抱歉，如果这个问题不合适。我是机器学习的初学者，我已经使用了一种技术，我什至不知道去哪里找。问题是：

• 我有 5 个真正有价值的特征（确定性模拟中的参数）。
• 此功能决定了实例的两个方面（模型解决方案）。它的可行性（二进制）和给定某些实验数据的某种可能性度量（仅适用于实现可行性的实例）。

由于我想避免生成“不可行”的特征组合，我设计的是一种迭代执行以下操作的算法：

• 生成 Nc 个候选特征向量
• 评估每个项目的可行性和可能性
• 找到特征的线性组合，该组合涉及最少特征之间的折衷/拥有最大的可行性集群。将此作为约束添加到特征向量生成中。

简而言之，它检测并迭代地改进“简单”约束，这些约束一旦添加到特征向量生成“保证”其可行性，以节省计算时间，评估导致不可行模型的参数组合。之后，可以通过反转它们并寻找模型可行的特征向量的其他“区域”（如果有的话）来测试它们。

我可能会寻找任何技术名称和参考资料？

谢谢！