Основное отличие «генетического» алгоритма АНС от обычного заключается в типе создаваемой плоскости выходных параметров. С геометрической точки зрения отличительные особенности алгоритмов состоят в способе представления ими пространства входных данных. Главная идея, на которой основана архитектура генетической АНС, состоит в выявлении существенных особенностей входных данных, динамике их изменения и настройке на них, что дает возможность АНС самостоятельно выбирать направления эволюции. Небольшая в начале плоскость выходных параметров развивается по определенном направлении, выделяя те особенности входных данных, которые алгоритм АНС считает наиболее перспективными. Рост плоскости может контролироваться, поскольку индексация новых генераций отлична от индексации предшествующих. Таким образом, всегда сохраняется двумерная структура плоскости выходных параметров, даже если на практикенейроны окажутся организованными в различные слои в соответствии с моментом их создания. Окончательный результат применения метода генетической АНС оказывается совершенно отличным от того, которого можно было бы ожидать при обучении с помощью обычной АНС.
Генетическая АНС значительно лучше распознает структуры и паттерны во входных данных даже в случае существенного влияния искажающих факторов. Это позволяет рекомендовать этот алгоритм для решения задач количественного прогнозирования с помощью нейронных сетей. Если сравнить результаты генетической и обычной АНС по характеристикам сходимости, масштабируемости, способности к обобщению и стабильности, то в большинстве случаев генетический алгоритм окажется более эффективным.
Масштабируемость связана со свойством сходимости в том смысле, что возрастание числа нейронов на плоскости выходных параметров требует большего времени для выполнения одной итерации в процессе обучения. Иначе говоря, сложность сети влияет на время вычисления. Не смотря на то, что количество нейронов в генетических сетях в конце процесса обучения, как правило, превышает их количество в обычных АНС, такие сети требуют меньше времени на обучение, так как обучающий процесс изначально охватывает небольшое число нейронов. Т.е. на начальных шагах процедуры сеть имеет небольшое число нейронов, увеличивая тем самым скорость процесса распознавания образов.
Важнейшим отличительным качеством генетических сетей является высокая способность к обобщению способность распознавать образы, лежащие вне множества обучающих примеров. Это качество становятся особенно очевидными при сравнительном анализе стабильности алгоритмов двух типов. Генетический алгоритм дает более близкие друг к другу результаты всякий раз, когда моделирование повторяется с измененными ключевыми параметрами.
