这可以被认为是一个主动学习问题。您希望学习过程中的反馈影响您接下来训练的输入示例类型。在大多数情况下，主动学习仍然是一个难题。

正如@cohoz 指出的那样，在这种情况下，爬山是一种直观的选择，但前提是你总是想增加或减少你的挫败感。相反，如果目标是尽可能多地将挫折作为音乐参数特征空间的函数来探索，那么您将需要阅读有关主动学习和不确定性的内容。

一种基本方法是使用爬山算法来搜索局部最优值。

这将或多或少有效，具体取决于空间的复杂性（例如凸性：理论上这会找到局部最优值，但也更实际的问题是围绕空间的大小/维度以及指定相邻点和精度/挫折测量的精度）。

这也回答了一个稍微不同的问题：接受标准“这组参数是有效的”似乎与您定义的某个“挫折”阈值有关，而不是简单地“最小化与这些参数相关的挫折函数”的过程，尽管可以将后者视为进行迭代调整以搜索前者的方式。