下载掌阅APP，畅读海量书库
立即打开
在生产实践中，很多优化问题的目标函数和约束值的计算（或评价）需要耗费大量的时间、资源或金钱等成本。例如，沃尔沃汽车动力系统公司进行一次内燃机耗油量的仿真测试，需要花费近42小时的时间；在奇瑞汽车股份有限公司的小汽车主动碰撞测试中，通过有限元分析对汽车前车身的结构进行10个设计变量的仿真优化，每次仿真大约需要72小时的时间。这类优化问题的特点是评价解决方案的成本昂贵甚至难以承担，因此被称为昂贵优化问题（Expensive Optimization Problem，EOP）。昂贵优化问题不仅出现在工程仿真优化领域，还存在于很多其他应用领域，比如机器学习中的超参数优化、生物医学中的药物设计、金融中的投资组合优化等。
对于单目标、无约束的昂贵最小化问题，其一般定义如式（2-20）所示。
其中， x 是待优化的决策变量， X 是决策变量的可行域， f （ x ）是昂贵的目标函数，其计算过程可能涉及耗时的仿真测试或高成本的物理实验等。对于 x 的每一次评价，即 f （ x ）的计算，都需要耗费相当大的代价，因此昂贵优化问题的难点在于如何在有限的评价预算内找到最优（或近似最优）解。解决这一困难的关键在于设计高效的优化算法，以降低评价成本，提高搜索效率，从而能更有效地解决昂贵优化问题。