为什么专门使用它？
我知道它增加了变化，这可能有助于探索问题空间，但它增加了多少及时找到最佳解决方案/配置的可能性？它还有其他好处吗？
它是否一定总是有帮助，或者在某些情况下会增加找到最佳解决方案所需的时间？
正如帕特里克·特伦廷(Patrick Trentin)所说，交叉提高了收敛的速度，因为它允许结合人群中已经发现的良好基因。
但是，对于神经进化来说，交叉面临着"排列问题"，也被称为"竞争约定问题"。当两个父母是同一网络的排列时，那么，除了极少数情况外，他们的后代总是具有较低的适应性。因为网络的同一部分被复制到两个不同的位置，因此后代正在失去这两个位置之一的活基因。
例如，网络 A、B、C、D 和 D、C、B、A 是同一网络的排列。后代可以是：
A,B,C,D (copy of parent 1)
D,C,B,A (copy of parent 2)
A,C,B,D OK
A,B,C,A
A,B,B,A
A,B,B,D
A,C,B,A
A,C,C,A
A,C,C,D
D,B,C,A OK
D,C,B,D
D,B,B,A
D,B,B,D
D,B,C,D
D,C,C,A
D,C,C,D
因此，对于此示例，2/16 的后代是父母的副本。 2/16 是没有重复项的组合。12/16有重复的基因。
出现排列问题的原因是，排列网络与另一个网络具有相同的适应性。因此，即使对于精英GA，如果一个被选为父母，另一个也经常会被选为父母。
排列可能只是部分的。在这种情况下，结果比完全排列要好，但在许多情况下，后代的适应度仍然低于父母。
为了避免排列问题，我听说了基于相似性的交叉，它计算神经元及其连接突触的相似性，在最相似的神经元之间进行交叉，而不是基于基因座的交叉。
在发展网络的拓扑结构时，一些NEAT专家认为排列问题是更广泛问题的一部分："可变长度基因组问题"。NEAT似乎通过网络形态来避免这个问题，当两个网络的拓扑和权重差异太大时，它们不允许配对。因此，NEAT算法似乎认为排列网络差异太大，并且不允许它们配对。
一个关于NEAT的网站也说：
然而，从另一种意义上说，可变长度的基因组问题永远无法"解决"，因为它是任何产生解决相同问题的不同结构的系统所固有的。例如，鸟和蝙蝠都代表了飞行问题的解决方案，但它们并不兼容，因为它们是做同一件事的不同惯例。同样的情况可能发生在NEAT中，可能会出现做同样事情的非常不同的结构。当然，这样的结构不会交配，避免了后代受损的严重后果。尽管如此，可以说，由于不同的表征可以同时存在，因此不相容的基因组仍然存在，因此问题没有"解决"。 归根结底，问题是否得到解决是主观的。这取决于您认为的解决方案。然而，至少可以说，"避免了可变长度基因组的问题"。
编辑：回答您的评论。
您可能适合基于相似性的交叉，我不确定它是否完全避免了排列问题。
关于交叉的最终目标，在不考虑排列问题的情况下，我不确定它对神经网络的演化是否有用，但我的想法是：如果我们把一个神经网络分成几个部分，每个部分都有助于适应度，所以两个适应度高的网络可能有不同的好部分。将这些部分结合起来应该会创建一个更好的网络。有些后代当然会继承坏的部分，但其他一些后代会继承好的部分。
就像Ray建议的那样，试验有和没有交叉的神经网络的进化可能是有用的。由于进化中存在随机性，因此问题是运行大量测试，以计算平均进化速度。
关于进化神经网络以外的其他东西，我发现了一篇论文，说使用交叉的算法在解决全对最短路径问题(APSP)时优于仅突变算法。
编辑 2：
即使排列问题似乎只适用于神经进化等某些特定问题，我认为我们不能对交叉说同样的话，因为也许我们遗漏了一些似乎不适合交叉的问题。
我找到了一篇关于基于相似性的神经进化交叉的论文的免费版本，它表明：
使用朴素交叉的算法比仅突变算法的性能更差。
使用基于相似性的交叉，对于所有测试案例，它的性能优于仅突变算法。
NEAT 算法有时比仅突变算法表现更好。
交叉很复杂，我认为缺乏将其与仅突变算法进行比较的研究，可能是因为它的有用性在很大程度上取决于：
其工程，函数于特定问题，如排列问题。因此，我们使用的交叉类型(基于相似性，单点，均匀，边缘复合等)。
和交配算法。例如，本文表明，在解决TSP时，性别遗传算法的性能优于非性别遗传算法。对于解决另外两个问题，该算法的表现并不明显，但它比非性别的 GA 更好。在这个实验中，雄性是根据他们的健康状况选择的，雌性是根据他们产生良好后代的能力来选择的。不幸的是，这项研究没有将结果与仅突变算法进行比较。