这里可能不是提问的合适地方，但我找不到更好的地方来问。我有一个程序，例如有10个参数。每次运行它，可能会导致3种结果：0、0.5或1。我不知道这些参数如何影响最终结果。我需要一些东西来逐步改进我的程序，使其得到更多的1和更少的0。

回答：

首先，为了正确使用术语，这实际上是一个“搜索”问题，而不是“机器学习”问题（你试图找到一个非常好的解决方案，而不是试图识别输入与输出的关系）。你的问题听起来像是经典的“函数优化”搜索问题。

可以使用许多技术。选择正确的技术取决于几个不同的因素，但最大的问题是解空间的大小和形状。最大的问题是“输出对输入的微小变化有多敏感？”如果你保持所有输入不变，只改变一个输入的微小变化，你会得到输出的巨大变化还是小的变化？输入之间是否相互作用，尤其是以复杂的方式？

解空间越小且“平滑”（即对输入的微小变化越不敏感），你就越想追求直接的统计技术、引导搜索，或者如果你想要一些更有趣的东西，可以尝试模拟退火。

解空间越大且越复杂，就越会引导你使用更复杂的统计技术，或者我最喜欢的一类算法，即遗传算法，这些算法可以非常快速地搜索大型解空间。

为了大致说明如何将遗传算法应用到你的问题上，让我们假设输入之间是独立的（我知道这很少见）：

• 创建从一系列二进制数字到你的输入的映射 0011 1100 0100 ...etc...
• 使用此映射生成一个相当大小的随机种群
• 确定种群中每个个体的适应度（在你的情况下，“计算输出中的1的数量”）
• 通过抽奖选择两个“父母”：
  • 对于输出的每个半点，个体获得一张“抽奖券”（换句话说，一个有2个“1”和3个“0.5”的输出将获得7张“券”，而一个有1个“1”和2个“0.5”的输出将获得4张“券”）
  • 随机选择一张抽奖券。由于“更适应”的个体会有更多的“券”，这意味着“更适应”的个体更有可能成为“父母”
• 从父母的基因组中创建一个孩子：
  • 从左到右开始复制一个父母的基因组 0011 11...
  • 在每一步，以某个固定概率（例如20%的时间）切换到另一个父母
  • 生成的孩子将拥有一些一个父母的基因组和一些另一个父母的基因组。因为孩子是从“高适应度”个体中创建的，所以孩子可能具有比当前一代平均适应度更高的适应度（尽管它可能具有更低的适应度）
• 用这种方式生成的孩子替换种群中的一定百分比
• 从“确定适应度”步骤开始重复…在理想情况下，每一代的平均适应度都会高于上一代，你将找到一个非常好（甚至可能是理想的）解决方案。