我目前正在寻找一种算法，该算法将返回给定大小和范围的项目的最优组合（或至少一个最佳次优组合）（通常在50个项目中的10-15个项目之间，因此大约有几百万个可能性……）和一个评分函数，该函数将给出每个组合在过去的性能（函数优化需要在2MSEC和1秒之间运行，这取决于我选择的复杂性。
我的主要问题是，如果我必须测试所有可能的组合（我甚至不能将所有的组合可能性存储在一个列表列表中），就要处理迭代次数如果我不想耗尽内存，则必须使用生成器对每个评估执行此操作）。
不幸的是，对于某些函数，我不能使用基于迭代的所谓“遗传”算法（从2的最佳值，3的最佳值，…一篮子的N等等…在添加新项目时检查子篮子）。
这种算法速度很快，大多数时候都能得到很好的结果。
我已经尝试过模拟退火（scipy.basinhopping版本或自定义版本I编码），但是如果我在25-30之间超过15，每次迭代都会花费太多的时间，因为我无法在算法开始时存储所有的组合，而且每次评估都必须使用生成器此外，有时我并不真的满足于最佳的给定。
如果你有主意，建议或暗示，我会接受一切。如果你想看我的模拟退火函数，请尽管问我。
非常感谢你！
最佳答案
我知道你的问题没有一个最好的解决办法，但这里有一些建议：
分支和绑定（如果可以设计好绑定函数）
模拟退火（尝试不同的冷却速度和邻域大小）
蚁丘群（通常比SA效率低）
大都会（通常效率低于SA）
禁忌搜索（虽然没有太大的改进，但即使遇到困难也很好）
线性规划（如果问题可以用这些术语表述）
在一个真正困难的问题上结合多种技术也是很常见的。
还有一个python库实现了许多这些方法（以及许多其他方法），or-tools。不幸的是，它没有很好的记录
我认为模拟退火不需要一整套组合，因为它是一种局部搜索技术。在典型的场景中，生成一个新的状态（例如，向随机参数添加随机增量，或在问题空间的半径内选择一个随机点），然后使用概率公式决定是否接受此更改也就是说，它的优点之一就是占用的内存非常小