Нейроеволюційні методи здатні одночасно налаштовувати структуру і ваги мережі. Це дозволяє одержувати готові нейромережеві рішення, маючи тільки дані з навчальної вибірки, і в більшості випадків не вимагає від користувача наявності глибоких знань з теорії ІНС. Тим не менш, у разі навчання з учителем, коли є набори вхідних і відповідних їм вихідних даних, а для вирішення досить використовувати багатошарову мережу прямого розповсюдження, існуючі алгоритми, такі як RProp (Resilient Propagation) або алгоритм сполучених градієнтів, дозволяють навчати ІНС за прийнятний час. Використання тут нейроеволюціонного підходу мало виправдовує себе, особливо враховуючи значно більші порівняно з градієнтними методами вимоги до обсягу використовуваної оперативної пам'яті, тому що в більшості випадків використовується популяція нейромереж. Можливість отримати більш оптимальну, ніж багатошарова, структуру мережі є в даному випадку незначною перевагою, оскільки потреба в ній невелика, за винятком, можливо, випадків, коли кількість нейронів та зв'язків в мережі обчислюється сотнями і тисячами. Зважаючи вищеперелічених недоліків і обмежень нейроеволюціонние методи краще застосовувати в задачах, де градієнтні методи застосовуються, або їх ефективність порівняно невелика. Прикладом таких завдань є навчання ШНМ в змінюється динамічному середовищі, що часто зустрічається в завданнях управління, а також для пошуку оптимальної стратегії поведінки. При цьому для наявного набору вхідних даних необхідні значення виходів ІНС, як правило, апріорі невідомі, і робота мережі оцінюється повнешнему кількісного критерію (цільова функція), що відбиває загальну якість її функціонування. «Вгадати» структуру ІНС в цьому випадку досить складно, тому що невідомо або маловідомо, як зміниться керована система через певний час, тому еволюційний пошук відповідного рішення, завдяки високим адаптивним якостям, виглядає досить перспективним варіантом.
Завдяки тому, що генетичні алгоритми являють уніфікований підхід до вирішення завдань оптимізації, нейроеволюціонние методи мало залежать від поставленої проблеми, тобто один і той же алгоритм може бути застосований до абсолютно різних завдань, для вирішення яких потрібні ІНС з істотно різними топологіями і функціями активації нейронів. Як приклад можна згадати, що одними з «стандартних» тестових проблем для нейроеволюціонних алгоритмів є «виключає АБО», де потрібно налаштувати дуже просту ІНС, і завдання балансування двох перевернутих маятників без інформації про швидкість їх руху, що вимагає пошуку нейроннойсеті із зворотними зв'язками . Однією з основних проблем, що виникають при еволюційному пошуку топології нейронної мережі є так звана проблема однакових конкуруючих рішень (competing conventions problem). Інше її назва - проблема пермутації (permutation problem). Полягає вона в тому, що одна і та ж ІНС може бути представлена в генотипі особини різним способом. Оскільки основний спосіб отримання потомства в генетіческомалгорітме - це комбінація (схрещування) існуючих особин, то схрещування таких мереж практично марно. Узагальнюючи, можна виділити наступні переваги використання нейроеволюціонних методів:
- Велика різноманітність одержуваних топологій - можливі рішення з «нестандартними» структурами ІНС;
- Адаптивність;
- Універсальність;
- Використання не вимагає наявності глибоких знань про ІНС;
Недоліками і проблемами підходу є:
- Більш високі вимоги до обсягу оперативної пам'яті, ніж у градієнтних методів;
- Недостатньо висока ефективність при вирішенні певного кола завдань;
- Наявність проблеми однакових конкуруючих рішень;
- Убога теоретична база;
- Потрібні знання з області генетичних алгоритмів;
- Труднощі в порівнянні різних алгоритмів