训练神经网络（也称为反向传播），然后在计算机系统中使用随机权重进行创建和初始化。然后向网络输入数千甚至数百万个数据，并针对每个数据集计算计算出的预测与训练结果之间的偏差。提到的步骤称为前馈。基于复杂的数学程序，尝试最小化偏差。为此，每个神经元的权重通过网络向后最小调整。下一次，偏差会更小。重复此操作，直到达到所需的精度或可接受的偏差。不幸的是，使用这种方法可能无法达到最佳精度，而只能达到局部精度（局部最优）。尽管可以获得更好的结果，但这并不能进一步改进神经网络。
在训练阶段结束时，经过训练的神经网络称为模型并保存以供以后使用。在一种用例中，模型被集成到生产环境中并用于预测未知的输入数据。
遗传算法
遗传算法是计算机科学的一个分支，以自然为模型。进化论描述了生物的创造和对环境的适应。她试图将当代“最好”或“最强”的基因传递给她的后代，使他们有最大的生存机会。例如，最强壮的雄性试图找到最有吸引力的雌性，以确保他和物种的生存。
遗传算法基于这一原理，用于优化数学和统计模型。通过选择最佳结果 比利时消费者电子邮件列表 并随机组合和变异它们，随着时间的推移可以做出非常准确的预测。随机性的使用解决了神经网络反向传播算法中的局部最优问题。
遗传算法的组成部分
遗传学
这里使用的术语“遗传学”是抽象的。基因是用于改进每次进化的世代的数据。这可以通过优化尺寸和重量或通过定义行为的属性来完成。在 GeneticSnake 中，神经网络的权重被用作基因。
个人
GeneticSnake 的每个人都代表一个独立的参与者，他们必须通过自己的基因和行动展示自己的能力。蛇是由它在运动场上的位置、身体的长度和它自己的神经网络来定义的。为了确保清晰度，避免了复杂的句子和不必要的技术词汇。文本的结构以及正确语法和标准术语的使用确保了连贯性和准确性。
人口
总体是个体的集合。每个人都有自己的遗传特征。 GeneticSnake 的种群由数百条蛇组成，每条蛇都活跃在自己的运动场上。
一代
一代代表某个时间点的人口。在一代中，会执行一些操作，直到达到某个阈值或当前人口“死亡”。在 GeneticSnake 中，一个动作由运动场中的下一步组成。没有门槛，世代持续，直到种群完全“死亡”。
评估
该评估确定个人对环境的适应程度。在计算机科学中，适应度函数用于确定当前一代中哪个个体是“最好的”，哪个个体表现良好，哪个个体失败。在 GeneticSnake，适应度函数是一个小数学公式，根据总步数、自最后一个苹果以来的步数以及到苹果的距离计算得出。
选择
在选择过程中，当前一代中一定比例的人被确定为最差的，因此被挑选出来。这可以是固定的百分比，也可以是与一代最佳的百分比距离。这为新一代创造了空间。在 GeneticSnake，目前每次运行中都会选出一半最差的蛇（50% 的排序）。