不同组合优化算法（线性规划加遗传算法或者二次约束二次规划等），在限制条件某些条件转变后，是否还能保持高效适配性

如题，假设a算法在A条件下是最低价格，会不会在B条件下，b算法得出最低价格。

【相关推荐】

• 这有个类似的问题, 你可以参考下: https://ask.csdn.net/questions/7799096
• 这篇博客你也可以参考下：个人总结：机器学习模型评估与调优 余弦相似度 余弦距离 欧氏距离 A/B测试 交叉验证 自助法 | 网格搜索 随机搜索 贝叶斯优化 过拟合欠拟合
• 除此之外, 这篇博客: 不同参数对分类模型性能影响记录中的 b）怎么对模型做正则化？ 部分也许能够解决你的问题, 你可以仔细阅读以下内容或跳转源博客中阅读:
  

          我们对前面的讨论进行推广。假如我们有非常多的特征，我们并不知道其中哪些特征我们要惩罚，我们将对所有的特征进行惩罚，并且让代价函数最优化的软件来选择这些惩罚的程度。于是，我们分析 线性回归模型 的代价函数和 Logistic回归模型 的代价函数如何修改。

  

   

   其中  称为正则化参数（Regularization Parameter），当参数越大，则对其惩罚（规范）的力度也就越大，越能起到规范的作用。但是要注意， 并不是越大越好的！如果选择的正则化参数  大，则会把所有的参数都最小化了，导致模型变成 ，造成欠拟合。因此，我们对  的选取需要合理即可。

如果你已经解决了该问题, 非常希望你能够分享一下解决方案, 写成博客, 将相关链接放在评论区, 以帮助更多的人 ^-^

额，看问题的复杂程度，如果是规模比较小的问题，一般智能优化算法都能得到最优解。
如果问题比较复杂的话，基本上所有的智能优化算法都无法求出最优解，只能尽量避免局部最优。像你说的这种情况有可能出现，但只是有一定的概率，也不是必然出现。