的函数逼近器来表示你的机器人的策略。我猜这比ANN更简单。但如果你想创建一个复杂的非线性策略，你可以使用ANN来实现。
