我已经开始了一项崇高的努力，那就是让我所从事的公司的（某种）更高的发展至少考虑ML。我从事汽车行业工作，因此我们的大部分“问题”都与找到汽车重心与其前后轮之间的理想距离，理想重量等有关。
因此，可以将整个交易公式化为适合优化的适应度函数。
实际功能是这样的：我们得到了许多测试用例，比如说10-15，代表以100 kph转弯，以150 kph进行车道切换的测试用例，等等。我们有一个通用的测试函数，给定集合或参数（如上所述）返回错误百分比。例如：
get_error(test_case = lane_switch_100kph,
weight = 2000, // kg
front_axle_dist = 1.3, // meters
back_axle_dist = 1.4 // meters
)
此函数返回一个区间[0，100]中的一个浮点数，该区间指定了“错误”，即使用这些特定参数时汽车偏离理想路径的距离。该错误必须控制在10％以下。
我整理了一个遗传算法（如果重要的话，我使用DEAP库在python中完成了该算法），并使用Rastrigin函数进行了测试，一切都很棒。对于实际模拟的适应度函数，我使用了所有测试用例的平方误差平均值。
在纸面上，这看起来很简单。首先，我需要优化一个更通用的模拟，该模拟只有4个参数，因此需要一个4变量函数，对于遗传算法来说，这应该足够简单，在Rastrigin的100个维度上效果很好，因此应该将4维函数小菜一碟。
这个特殊的模型已经在几周前手工完成，所有测试用例的误差都可能低于10％。
问题是算法，尽管它确实提高了均方误差，但它的执行速度非常慢。对于11个测试用例，初始误差大约为10-30％，初始MSE大约为800，该算法似乎正处于收敛的最后阶段，缓慢地从800左右降低（每代降低1-3 MSE）达到约725-750并收敛于此。
我没有对算法进行任何优化，因为我认为在完成概念验证后我会这样做。
我当前的实施细节是：
我说过的4个维度，每个维度都有自己的上下边界。
变异是从四个维度中随机选择一个，并将其值随机化。
突变概率为0.3。
交叉点是模拟二进制有界的。
交叉概率为0.6。
我先进行交叉，然后对总体的随机样本进行突变。
人口规模约为50。
我正在使用锦标赛选择，比赛规模为人口的1/4。
每一代中的3/4都会被选中，其中1/4被新的个体替换。
我计划使用但尚未实现的优化。
精英主义。
使用基于聚类的方法的自适应突变参数，如下所述：https://matlab1.com/wp-content/uploads/2015/09/Clustering-Based-Adaptive-Crossover-and-Mutation-Probabilities-for-Genetic-Algorithms-matlab1.com_.pdf
我对算法的精确执行方式感到困惑……从一开始就多次陷入特定的局部最优状态，这是我什至没有想到的事情，也不知道如何实现修理。任何建议将不胜感激。预先感谢！