我目前正在编写一个能够在 25*25 网格上玩蛇的程序。它通过在进化策略的帮助下优化一组 300 个不同解决方案的权重（每个解决方案将是一个不同的神经网络），从而通过随机突变和父选择来工作。由于涉及 MLP 和其他神经网络的黑盒问题，我决定不对父池应用交叉。我的人口规模是 300，每代选择 10 位父母（总共 200 代）。所有其他不是父解决方案的解决方案都将被删除，以便为 290 个基于父解决方案的新变异解决方案腾出位置。

我的网络结构（MLP）如下：6 个输入节点，（10,10）个隐藏节点，3 个输出节点。

使用我当前版本的程序，我能够达到吃掉 60 个苹果（或分数）的稳定分数（大约 15/200 的分数高于 60）。而这仅在 50 代之后！但是现在，我似乎遇到了一个我无法克服的局部最小值。有没有人知道是否仍有可能取得进一步的进展，或者我可能已经达到了天花板？快速提升的性能可能表明我的探索/开发平衡可能并不理想，但是每个解决方案都包含 190 个权重，更多的探索似乎在计算上过于昂贵，并且在我的 i7 10gen 笔记本电脑上会永远花费：/。

我可以称这为过早收敛吗？有没有办法解决这个问题，或者我已经达到了我的想法的极限？