黑盒优化
Parent: ai_keywords
黑盒优化（Black-box Optimization）
核心定义
黑盒优化是指目标函数无显式解析形式、梯度不可获取或计算代价极高时，仅通过观测输入-输出数据来寻找最优解的优化方法论。其核心假设是“函数本身不可知”，需依赖采样策略在有限评估次数内逼近全局最优。在人工智能领域，黑盒优化广泛应用于超参数调优、神经网络架构搜索（NAS）、强化学习策略搜索及实验设计等场景。
关键技术点
-
贝叶斯优化
构建概率代理模型（如高斯过程）近似目标函数，通过采集函数（如期望改进 EI、置信上界 UCB）平衡探索与利用。适用于评估代价高（如一次深度学习训练需数小时）的连续/离散参数空间优化。 -
进化算法
模拟生物进化机制（遗传算法、CMA-ES），通过种群迭代、交叉变异与选择操作，无需梯度即可并行探索。尤其擅长处理多模态、非凸及离散优化问题（如神经网络结构搜索）。 -
随机搜索与多臂老虎机
随机搜索以低计算成本提供基线解；多臂老虎机框架将参数选择建模为在线决策，通过上置信界（UCB）或汤普森采样动态平衡探索-利用，适用于交互式调参场景（如云服务资源配置）。 -
响应面方法
通过局部多项式或径向基函数拟合代理模型，结合梯度信息（模拟梯度）加速收敛，适用于有限评估次数下非线性的工程优化。
医学/神经科学应用场景
脑深部电刺激（DBS）参数个性化优化
以首都医科大学附属北京天坛医院神经病学团队的研究为例：DBS治疗帕金森病或肌张力障碍时，需调整频率、脉宽、电压及触点组合（>10个连续/离散参数），而患者个体的神经响应具有高度非线性与不可重复性，无法建立精确生物物理模型。黑盒优化（尤其是贝叶斯优化）被用于该临床场景：
- 以运动症状评分（如UPDRS-III）或诱发电位作为目标函数；
- 每次评估仅需一次刺激参数调整（避免患者疲劳）；
- 高斯过程代理模型在5-10次迭代内即可收敛到个体最优参数组合，相比传统盲试法（需数十次）效率提升5倍以上。
该范式已扩展至脑卒中后经颅磁刺激（TMS）靶点参数优化及癫痫病灶脑电刺激闭环调控，成为神经调控精准医学的关键使能技术。
