我正在寻找一种比在这样的问题中找到最佳系数（又称权重）的快于强力的算法：
将样本定义为一系列N个数字。在这种情况下，比如说N = 10。样本数M非常大，比如M = 1000000。这基本上是M行X N列的矩阵。所以这些样本的集合如下所示：
S_0_0 S_0_1 S_0_2 ... S_0_N
S_1_0 S_1_1 S_1_2 ... S_1_N
...
S_M_0 S_M_1 S_M_2 ... S_M_N
此外，还有一系列相应的N个权重。权重系列P的数量也很大，比如P = 2000000。这是P行X N列的另一个矩阵。它看起来类似于样本集：
W_0_0 W_0_1 S_0_2 ... W_0_N
W_1_0 W_1_1 S_1_2 ... W_1_N
...
W_P_0 W_P_1 S_P_2 ... W_P_N
我试图找到一系列权重（即权重集中的右行），它最大化后续总和（即行x）：
W_x_0 * S_0_0 + W_x_1 * S_0_1 + ... + W_x_N * S_0_N +
W_x_0 * S_1_0 + W_x_1 * S_1_1 + ... + W_x_N * S_1_N +
...
W_x_0 * S_M_0 + W_x_1 * S_M_1 + ... + W_x_N * S_M_N
两组数据（Ws和Ss）都是从文件加载的。 Ss是x86 CPU支持的整个范围内的双精度浮点数（从负到正）。我们可以假设的是整数。
这样做的蛮力方式非常简单：对于每个权重行，将其乘以样本集中的每个样本行，同时保持运行总和。跟踪每个重量行的总和，并在结束时选择最佳。
现在，我认为在权重集的构成中存在更智能/更快算法的空间。我们可以假设每行的权重集中只有一个数字变化。所以权重集可能看起来像这样（为简洁起见N = 5）：
1 1 1 1 1
1 1 1 1 2
1 1 1 2 2
1 1 2 2 2
1 2 2 2 2
2 2 2 2 2
2 2 2 2 1
2 2 2 1 1
2 2 1 1 1
等等。
换句话说，在蛮力方法中，显然会有很多冗余计算。如果数据集不是那么庞大，那么一个想法是创建每个样本权重产品的地图/缓存，并在计算之前检查它。但考虑到数据集的大小，我认为内存使用率会过高;我的直觉也说地图/缓存查找可能比做天真的乘法慢。
有人知道这里适合的算法或库吗？
编辑1：我在原帖中输了一个错字：重量设置错误地显示了从一行到下一行的两个变化。实际上，每行应该只有一个变化。此外，不要过多地阅读变化的“模式”：主要思想是每行只有一个变化，但这些变化实际存在的方式可以修改为适合特定算法。
编辑2：我认为示例权重集现在真正只显示每行一个更改。
至少，观察一下
W_x_0 * S_0_0 + W_x_1 * S_0_1 + ... + W_x_N * S_0_N +
W_x_0 * S_1_0 + W_x_1 * S_1_1 + ... + W_x_N * S_1_N +
...
W_x_0 * S_M_0 + W_x_1 * S_M_1 + ... + W_x_N * S_M_N
等于
W_x_0 * (S_0_0 + S_1_0 +...S_M_0) +
W_x_1 * (S_0_1 + S_1_1 +...S_M_1) +
...
W_x_N * (S_0_N + S_1_N +...S_M_N)
这意味着我们可以对S进行求和，然后对列表中的每个权重向量运行操作。
可能存在基于“最远点查询”（在多个维度上）的优化，我不是那么受过教育但会尝试调查。