我正在做一个涉及 10 个输入（X1、X2、...、X10）并预测 3 个输出（Y1、Y2、Y3）的项目。我在 Python 中使用 Keras 包和 Tensorflow 的后端。我已经建立了一个人工神经网络，经过训练，并展示了不错的预测。
但是，现在我需要确定 10 个输入的哪种组合将产生 Y1 的最低值、Y2 的最高值和 Y3 的最低值。本质上，我需要找到 10 个输入值来产生最佳输出。
我读过遗传算法可能是实现这一点的一种方法，但我不确定如何实现这一点。任何建议、见解或示例将不胜感激。
【问题讨论】：
标签： python tensorflow optimization neural-network regression
可以使用遗传算法来完成此操作。
请注意，遗传算法最大化适应度函数，因此如果您尝试使用遗传算法来最小化某些东西，您的适应度函数需要与您的预期输出成反比：
假设域为(0, inf) 的可能的示例适应度函数
def fitness(Y1, Y2, Y3):
return ( 1 / Y1 ) * (Y2) * (1 / Y3)
这将为 Y1 和 Y3 建立相同的优先级，并且要使三个数字的乘积最大化，Y1 和 Y3 都必须尽可能接近 0，并且 Y2 必须最大化。
为了澄清，上述适应度函数可能不适合您的用例，但用于演示适应度函数如何将权重应用于每个参数。
这是一个很好的 GA 演练的链接。 Solving the Traveling Salesman using a GA.
或者，您可以使用粒子群优化(PSO)，它执行类似于 GA 的操作，但会找到最小化函数的参数。
如果您对输出有域限制，您还可以使用自定义损失函数（或 MSE、欧几里得距离等）来测量域限制和实际输出之间的损失，或者只使用与您相同的适应度函数会用于早期的方法。
然后，您可以通过网络进行反向传播，以确定哪个输入变量对输出损失的影响最大并使用 SGD。
假设有域限制，我希望这种方法能提供最好的结果，否则，它们的性能应该大致相同，并且很大程度上取决于您使用什么作为适应度函数。
您也可以采用蒙特卡洛方法。
【讨论】：