基于团队整体性能的最优9人组合预测及问题专业命名问询

一、问题专业命名 #

该问题属于黑盒组合优化（Black-Box Combinatorial Optimization）的子领域，更具体可称为角色约束型黑盒团队组合优化问题（Role-Constrained Black-Box Team Composition Optimization）。核心匹配特征：

• 解空间为离散组合空间：由9个固定角色的候选集笛卡尔积构成，总规模达15,240,960；
• 目标函数为黑盒特性：仅能通过采样获取团队整体性能，无法解析成员交互规则、角色权重等内部逻辑；
• 评估成本高昂：仅允许有限次（最多500次）采样，无法遍历解空间。

二、可行的最优组合预测方法 #

基于已有的400个采样样本，结合剩余100次采样额度，可采用以下针对性方法：

1. 统计关联驱动的候选筛选 #

• 单角色高频筛选：对每个角色的候选成员，统计其出现在Top-N高F(T)样本中的频率，优先保留高频候选，缩小每个角色的候选范围；
• 跨角色协同筛选：计算任意两个角色成员组合的共现概率（仅统计高绩效样本），筛选协同性强的成员对，进一步约束组合空间；
• 从缩小后的空间中生成新样本评估，提升采样效率。

2. 黑盒优化算法（适配组合空间） #

• 贝叶斯优化：采用高斯过程或随机森林作为代理模型，拟合已采样样本的F(T)与团队组合的映射关系，每次选择代理模型预测的最优候选点进行采样，逐步逼近真实最优解，适合小样本下的黑盒优化场景；
• 进化算法：以已有的高F(T)样本为初始种群，通过同角色成员交叉、单角色成员变异生成新团队，保留高绩效个体迭代进化，天然适配成员间存在交互的组合优化问题。

3. 聚类导向的候选生成 #

• 将已采样团队按F(T)值聚类，提取高绩效聚类中各角色的成员分布特征；
• 基于分布特征生成新组合（如优先选择高绩效聚类中占比Top-K的成员），进行针对性采样，聚焦潜在最优解区域。

4. 贪心局部搜索 #

• 从已采样的最优团队出发，对每个角色依次替换为该角色的其他候选成员，评估替换后的团队性能；
• 保留性能提升的替换操作，逐步迭代优化，快速探索当前最优解的邻域空间，在有限采样内挖掘局部最优解。

内容的提问来源于stack exchange，提问作者user3002498