深度学习算法可优化结果

我对深度学习还很陌生，但是我认为我找到了开始使用它的正确环境。问题是我只使用了这种算法来预测结果。对于我的新项目，我需要信息来为机器提供信息以优化结果。有人可以简要说明我应该如何进行吗？我被卡住了。

情况如下：

我有一台机器，该机器可以在整个长度上取用不同等级的木材制成的木板，并且必须将其切成切割清单中提供的块。这台机器将始终选择可从给定木板获得的最高分数。的得分是由每个块的相乘而得到区域通过其乘数。我要构建的算法必须为切割清单中列出的每个块提供该机器一个乘法器。该机器的所有物理输出将由机器人存储在架子上，直到需要为止。如果切割机有助于提高木板的分数，则可以将其降级。

价值必须激励机器使我得到最需要的砖块，而又不降低木材的等级。

优化目标

• 确保每个区块在需要的时候都有库存，但是没有理由不要太早
• 尽可能减少木材的降级（某些树种非常昂贵）

输入点

• 需要此块之前的时间
• 该块的木材等级
• 此区块所需的金额
• 街区（也许？）

提供给算法的反馈

• 块准备就绪的时间（必须尽可能短）
• 木材降级面积*跳过等级数

预期的返回数据

• 一个乘法器，它将使该块相对于其他块具有最佳优先级

我没有收集到的信息

• 每种木材每种等级的平均比率

到目前为止，我已经弄清楚的是，可能需要将我的反馈仅粉碎为一个值才能使其成为输出节点。问题是我不明白如何使该算法确定乘数。我试图通过深度学习解决这个问题是错误的吗？

用于回归任务的深度学习模型很难训练，因此我建议不要从它们开始。相反，我将从下面的一种方法开始，然后尝试使用深度学习。

解决该问题的经典方法是分析优化软件，这可能会导致您使用确定性算法。

可能有不同的方法将您的优化软件当作黑匣子-给它提供各种各样的输入，记下您感兴趣的变量（执行时间，切割结果等），并尝试在其上拟合某种排序或回归。

一种选择是遵循Kourosh的想法，并将其表述为经典的优化问题。

如果您比我更喜欢使用机器学习工具，建议您从线性回归之类的简单模型入手，以验证数据中是否有任何信号可以使用。之后，您可以查看更强大的算法，例如xgboost，回归树等。