请写出，EPO算法的matlab代码

由于MATLAB提供了一些内置函数支持优化过程，我们可以使用其`fminsearch`或者`bayesopt`等工具箱来模拟EPO算法的某些特性。然而，直接写出完整的EPO算法代码会相当复杂，因为它涉及到一些高级数学操作，如构造正交基和优化策略。下面是一个简化版本的示例，展示了如何使用`bayesopt`库进行外层循环，而内部参数选择可以简单地使用随机搜索：

% 导入所需库
addpath('GlobalOptimization Toolbox'); % 假设已经安装了Bayesian Optimization

% 定义优化函数 (这里假设我们有一个名为'modelPerformance'的函数)
function [fitness, best_params] = modelPerformance(params)
    % 将params转换为你实际需要优化的超参数
    yourHyperParams = ...; % 根据你的模型定义
    
    % 训练并获取性能指标
    performance = ...; % 调用你的模型训练并返回性能分数
    fitness = -performance; % 为了最大化目标，通常取负值
    best_params = params;
end

% 初始化参数范围和Bayesian优化设置
lb = []; ub = []; % 超参数的上下限，需要根据实际情况填充
options = BayesianOptions('AcquisitionFunction', 'expected-improvement-plus');

% 使用EPO思想的简化版Bayesian优化
numTrials = 100; % 总试验数
bestFit = Inf;
for trial = 1:numTrials
    % 每次试一个新的正交参数
    proposedParams = ...; % 这里可以用rand或其他方式生成新的正交参数
    % 调用优化函数
    [fitness, best_params] = modelPerformance(proposedParams);
    
    % 更新最佳结果
    if fitness < bestFit
        bestFit = fitness;
        bestParams = proposedParams;
    end
    
    % 如果你想记录每个步骤的状态，可以添加这行
    % plot(trial, fitness, 'o');
end

% 最终的结果
bestParams % 输出找到的最佳超参数

请注意，以上代码仅做演示，真正的EPO实现可能会更复杂，特别是涉及到正交化步骤的部分。在实践中，你可能需要查阅相关的数学文献或使用专门设计的EPO优化库来完成这部分工作。