自适应离散化算法：带约束的局部最优实验设计新方法

1. 项目概述：当实验设计遇上硬约束

在工程优化、材料研发、药物筛选这些领域，我们经常面临一个经典难题：如何在有限的、昂贵的实验次数内，找到某个复杂系统的最优参数配置？这就是实验设计的核心任务。传统的实验设计方法，比如拉丁超立方抽样或者基于模型的最优设计（如D-最优设计），在处理简单、连续的参数空间时表现不错。但现实世界往往更“骨感”——你的实验参数不可能随心所欲地调整。比如，你想优化一个化学反应，温度不能超过某个安全阈值（边界约束），两种催化剂的添加量之和必须固定（等式约束），或者某个中间产物的浓度必须始终低于某个值（不等式约束）。这些就是“带约束”的现实。

“自适应离散化算法：带约束的局部最优实验设计新方法”这个标题，指向的正是解决这类带约束、高成本实验优化问题的一把新钥匙。它不是什么遥不可及的学术概念，而是我们这些一线工程师和研究员在实验室里、在仿真软件前，迫切需要的实用工具。简单来说，它解决的是这样一个场景：你有一个黑箱系统（比如一个复杂的仿真模型或一个真实的物理实验），输入一些参数，它会给你一个输出（比如产品性能）。你想找到让输出最好的那组输入参数，但输入参数的调整范围被各种物理、化学或经济规则严格限制着。而且，每做一次实验（或运行一次耗时仿真）成本都很高，所以你必须在有限的尝试次数内，尽可能接近最优解。

这个方法的核心创新在于“自适应离散化”和“局部最优”的结合。它不是蛮力搜索整个参数空间，也不是一次性做一个全局最优设计然后照单全收。相反，它像一个聪明的勘探者：先在整个允许的（带约束的）参数区域内，有策略地选取少数几个初始实验点，根据这些点的反馈（输出结果），动态地、有重点地对可能藏着“宝藏”的子区域进行更精细的“网格划分”（离散化），并在这些局部区域里寻找最优的实验点。这个过程是迭代的、自适应的，每一次新的实验设计都基于之前所有实验的结果，把钱（实验次数）花在刀刃上。

2. 核心思路与算法框架拆解

2.1 问题形式化：从需求到数学模型

要理解这个方法，我们首先得把现实问题“翻译”成数学语言。假设我们有d个需要优化的参数（决策变量），记作向量x = [x1, x2, ..., xd]。我们的目标是通过实验，找到一个x，使得某个我们关心的响应y = f(x)尽可能好（比如最大化强度、最小化成本）。这里的f(x)就是我们所说的“黑箱函数”——我们可能不知道它的具体表达式，但可以通过实验或仿真得到在某个x处的y值。

关键来了，这个x不是随便取的。它必须满足一系列约束条件，通常包括：

• 边界约束：lb_i <= x_i <= ub_i。这是最基本的，每个参数都有上下限。
• 线性/非线性不等式约束：g_j(x) <= 0。例如，压力P和温度T需要满足P + 2T <= 100。
• 线性/非线性等式约束：h_k(x) = 0。例如，两种原料的摩尔比必须为固定值x1 / x2 = 2。

所有这些约束共同定义了一个（可能形状非常不规则）的“可行域”Ω。我们的搜索空间不是整个d维立方体，而是这个可行域Ω。实验设计的目标，就是在Ω内选择一系列点{x1, x2, ..., xn}进行实验，使得基于这n个实验结果，我们能对函数f(x)在Ω上的行为有最好的了解，从而推断出最优解的位置。

2.2 自适应离散化：为何是“智能网格”

传统方法在面对复杂约束时，一个巨大挑战是如何在非矩形的可行域内高效生成候选点。穷举法不可行，随机撒点效率低下且可能大量落在不可行区域。“自适应离散化”是破局的关键。

它的思想可以类比为“逐级放大镜”搜索：

1. 初始粗网格：算法开始时，会在整个可行域Ω上，生成一个相对稀疏但均匀覆盖的离散点集。这个生成过程本身就需要技巧，例如使用在约束空间内采样的高级方法（如 Hit-and-Run， 或通过优化满足约束的随机采样）。这个点集构成了第一轮实验的候选池。这一步确保了探索的广度。
2. 代理模型与价值评估：我们用已完成的实验数据，拟合一个“代理模型”（Surrogate Model），比如高斯过程回归（Gaussian Process Regression， GPR）或径向基函数网络。这个模型的作用是根据已知点，预测未知点的函数值以及预测的不确定性。然后，我们定义一个“采集函数”（Acquisition Function），它结合了预测值（利用：去可能的最优点附近）和不确定性（探索：去我们最不了解的区域）。常见的采集函数有期望改进（EI）、置信上界（UCB）等。我们对初始粗网格上的每一个候选点计算其采集函数值。
3. 局部细化与聚焦：选择采集函数值最高的那个（或那几个）区域。算法不会在整个空间上均匀地增加更多点，而是在这些被认为最有潜力的局部区域，进行网格细化。具体来说，它会在该候选点周围的一个邻域内，生成更密集的离散点。这就好比用放大镜仔细查看最有希望的矿石区域。细化后的新点会加入候选池。
4. 迭代循环：在新的、包含细化点的候选池中，再次选择采集函数值最高的点进行下一次实验。获得新实验数据后，更新代理模型，重新计算采集函数，并可能触发新一轮的局部细化。如此循环，直到实验预算耗尽。

注意：这里的“离散化”是动态的、非均匀的。网格的密度根据搜索进程自适应变化，在可能的最优解区域越来越密，在其他区域则保持稀疏甚至不再关注。这极大地提高了搜索效率。

2.3 局部最优实验设计：平衡探索与利用

“局部最优”体现在两个层面：

1. 单次设计的局部最优：在每一次迭代中，当我们要选择下一个实验点时，我们是从当前自适应离散化产生的候选点集中，选择那个能使采集函数最大化的点。这个选择是基于当前所有已知信息做出的“局部最优”决策，它平衡了“利用”（在模型预测好的地方挖）和“探索”（到不确定性高的地方看）。
2. 搜索路径的局部聚焦：整个算法的搜索轨迹，会逐渐收敛到全局最优解所在的一个或几个局部区域。自适应细化机制确保了计算资源（候选点评估）和实验资源都集中投入到这些前景广阔的局部。

这种方法与传统的“全局最优设计”形成对比。全局最优设计（如D-最优）旨在一次性生成一组点，使得这组点对整个空间上的模型拟合“全局最优”。但它通常不考虑序列性和适应性，也无法高效处理复杂约束。而我们的自适应离散化方法，是序列的、闭环的、数据驱动的，每一次设计都是对前序结果的反馈，是面向“找到最优解”这个最终目标的局部最优策略。

3. 关键技术细节与实现要点

3.1 约束可行域内的初始采样

在复杂约束下生成均匀的初始点集并非易事。直接在整个参数空间随机生成再剔除不可行点，在可行域体积很小时效率极低。实践中常用以下方法：

• 拒绝采样：在宽松的边界内随机采样，然后检验是否满足所有约束，丢弃不满足的点。这适用于约束相对简单、可行域占比不太小的情况。是最简单直接的方法。
• Hit-and-Run 采样：这是一种马尔可夫链蒙特卡洛方法，特别适用于高维凸可行域。它从可行域内一个初始点出发，随机选择一个方向，然后沿着该方向在可行域内的线段上随机选取下一个点。通过多次迭代，可以获得在可行域内近似均匀分布的样本点。对于线性约束，这种方法非常有效。
• 通过优化采样：定义一个在可行域内均匀分布的目标（这本身很难），或者采用“最大最小距离”原则，通过求解一个优化问题来生成一组空间填充性好的点。例如，我们可以求解一个使任意两点间最小距离最大化的优化问题，同时满足约束条件。这能生成质量很高的初始点，但计算成本也更高。

实操心得：对于大多数工程问题，如果约束主要是线性的，我推荐从 Hit-and-Run 采样开始，生成数百到数千个候选点作为初始池，这通常足够且分布均匀。如果约束高度非线性导致可行域非常破碎，可能需要结合特定的领域知识来构造初始采样策略，或者考虑使用代理模型先对约束边界进行近似。

3.2 代理模型的选择与训练

代理模型是整个自适应过程的“大脑”。它的质量直接决定了采集函数判断的准确性。

• 高斯过程回归：这是贝叶斯优化框架下的首选。GPR 不仅能给出未知点的预测均值，还能给出预测方差（不确定性），这正好是构建采集函数（如EI， UCB）所必需的。其超参数（如核函数的长度尺度、方差）可以通过最大化边际似然来优化。对于连续参数空间和光滑响应表面，GPR 表现优异。
• 随机森林/梯度提升树：对于离散参数、非光滑函数或高维问题，基于树的集成方法可能更鲁棒。它们也能提供一定程度的不确定性估计（例如，通过计算森林中所有树的预测方差）。不过，其不确定性估计不如 GPR 那样有坚实的概率论基础。
• 神经网络：对于超高维或具有复杂结构的问题，深度学习模型是一个选项。但要获得可靠的不确定性估计，需要采用贝叶斯神经网络或集成学习等方法，实现复杂度较高。

训练要点：

1. 数据标准化：在训练代理模型前，务必对输入参数x和目标值y进行标准化（例如，缩放至均值为0，方差为1）。这能显著提高模型训练的稳定性和速度，尤其是对于 GPR。
2. 处理噪声：如果实验测量存在显著误差，需要在代理模型中考虑噪声项。例如在 GPR 中，可以设置一个白噪声核。
3. 在线更新：每获得一个新的实验数据点(x_new, y_new)，就更新代理模型。对于 GPR，更新意味着用所有历史数据重新计算后验分布。虽然计算量随数据量立方增长，但在实验次数有限（通常<100）的情况下是可接受的。也可以使用增量更新或稀疏近似方法应对更大数据量。

3.3 采集函数的设计与权衡

采集函数a(x)指导着下一个实验点的选择。在带约束的情况下，我们需要对其进行修改，以同时考虑目标函数的前景和约束的满足情况。

• 约束期望改进：这是最直接的扩展。期望改进EI(x)衡量的是在x点进行实验，相对于当前最佳观测值f*的期望提升量。在带约束下，我们只关心可行区域内的改进。因此，约束期望改进CEI(x)可以定义为：CEI(x) = EI(x) * P( feasible | x )其中P( feasible | x )是点x满足所有约束的概率估计。这个概率可以通过一个独立的、用于分类是否可行的代理模型（例如，用 GPR 对每个约束建模，并计算满足所有约束的联合概率）来获得。
• 置信上界与约束：类似地，对于上置信界UCB(x) = μ(x) + κ * σ(x)，我们可以将其修改为只考虑可行点，或者在优化时直接将约束作为惩罚项加入。
• 可行性优先策略：在优化初期，当可行区域还不明确时，可以优先选择那些不确定性高且可能可行的点进行探索，以快速勾勒出可行域的边界。这可以设计一个专门针对约束的采集函数。

注意事项：CEI中的概率项P( feasible | x )需要谨慎处理。如果约束模型本身不准，可能会导致算法过于保守（只敢在绝对安全的区域搜索）或过于冒险。一个实用的技巧是，在计算CEI时，对概率项设置一个阈值，例如只考虑P > 0.5的点，或者使用一个平滑函数而非硬阈值。

3.4 局部细化的具体策略

如何围绕一个高价值候选点x_candidate进行局部细化，是“自适应离散化”的精华所在。

1. 定义局部区域：通常以x_candidate为中心，定义一个超矩形区域。这个区域的大小可以动态调整，例如，与当前代理模型预测的该点附近的“平滑度”（通过核函数的长度尺度估计）成比例，或者随着迭代次数增加而缩小。
2. 细化网格生成：在这个局部区域内，采用比全局网格更精细的离散化步长。例如，如果全局初始网格在每个维度上分了10格，局部区域可以分20格或50格。生成网格点时，同样需要检查约束，只保留可行点。
3. 层次化网格管理：为了高效管理，可以维护一个层次化的网格数据结构。初始为0级网格。当某个0级网格单元内的点被选中进行细化时，就在该单元内生成1级子网格。这样可以避免对已经判定为无潜力的区域进行不必要的细化计算。
4. 与代理模型的交互：局部细化后产生的新候选点，需要经过代理模型的评估（计算其采集函数值）。这些新点往往会因为处于更精细的网格上，且靠近当前最优预测区域，而获得很高的采集函数值，从而被优先选中进行实验。

实操心得：局部细化的粒度（细化多少倍）是一个需要调节的超参数。太细会导致候选点爆炸式增长，增加不必要的计算开销；太粗则可能错过精细结构。一个经验法则是，让局部区域的网格分辨率大约是全局区域的2-5倍。同时，可以设置一个最大细化深度，防止无限细分。

4. 完整算法流程与代码实现示意

下面，我将结合 Python 代码片段，勾勒出该算法的核心实现框架。我们将使用scikit-learn进行简单的代理模型演示，并使用scipy进行优化。在实际复杂应用中，可能会用到专门的贝叶斯优化库如scikit-optimize,BayesianOptimization或BoTorch。

4.1 算法伪代码流程

输入: 目标函数 f(x)，约束函数集合 constraints，参数边界 bounds，总实验预算 N 输出: 最佳实验点 x_best 及其观测值 y_best 1. 初始化: - 在可行域 Ω 内，使用 Hit-and-Run 等方法生成初始候选点集 X_candidate。 - 从 X_candidate 中选取少量点（如通过空间填充设计）进行初始实验，得到观测数据 D = {(x_i, y_i)}。 - 初始化最佳点 (x_best, y_best)。 2. For 实验次数从 len(D) 到 N: a. 【模型训练】: 使用数据 D 训练目标函数 f 的代理模型 Surrogate_f。 可选：训练约束函数的代理模型 Surrogate_g_j 以估计可行性概率。 b. 【候选点评估】: 对当前候选点集 X_candidate 中的每个点 x: - 计算其采集函数值 a(x)，例如 CEI(x) = EI(x) * P_feasible(x)。 c. 【选择实验点】: 选择 a(x) 值最大的点作为下一个实验点 x_next。 x_next = argmax_{x in X_candidate} a(x) d. 【执行实验】: 观测 y_next = f(x_next)。 e. 【更新数据】: D = D ∪ {(x_next, y_next)}。 更新 (x_best, y_best) 如果 y_next 更优。 f. 【自适应离散化】: - 如果 x_next 来自一个需要细化的区域（例如，其所在网格单元已达到细化条件）： i. 定位 x_next 所在的局部区域 R。 ii. 在区域 R 内生成更精细的网格点集 X_refined。 iii. 检查 X_refined 中点的可行性，将可行点加入 X_candidate。 - 可选：从 X_candidate 中移除一些价值很低的点，以控制集合大小。 3. 返回 (x_best, y_best)。

4.2 Python 实现核心模块示例

这里我们用一个简化版演示，假设约束是简单的边界约束，并使用随机森林作为代理模型来回避 GPR 的复杂性。我们重点展示自适应离散化的循环结构。

import numpy as np from sklearn.ensemble import RandomForestRegressor from scipy.optimize import differential_evolution from scipy.spatial.distance import cdist def objective_function(x): """目标函数（黑箱），这里用一个示例函数代替真实实验。""" return -np.sum((x - 0.7)**2) # 最优解在0.7附近 def is_feasible(x, bounds): """检查边界约束。更复杂的约束可在此扩展。""" return np.all(x >= bounds[:, 0]) and np.all(x <= bounds[:, 1]) def generate_initial_candidates(bounds, n_candidates=1000): """在边界内生成初始候选点（简单拒绝采样）。""" dim = bounds.shape[0] candidates = [] while len(candidates) < n_candidates: x = np.random.rand(dim) * (bounds[:, 1] - bounds[:, 0]) + bounds[:, 0] if is_feasible(x, bounds): candidates.append(x) return np.array(candidates) def local_refinement(center, bounds, current_grid_resolution, refinement_factor=3): """在center周围进行局部网格细化。""" dim = center.shape[0] # 定义局部区域大小（例如，当前网格步长的refinement_factor倍范围） local_range = (bounds[:, 1] - bounds[:, 0]) / current_grid_resolution * refinement_factor lower_bound = np.maximum(bounds[:, 0], center - local_range / 2) upper_bound = np.minimum(bounds[:, 1], center + local_range / 2) # 生成更精细的网格 new_resolution = current_grid_resolution * refinement_factor axes = [np.linspace(lb, ub, int(new_resolution)) for lb, ub in zip(lower_bound, upper_bound)] mesh = np.meshgrid(*axes) refined_points = np.vstack([m.ravel() for m in mesh]).T # 过滤可行点 feasible_points = [] for point in refined_points: if is_feasible(point, bounds): feasible_points.append(point) return np.array(feasible_points) def acquisition_ei(y_pred, y_std, y_best): """计算期望改进（简化版，未考虑标准差为零的情况）。""" with np.errstate(divide='ignore', invalid='ignore'): z = (y_pred - y_best) / y_std ei = (y_pred - y_best) * norm.cdf(z) + y_std * norm.pdf(z) ei[y_std == 0.0] = 0.0 return ei def adaptive_discretization_optimization(bounds, total_experiments=50): dim = bounds.shape[0] # 1. 初始化 X_candidate = generate_initial_candidates(bounds, n_candidates=500) # 初始实验：从候选点中随机选几个，或者选空间填充的（这里简化，选前几个） n_initial = 5 X_observed = X_candidate[:n_initial] y_observed = np.array([objective_function(x) for x in X_observed]) X_pool = X_candidate[n_initial:].copy() # 剩余的候选点池 y_best = y_observed.max() x_best = X_observed[y_observed.argmax()] # 记录网格分辨率（简化处理，用一个全局值模拟） grid_resolution = 10 # 初始全局网格分辨率 for i in range(n_initial, total_experiments): # 2. 训练代理模型（使用随机森林，并利用其预测方差） model = RandomForestRegressor(n_estimators=100, random_state=42) model.fit(X_observed, y_observed) # 预测候选点 y_pred = model.predict(X_pool) # 随机森林的不确定性估计：用所有树的预测标准差 tree_preds = np.array([tree.predict(X_pool) for tree in model.estimators_]) y_std = tree_preds.std(axis=0) # 3. 计算采集函数（期望改进） ei = acquisition_ei(y_pred, y_std, y_best) # 4. 选择下一个点 next_idx = np.argmax(ei) x_next = X_pool[next_idx] y_next = objective_function(x_next) # 5. 更新数据 X_observed = np.vstack([X_observed, x_next.reshape(1, -1)]) y_observed = np.append(y_observed, y_next) if y_next > y_best: y_best = y_next x_best = x_next.copy() # 从候选池中移除已选点 X_pool = np.delete(X_pool, next_idx, axis=0) # 6. 自适应离散化：每隔几次实验，或在某些条件下，进行局部细化 if i % 10 == 0: # 例如，每10次实验细化一次 # 选择当前预测最好的点作为细化中心 y_pred_all = model.predict(X_pool) best_pred_idx = np.argmax(y_pred_all) refine_center = X_pool[best_pred_idx] # 生成局部细化点 new_points = local_refinement(refine_center, bounds, grid_resolution, refinement_factor=3) # 将新点加入候选池（避免重复） # 简单去重：计算新点与现有池中点的最小距离，如果大于阈值则加入 if len(X_pool) > 0 and len(new_points) > 0: min_dists = cdist(new_points, X_pool).min(axis=1) new_points = new_points[min_dists > 1e-5] # 阈值去重 if len(new_points) > 0: X_pool = np.vstack([X_pool, new_points]) print(f"Iteration {i}: Refined around {refine_center}. Added {len(new_points)} new points. Pool size: {len(X_pool)}") print(f"Iteration {i}: x={x_next}, y={y_next:.4f}, best_y={y_best:.4f}") return x_best, y_best, X_observed, y_observed # 运行示例 bounds = np.array([[0.0, 1.0], [0.0, 1.0]]) # 2维参数，范围[0,1] best_x, best_y, X_hist, y_hist = adaptive_discretization_optimization(bounds, total_experiments=30) print(f"\n最优解: x = {best_x}, y = {best_y}")

代码关键点解释：

1. generate_initial_candidates: 实现了简单的初始采样。在实际复杂约束下，应替换为更高效的采样器。
2. local_refinement: 展示了局部细化的核心逻辑：以某个点为中心，在一个缩小的范围内，生成更密集的网格点。refinement_factor控制细化程度。
3. 代理模型使用了RandomForestRegressor，并利用所有决策树预测的方差来近似不确定性。对于更精确的不确定性量化，高斯过程是更好的选择。
4. 采集函数使用了期望改进EI。在带复杂约束时，需要将其与可行性概率相乘得到CEI。
5. 自适应触发条件设置为每10次迭代进行一次细化 (if i % 10 == 0)。更智能的策略可以基于采集函数值的分布或模型不确定性的变化来触发。
6. 候选点池X_pool的管理包括了添加细化点 (np.vstack) 和移除已试点 (np.delete)。还加入了简单的基于距离的去重逻辑。

这个框架清晰地展示了“自适应离散化”与“序列实验设计”的融合。通过不断在潜力区域细化网格，算法逐渐将搜索焦点集中在最优解附近。

5. 实战常见问题与调优技巧

5.1 算法不收敛或收敛到局部最优

• 问题表现：实验点看起来在随机跳跃，或者很早就聚集在一个次优区域不再移动。
• 排查与解决：
  • 检查采集函数：如果使用了CEI，检查可行性概率P_feasible(x)的估计是否准确。如果约束模型过于悲观，算法可能被困在很小的可行区域内。可以尝试在初期给探索项 (σ(x)) 更高的权重（如增大 UCB 中的κ参数），或暂时放宽可行性判断的阈值。
  • 检查代理模型拟合：绘制代理模型的预测曲面与真实观测点。如果模型拟合很差（特别是对于非线性强的函数），预测就不可靠。尝试更换核函数（对于 GPR），增加模型复杂度，或确保数据进行了正确的标准化。
  • 初始点数量与质量：初始点太少或分布太差，可能导致代理模型对整个空间有错误认知。增加初始点数量，并确保使用空间填充性好的设计（如拉丁超立方）在可行域内采样。
  • 局部细化策略过于激进：如果细化得太快、太细，算法可能过早地陷入某个局部区域进行“挖矿”，而忽略了其他潜在区域。可以调低细化频率，或增加触发细化的阈值（例如，只有当某个区域的采集函数值显著高于其他区域时才细化）。

5.2 计算开销过大

• 问题表现：随着迭代进行，更新代理模型或评估候选点集的速度越来越慢。
• 排查与解决：
  • 候选点池爆炸：自适应细化会不断添加新点，导致X_candidate规模剧增。需要设置一个最大池大小，并定期剔除那些采集函数值长期很低的点。也可以使用聚类方法，在池中保留代表性点。
  • 代理模型复杂度：高斯过程回归的计算复杂度是O(n^3)，n 是观测数据量。当实验次数超过几百时，需要考虑稀疏高斯过程或使用随机森林等计算更快的模型。对于大规模候选池，可以不用对所有点精确计算采集函数，而是先进行一轮粗筛（例如，用代理模型快速预测并排序，只对排名靠前的部分进行精确计算）。
  • 并行化实验：如果实验设备允许同时进行多个实验，可以修改采集函数，一次选择多个点（例如，通过评估一批点的联合提升期望）。这能显著减少总轮数。

5.3 处理混合变量（连续、离散、类别）

现实问题中，参数可能是混合类型的。

• 连续变量：如前所述处理。
• 整数/离散变量：一种方法是在优化时将其视为连续变量，在最终推荐实验点或实际实验时取整。但更好的方法是在代理模型和搜索空间中明确处理离散性。例如，可以为离散维度使用特定的核函数（如 Hamming 核），或者在离散维度上不进行“细化”，而是将其作为类别处理。
• 类别变量：例如催化剂类型A/B/C。这类变量没有顺序关系。通常使用 one-hot 编码将其转化为多个二元变量，并使用特定的核函数（如分类核）。

调优技巧：对于混合问题，一个实用的策略是分层处理。先对类别变量进行筛选（如果类别不多），对每个类别下的连续/离散变量分别运行优化，或者使用能够处理混合变量的专用贝叶斯优化库。

5.4 可行性概率估计不准

这是带约束优化的核心难点。

• 独立约束模型：为每个约束g_j(x) <= 0单独建立一个分类或回归代理模型，预测g_j(x)的值或P(g_j(x) <= 0)。然后假设约束独立，将概率相乘得到联合可行性概率。这种方法简单，但忽略了约束间的相关性。
• 联合可行性模型：直接建立一个分类模型，预测一个点是否满足所有约束。这更符合实际，但需要足够的“负样本”（不可行点）来训练，而初始采样可能很少包含不可行点。可以主动在边界附近采样来获取这类数据。
• 保守策略：在优化早期，对可行性估计持保守态度，倾向于选择可行性概率高的点，即使其目标函数前景一般。随着数据积累，模型变准，再逐渐增加对目标函数的考量权重。

最后，没有任何一个算法是万能的。自适应离散化算法在中等维度（例如，小于20维）、实验成本高昂、约束复杂的黑箱优化问题上表现出色。但在超高频、超低成本的仿真场景，或者维度极高（>100）的问题上，其他方法可能更合适。我的经验是，在启动一个重要的实验优化项目前，先用一个已知解析解的标准测试函数（如带约束的 Branin 函数）跑通你的算法流程，验证其有效性并熟悉调参过程，这能为你后续的真实应用节省大量时间和资源。