我正在寻找一个开始用ML解决优化问题的地方。
假设我有一大堆砖，我需要从这堆砖中挑选50块砖来制作一堵墙。我的砖都是不同的类型：我的一些砖比其他砖更强，有些更重，所以每次我选择一套砖时，我都需要做一个(相对缓慢的(结构计算，以确保墙不会倒塌。我的堆里有太多的砖块，为了尝试每一个蛮力排列，所以我想使用ML来帮助我找到可能有效的砖块排列，因为我有几百个以前的集合，我知道是可以的。
这堵墙还需要满足一些主观标准——如果我的青砖太多，它可能看起来很难看。我很清楚哪些标准是主观看待的(例如，我知道建筑师关心有多少青砖(，但我想用以前的数据训练ML模型，以了解给出这些标准的权重，因为我对青砖的数量没有任何硬性限制——我只是有一个数据集，显示建筑师不喜欢过去有很多青砖的墙。
这是ML可以帮助我解决的问题吗？我应该研究什么框架/模型来解决这类问题？我很难找到一个起点！
答案在一定程度上取决于你是否需要帮助来提出(生成(新颖的组合，或者你是否想了解影响成功/接受可能性的变量。
如果以后，您可以将其作为一项分类任务来处理。根据您的描述，您可能会想出一些功能来描述您测试/将要测试的砖组，例如：青砖的数量、砖的总重量、砖的平均重量、最下面一排砖的重量。
然后，您会有一个表，其中每一行都是一个砖的配置，每一列都是上面生成的特性。您的目标有一个附加列，该列将为true/false，具体取决于配置是否成功。
+---------+------------+-------------+---------------+----------------+
| n_green | weight_sum | weight_mean | weight_br_sum | target_success |
+---------+------------+-------------+---------------+----------------+
| 10 | 102 | 0.6 | 15 | true |
| 2 | 60 | 0.5 | 30 | false |
| 40 | 250 | 1.1 | 15 | true |
+---------+------------+-------------+---------------+----------------+
您可以使用线性模型(例如逻辑回归(，其中X是n_green:target_success列中的值数组，y是目标列。然后，你可以查看拟合模型的系数，以了解哪些特征对成功的影响最大(尽管你应该首先缩放你的特征(。
然后，您可以生成新的组合，并在拟合的模型中运行它们，以获得成功的概率。
如果砖块的排列/配置很重要，你可能想研究神经网络，特别是卷积神经网络(CNN(。您必须使用像ELI5或Shap这样的库来调查特性的重要性。
如果是前者，你应该调查GANs。