https://mp.weixin.qq.com/s?__biz=MzUzNTczMDMxMg==&mid=2247597847&idx=7&sn=d71869f1290d0ef9dd7fd3f74dd7ca33&chksm=fa823ef0cdf5b7e655af5e773a3d3a1b200632a5981f99fe72f0cf5b49d98d0d81d693831333&token=1544438010&lang=zh_CN#rd前言
在水利、环境、生态、机械以及航天等领域中，数学模型已经成为一种常用的技术手段。同时，为了提高模型的性能，减小模型误用带来的风险；模型的优化技术也被广泛用于模型的使用过程。模型参数的快速优化技术不但涉及到优化本身而且涉及采样设计、不确定性估计等方方面面。
一： 最速上升法、岭分析以及响应曲面模型
1.最速上升路径
2.信赖域
3.响应面模型
4.二阶响应面
5.岭分析
二： Kriging插值与优化方法
1.普通Kriging插值与优化
2.一般Kriging插值与优化
3.协变量Kriging插值与优化
4.时间－空间Kriging插值与优化
5.Kriging方法与贝叶斯优化/高斯过程的关系
三： 启发式算法
1.粒子群算法
2.遗传算法
3.模拟退火算法
4.启发式算法总结
四： 采样方法
1.拉丁超立方采样
2.改进的LHS方法
3.最大－最小设计
五： 高斯过程回归
1.高斯过程的先验
2.高斯过程超参数分析
3.与其它方法（贝叶斯线性回归、隐随机场等）的比较
六：基于模型的高斯过程/贝叶斯优化设计
1.最大熵设计
2.预测不确定性的最小化
3.序贯设计
4.快速高斯过程更新
七： 最优化的快速化
1.代理模型下的最优化
2.期望改进
3.约束下的最优化
4.贝叶斯敏感性分析
八：高级高斯过程模型
1.紧支撑核方法
2.划分模型与回归树
3.高斯过程的局部逼近
九： 异方差性
1.随机克里金方法
2.均值与方差耦合的高斯过程
3.序贯设计
十： 综合案例
案例一：基于PSO算法的GR4J模型率定
案例二：基于PSO算法的SWAT模型率定
案例三：基于PSO算法的MOLDFLOW2005模型率定
案例四：基于贝叶斯优化的新安江模型快速率定
案例五：基于高斯过程代理模型的VIC模型率定