维度的诅咒在优化问题上构成了一个普遍存在的挑战,搜索空间的指数扩张迅速导致传统算法变得低效或不可行。 提出了自适应采样策略,以加速该领域的优化,作为统一准蒙特卡洛(QMC)方法的替代品。 这种方法,称为Hyperellipsoid Density Sampling(HDS),通过在整个搜索空间中定义多个Hyperellipsoid来生成其序列。 HDS使用三种类型的无监督学习算法来规避高维几何计算,产生一个智能的、非均匀的样本序列,利用参数空间的统计上有希望的区域,提高高维优化问题的最终解决方案质量。 该方法的一个关键特征是可选的高斯权重,可以将其提供给影响样本分布到已知感兴趣的位置。 这种能力使HDS在优化之外的应用具有多功能性,提供聚焦,更密集的样品分布,模型需要将精力集中在参数空间的特定,非统一区域。 该方法针对标准QMC方法Sobol进行了评估,该方法在29 CEC2017基准测试函数中使用差分演变(DE)。 结果显示,溶液几何均误差(p < 0.05)在统计学上显着改善,平均性能提升从30D的3%到10D的37%不等。 本文展示了HDS作为QMC采样的稳健替代品的功效,用于高维优化。