Optimization 利用人工智能技术优化参数

我知道我的问题很笼统，但我对人工智能领域还不熟悉。 我用一些参数做了一个实验（大约6个参数）。每一个都是独立的，我想找到输出函数最大或最小的最优解。然而，如果我想用传统的编程技术来实现它，那将需要很多时间，因为我将使用六个嵌套循环

我只是想知道用哪种人工智能技术来解决这个问题？遗传算法？神经网络？机器学习

更新 实际上，这个问题可能有不止一个评估函数。 它将有一个功能，我们应该尽量减少它（成本） 另一个我们想要最大化的功能（容量） 也许可以添加其他功能。 例子： 建造一扇玻璃窗的方法有一百万种。然而，我们希望以最低的成本获得最坚固的窗口。影响窗户抗压能力的参数有很多，如玻璃强度、高度和宽度、窗户坡度。 显然，如果我们走极端（最大强度的玻璃，最小的宽度和高度，零坡度），窗户将非常坚固。然而，这样做的成本将非常高

---

我想研究特定范围内参数之间的相互作用

首先，如果你有多个相互竞争的目标，那么问题就很复杂了

你必须找到一个你想要最大化的值。。。例如：

value = strength - k*cost

或

在两种情况下，对于固定强度，较低的成本获胜，对于固定成本，较高的强度获胜，但您有一个公式可以决定给定的解决方案比另一个更好还是更差。如果您不这样做，您如何决定一个解决方案是否比另一个更便宜但更弱的解决方案更好

在某些情况下，正确定义的值需要更复杂的函数。。。例如，对于强度，该值可以增加到某一点（即，结果大于规定的量是毫无意义的），或者成本可以有上限（因为高于某一量的解决方案是不有趣的，因为它会将最终价格从市场中抹去）

一旦找到了参数独立的标准，根据我的经验，一个非常简单的方法仍然是合理的：

通过选择

n

随机值选择一个随机解，允许边界内的每个参数对应一个随机值

计算此起点的目标值

---

选择一个随机数

1，但对具体问题不太了解。听起来遗传算法是理想的。它们已被大量用于参数优化，并经常给出良好的结果。就我个人而言，我用它们缩小了边缘检测技术的参数范围，大约有15个变量，它们做得不错

如果将多个评估函数编码到遗传算法的适应度函数中，则不必存在问题。我会用遗传算法查找多目标优化

我在这里开始：
P>前一段时间，我用遗传算法编写了一个C++代码，用于解决优化问题。这是：

这应该很容易理解。
到目前为止，您的问题基本上是：“如何才能更快地运行六个嵌套循环？”您能否详细说明，添加一些细节或一些有用的内容？示例：每个参数的可能结果数，是否有精确的求值函数？你能放松一些条件吗？模拟退火怎么样？有很多技巧。选择正确的参数取决于问题的细节。这些参数是您的学习算法的参数吗？我更新了问题，如果需要进一步的细节，请告诉我。谢谢你有离散变量还是连续变量？你的目标是可微的吗？非常感谢。实际上，确定目标价值似乎是目前的挑战，因为成本和实力之间没有明确的关系。我将尝试阅读更多内容，以了解我的项目中目标值之间是否存在关系。然而，我相信使用AI技术将大大缩短时间，因为有很多参数，范围也不是那么小。我也想研究这两个参数之间的相互作用关系，但我不知道人工智能在这方面会有什么帮助。也许在这种情况下需要进行统计研究，你认为呢？没错，这就是我想要的！
value = strength / (k1 + k2*cost)