过去三个月我一直在开发一个模糊逻辑SDK，现在到了需要大幅优化引擎的阶段了。

与大多数基于“效用”或“需求”的AI系统一样，我的代码通过在世界各地放置各种广告，将这些广告与不同代理的属性进行比较，并根据每个代理的情况对广告进行“评分”。

这反过来会为大多数单一代理的模拟产生高度重复的图表。然而，如果考虑到多个代理，系统会变得非常复杂，我的电脑模拟起来会变得非常困难（因为代理之间可以相互广播广告，形成一个NP算法）。

下图：系统在单一代理的三个属性上的重复性计算示例：

上图：系统在三个属性和八个代理上的计算示例：

（开始时崩溃，之后不久恢复。这是我在图像上能展示的最佳示例，因为恢复过程通常非常缓慢）

从这两个示例中可以看出，即使代理数量增加，系统仍然高度重复，因此浪费了宝贵的计算时间。

我一直在尝试重新架构程序，以便在高度重复的时期，Update函数只需持续重复线图即可。

虽然我的模糊逻辑代码确实可以预测系统的崩溃和稳定，但这对我的CPU负担极大。我考虑使用机器学习可能是最佳途径，因为一旦系统初始设置完成，不稳定期似乎总是持续相同的时间长度（然而，它们发生在“半”随机的时间点。我说半随机，是因为通常可以通过图表上显示的明显模式轻松注意到；然而，像不稳定期的长度一样，这些模式在不同设置之间差异很大）。

显然，如果不稳定期的时间长度相同，一旦我知道系统何时崩溃，就很容易判断它何时会达到平衡。

关于这个系统的补充说明，并非所有配置在重复期间都是100%稳定的。

图表中非常清楚地显示了这一点：

因此，机器学习解决方案需要一种方法来区分“伪”崩溃和完全崩溃。

使用机器学习解决方案的可行性如何？有人能推荐一些最适合的算法或实现方法吗？

至于可用资源，分数代码完全不适合并行架构（由于代理之间的紧密联系），所以如果我需要专门使用一两个CPU线程来进行这些计算，那就这样吧。（我宁愿不使用GPU，因为GPU正在处理程序中与AI无关的部分）。

虽然这可能不会产生太大影响，但代码运行的系统在执行期间还有18GB的RAM可用。因此，使用可能高度依赖数据的解决方案肯定是可行的。（虽然除非必要，我更希望避免这样做）

回答：

是的，我也不能确定StackExchange上是否有更适合讨论这个话题的地方，但我会尝试一下，因为我在这方面有一些经验。

这是在控制系统工程中经常遇到的问题，通常被称为黑盒时间序列建模问题。它是“黑盒”，因为你不知道里面到底是什么。你给它一些输入，你可以测量一些输出。给定足够的数据，一个足够简单的系统，以及适当的建模技术，通常可以近似系统的行为。

许多用于此的建模技术都围绕着获取一定数量的过去输入和/或测量，并尝试预测下一个时间点的测量值。这通常被称为自回归模型。

根据你试图建模的系统的复杂性，非线性自回归外生模型可能是更好的选择。这可以采用神经网络或径向基函数的形式，再次以过去n个时间测量值作为输入，并给出下一个测量值的预测作为输出。

查看你的数据，应用类似的技术，可以轻松构建振荡行为的简单模型。关于你的崩溃或伪崩溃建模，我认为这可以通过使用足够复杂的模型来捕捉，但可能更困难。

所以，让我们举一个简单的例子，尝试说明你如何构建某种振荡行为的自回归模型。

对于一个系统，我们采用一个带有频率的简单正弦波，并加入一些高斯噪声。这可以用测量值，某个频率，和在某个离散时间点k的高斯噪声来表示。

使用这个，我们可以生成几秒钟的数据测量值。有了这些，我们然后构建一个包含两个数组的数据集。第一个包含任何时间步长的历史测量值，第二个包含任何给定时间步长的测量值。

如果我们使用维基百科文章中的线性模型，自回归模型的参数可以通过使用线性最小二乘法的线性回归找到。

将这个模型的结果直接与数据集进行比较，对于这个玩具问题很容易获得准确的结果。如果只需要预测未来一步，并且在进行下一个预测之前再次收集真实测量值，预测中的误差不会累积。这有时被称为进行开环预测。

闭环预测是你只给模型一个初始测量值。之后，你使用自己的预测作为后续预测的输入。预测中的噪声可能会累积，使长期预测不准确。虽然这些长期预测可能不准确，但这并不意味着结果不会相似或足够好。我对上面的玩具系统做了一些尝试，我的闭环预测往往低估了振幅，并且经常导致正确频率的衰减振荡。

如果出现这样的问题，你可以向模型添加更多历史样本作为输入，给它更多的训练数据，或者使用更非线性的模型。

在上面的玩具问题中，只有一个值被建模。在你的图表中，似乎有多个来自代理的数据“通道”，并且它们以某种方式相互作用。为了建模这种行为，你可以将每个通道的n个历史值作为输入包含在你的模型中，并将输出设为每个通道的预测。

请告诉我是否需要进一步澄清，以更好地解决你的问题。如果有兴趣，我也可以分享我在玩具问题上使用的matlab代码。