使用AI技术优化参数

Question

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（几乎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，这将需要很多时间，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？

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，我们应该最小化它（成本）和另一个功能，我们希望最大化它（容量），也许可以添加其他功能。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，如果我们走到极端情况（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。

Answer 1

不久前，我编写了一个C代码，用于使用遗传算法解决优化问题。这是：http://create-technology.blogspot.ro/2015/03/a-genetic-algorithm-for-solving.html

这应该很容易理解。

Answer 2

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单一价值。。。例如：

value = strength - k*cost

或

value = strength / (k1 + k2*cost)

对于固定强度来说，较低的成本获胜，对于固定成本来说，较高的强度获胜，但是你有一个公式来决定给定的解决方案是比另一个更好还是更坏。如果你不这样做，你怎么能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，正确定义的价值需要一个更复杂的函数...例如，对于强度，价值可以增加到某一点（即结果比规定的金额强是毫无意义的），或者成本可以有上限（因为高于某一金额的解决方案是没有意义的，因为它会将最终价格排除在市场之外）。

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：

1. 通过选择n随机值来选择一个随机解，允许边界内的每个html" target="_blank">参数对应一个

根据目标函数的不同，存在比其他分布更好的随机分布，也可能是对于不同的参数，最佳选择是不同的。

Answer 3

在不太了解具体问题的情况下，遗传算法似乎是理想的。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。

我从这里开始：使用遗传算法的多目标优化：教程