改进EGO算法提升黑箱函数全局优化：精度与优化效果对比

本文是一篇深入研究的学术论文，标题为"基于改进EGO算法的黑箱函数全局最优化"，主要关注的是优化算法在解决黑箱函数极值问题中的应用。EGO（Expected Improvement）算法，通常结合Kriging模型，被用于全球优化领域。然而，原始的EGO算法存在一个关键局限，即它在追求全局最优解的同时，可能忽视了对Kriging模型精度的控制，这可能导致预测精度下降，从而影响搜索效率。 论文作者王彦和尹素菊，来自北京工业大学应用数理学院，他们的研究针对这一问题提出了一个改进的EGO算法。他们通过引入新的迭代策略，旨在同时优化Kriging模型的精度和模型寻优过程。在实验部分，他们选择了五个标准的检验函数以及一个实际的存货模型，对比了改进前后EGO算法的表现。结果表明，经过改良的EGO算法显著提升了Kriging模型的预测准确性，即使在目标函数的估值次数较少的情况下，也能获得更全局性的最优解。 论文的关键知识点包括： 1. **改进EGO算法**：算法的创新在于考虑了模型精度和全局搜索的双重优化，旨在提高黑箱函数的全局最优化性能。 2. **Kriging模型**：作为核心建模工具，Kriging模型在此算法中用于构建响应面并预测未知区域的函数值。 3. **模型精度控制**：论文强调了控制Kriging模型精度的重要性，这是传统EGO算法中被忽视的一环。 4. **优化效果评估**：通过实证研究，作者验证了改进算法在优化目标函数时的优越性，尤其是在模型精度和搜索效率上的提升。 5. **应用实例**：论文使用了具体的问题实例，如检验函数和存货模型，来展示改进算法的实际应用价值。 总结来说，这篇论文对EGO算法进行了有益的改进，对于理解和优化黑箱函数的全局最优化问题提供了有价值的方法论贡献。其研究成果有助于提升计算机实验设计和全局优化技术在实际问题中的应用效果。