KI / Machine Learning Parameter verschachtelte for Schleifen

[Fabse]

Hi zusammen,

ich habe ungefähr folgenden Code:

int ergebnis = 0;

for(a= 0; a < 1000; a++) {
    for(b = 0; b < 1000; b++) {
        for(c = 0; c < 1000; c++) {
            for(d = 0; d < 1000; d++) {
                ergebnis = meineBerechungsMethode(a,b,c,d);
            }
        }
    }
}

In "meineBerechnungsMethode" wird mit den Parametern etwas berechnet und es wird dann ein Ergebnis zurück geliefert. Ich habe jetzt also 1000x1000x1000x1000 verschiedene Kombinationen. Dauert also ein "bisschen".

Hier jetzt die Frage kann ich hier eine KI / Machine Learning Bibliothek einsetzen?
Ziel ist das das Ergebnis so groß wie möglich ist. Meine Erwartung an die KI wäre jetzt, dass sie lernt, dass bestimmte Parameter bzw. Kombination aus Parametern schlechte Ergebnisse liefert und sie somit angrenzende Parameter überspringt.
Beispiel:
a = 1 und a = 2 liefert mit ganz unterschiedlichen c und d Parametern immer ein Ergebnis < 3. a = 20 und a = 25 liefert mit ganz unterschiedlichen Parametern c und d Parametern immer ein Ergebnis > 50. Die KI erkennt jetzt, dass ein Schleifen Durchlauf mit a = 3 und a = 4 keine guten Ergebnisse liefern wird und lässt die Werte aus.

Hat jemand da eine Idee? Oder sogar eine Beispiel Implementierung?

Gruß Fabian

 

[KonradN]

Wieso postest Du das noch einmal? Zumal Du in dem anderen Thread schon eine erste Antwort bekommen hast?

Anderer Thread: https://www.java-forum.org/thema/ki-machine-learning-parameter-verschachtelte-for-schleifen.201117/

 

[no-cgpt]

Ja, das geht mit einer KI ... hier sind mal exemplarische Trainingsdaten:

a	b	c	d	Result
0	0	0	1	0, weitere Berechnung nicht sinnvoll
0	0	0	2	1, Berechnung sinnvoll
0	0	0	3	0, weitere Berechnung nicht sinnvoll
...	...	...	...	...
0	0	1	0	0, weitere Berechnung nicht sinnvoll
0	0	0	1	1, Berechnung sinnvoll
...	...	...	...	...
9	9	9	8	0, weitere Berechnung nicht sinnvoll
9	9	9	9	0, weitere Berechnung nicht sinnvoll

Stelle diese Tabelle auf, füttere/trainiere damit dein KNN ... anschließend kannst du (a,b,c,d) übergeben, und wenn das Ergebnis > 0.5 ist, dann den genauen Wert berechnen. 🙂

Ich würde mit einem Fully connected NN mit den Layern 4,4,4,4,4,4,4,4,1 beginnen, sprich da würden schon 33 Neuronen und 74 Verbindungen ausreichen ...