使用 AI 技术优化参数答案

【问题标题】：Optimizing Parameters using AI technique使用 AI 技术优化参数
【发布时间】：2023-03-08 14:06:02
【问题描述】：

我知道我的问题很笼统，但我是 AI 领域的新手。我对一些参数（几乎 6 个参数）进行了实验。它们中的每一个都是独立的，我想找到最大或最小输出函数的最优解。但是，如果我想用传统的编程技术来做，那将需要很多时间，因为我将使用六个嵌套循环。

我只是想知道该问题使用哪种 AI 技术？遗传算法？神经网络？机器学习？

更新

实际上，问题可能有多个评估函数。它将具有一项我们应该将其最小化的功能（成本）和另一个我们想要最大化它的功能（容量）也许可以添加其他功能。例子：建造一扇玻璃窗可以用一百万种方式完成。但是，我们想要成本最低的最强窗口。影响窗户承压能力的参数有很多，例如玻璃的强度、高度和宽度、窗户的坡度。显然，如果我们遇到极端情况（最大强度的玻璃，最小的宽度和高度，以及零坡度），窗户将非常坚固。但是，这样做的成本会非常高。

我想研究特定范围内参数之间的相互作用。

【问题讨论】：

到目前为止，您的问题基本上是：“我怎样才能更快地运行六个嵌套循环？”您能否详细说明，添加一些细节或有用的东西？示例：每个参数的可能结果数，您有准确的评估函数吗？能不能放宽一些条件等等。
模拟退火怎么样？有很多技巧。选择正确的取决于问题的细节。
这些参数是不是你的学习算法的一些参数？
我更新了问题，如果需要更多详细信息，请告诉我。谢谢大家
您有离散变量还是连续变量？你的目标是可区分的吗？

标签： optimization parameters artificial-intelligence neural-network genetic-algorithm

【解决方案1】：

在不了解具体问题的情况下，听起来遗传算法是理想的。它们已被大量用于参数优化，并且经常给出良好的结果。就我个人而言，我用它们来缩小边缘检测技术的参数范围，大约有 15 个变量，它们做得不错。

如果您将其编码到遗传算法的适应度函数中，那么拥有多个评估函数就不会成为问题。我会使用遗传算法查找多目标优化。

我会从这里开始：Multi-Objective optimization using genetic algorithms: A tutorial

【讨论】：

没错，这就是我想要的！

【解决方案2】：

首先，如果您有多个相互竞争的目标，问题就会变得混乱。

你必须找到一个你想要最大化的值......例如：

value = strength - k*cost

或

value = strength / (k1 + k2*cost)

对于固定强度，较低成本获胜，对于固定成本，较高强度获胜，但是您有一个公式可以确定给定解决方案是比另一个解决方案更好还是更差。如果您不这样做，您如何确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，该值可能会增加到某个点（即，使结果强于规定的量是没有意义的）或者成本可能会增加上限（因为高于一定数量的解决方案没有意义，因为它会将最终价格排除在市场之外）。

一旦找到参数是否独立的标准，根据我的经验，一个非常简单的方法仍然不错：

通过选择n 随机值来选择一个随机解决方案，每个参数在允许的范围内对应一个
为此起点计算目标值
选择一个随机数1 <= k <= n，并为从n 中随机选择的每个k 参数计算一个随机有符号增量，并按该数量更改参数。
从翻译后的解决方案中计算新的目标值
如果新值更好，则保留新位置，否则恢复到原来的位置。
从 3 开始重复，直到时间用完。

根据目标函数，存在比其他函数更好的随机分布，也可能是对于不同的参数，最优选择是不同的。

【讨论】：

非常感谢。实际上，现在似乎定义目标值是一个挑战，因为成本和强度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的目标值之间是否存在关系。
但是，我相信使用AI技术会大大减少时间，因为参数很多，范围也不是那么小。我也想研究每两个参数之间的交互关系，但我不知道人工智能将如何帮助我。在这种情况下可能需要进行统计研究，您怎么看？

【解决方案3】：

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

应该很容易理解。

【讨论】：