情况如下:我想优化一个用蜡制造蜡制品的工艺。对于要制作的每种产品，都有不同的蜡成分，以及一组工艺参数(机器配置)。在此过程中，由于制造缺陷，一些物品被丢弃。
我的第一个想法是创建一个有监督的机器学习模型，将蜡成分和机器配置作为输入，并将浪费物体的数量作为输出(我有这样做的数据)。
我的问题是:在创建该模型后，我如何找到最佳的工艺参数(机器配置)，以最大限度地减少浪费对象的数量，对于给定的蜡成分(它可以是一个新的成分，以前从未见过)。
一个更好的公式的问题:
我有一个机器设置的特征向量s = [s1, s2，…，sn]，蜡成分的特征向量w = [w1, w2，…，wm]，对于s和w的不同组合，我有一个相关的成本j。
我有一个与不同向量s和w相关的训练示例数据库，成本为j。
有了这些数据，我想创建一个系统，在这个系统中，我输入一个向量w，系统将输出一个向量s，使得s使特定向量w的代价J最小。
很抱歉没有一个精确的表述。
对我来说，这听起来像是一个线性规划问题(例如simplex)，它精确地做到了:最小化(或最大化)具有定义参数的目标函数(在您的情况下机器配置)。