我无法弄清楚以下问题：如果可以的话，我想马上给你举个例子
想象一下，你使用营销数据，你想出了一个很好的回归模型，预测某个活动的"覆盖面"。一切都很好，花花公子。数据科学家工作完成。
但是等等。我们可以做得更多。
我的问题是：
假设我们有一个好的模型，我们如何优化输入向量(=营销活动(以获得最佳的"覆盖面"(=预测因子/优化目标(？
我疯狂地谷歌搜索，但找不到任何好的方法(我不是在谈论任何催眠参数优化(。到目前为止，我发现的最好的方法是遗传算法......这里和这里
的例子 或者 - 一种蛮力方法 - 计算一个巨大的网格，其中包含大量可能的输入向量，然后检查哪个是最好的(直截了当( - 但这将是计算成本高昂的。
我很想听听你对此的看法。关于我应该查看哪些主题的任何建议？
很长的评论：
遗传算法可以嵌套。将您的基因溶液查找器放入健身功能。把它交给父母的遗传算法。通过从外部 GA "优化输入向量"和从内部 GA "优化目标"来让他们搜索结果。
您甚至可以添加第三层 GA，以测试中间层 GA 的构造参数，因为我们可能不知道我们需要什么样的搜索空间。如果我们知道这一点，那么我们就不需要优化该向量。
您甚至可以通过这种方式减少每个 GA 的问题维度。
vector:x,y,z
GA1: optimizes x and GA2 parameters
GA2: optimizes y and GA3 parameters
GA3: optimizes z
fitness(x,y,z)
all pass their best fitness to parent
我不确定它是否会比
GA: optimize x,y,z
fitness(x,y,z)
因为我不知道 GA3 的突变是否可以将整个优化器从局部最小值中拯救出来。还有其他版本：
GA1: optimize GA2
GA2: optimize x,y,z
fitness(x,y,z)
我不知道它的性能。也许 GA 也可以解决应该有多少嵌套 GA 的问题
GA0: optimize N, x0,x1,..xM-N
GA1: optimize XM-N+1
GA2: optimize XM-N+2
...
GAM: optimize XM
fitness(X0,X1,..XM)
但我想在所有级别上构造/破坏太多对象会降低性能(与内存带宽相关(和可读性(回调地狱(。