具有未知函数 f(x,y)=z 的系统，x 和 y 是输入，z 是产量或输出。
X：实数，取值范围为（1.01～2.99），步长0.01 Y：取整数，取值范围（1～100） Z：实数表示产量，越多越好。
改变 x 和 y 值会产生不同的 Z 值（X 和 Y 有一些未知的相关性），但我们总是得到相同的 Z 和相同的 X 和 Y。
任务：找到最佳的 X 和 Y 组合，以在输出 (Z) 处获得可能的最佳产量。例如：X = 2.23，Y = 87 可能给出最好的产量 Z=5.15。
除了蛮力，还有其他算法可以搜索最优 X 和 Y 吗？
编辑：
- 是否有一种算法可以学习（发现某种偏差）X 和 Y 之间的相关性？因此，基于第一次经验检查下一组数据将具有系统优势
- 模糊逻辑可以应用在这里吗？
除非您对函数有更多了解，否则不可能比检查每个值做得更好。
考虑这样的事情：（仅x作为一个参数 - 以 3D 绘图有点困难 - 但同样适用于 2 个参数）（假设更高的值z更好）
没有办法预测函数中是否会有一些跳跃，如上所述，或者它会发生在哪里。
或者可能会有更少的连续性：
如果您只是想要一个不错的值z，不一定是最佳值：
您可以只检查几个值（随机地，沿着一些增量，例如检查 1.1、1.2、1.3 等，或使用其他方法）并希望为z.
但是，由于上面显示的情况，无法保证 - 您最终可能会得到比最优值差得多的值。
如果没有关于函数的任何附加信息f，例如smooth function，只有蛮力可以找到解决方案。它将 100% 正确的解决方案。
任何其他不比随机选择 X 和 Y 更好的尝试，因为不会提供任何保证。
因此，如果您找到解决方案的时间比其有效性更重要，那么最佳解决方案将是 X 和 Y 的随机选择。
首先，只有 200*100 个可能的值，蛮力会得到一个快速 100% 准确的答案。我认为没有理由进一步优化它（除非这当然是在一个紧密的循环中完成的，或者以后可能需要更高的规模）
但是，如果您的问题可能规模更大，并且由于我们正在讨论“可能是最大”（而不是绝对最大）值，一种方法可能是在某些点对数据进行采样，并进行多项式插值以近似数据在这个范围。
假设它背后有一些理性（可能是也可能不是） - 你会得到一条与你的数据非常接近的曲线。
在它之后 - 使用通用方法（导数）找到局部最大值（并由此找到全局最大值）。
虽然这不是 100% 准确，但它会让您接近最大值，假设数据分离背后有合理性。