黑盒全局优化问题被广泛地应用于工业制造、农业、人工智能等诸多领域.针对这一问题,国内外学者提出了多种优化搜索算法,其中基于代理模型和序贯设计的贝叶斯优化方法近年来受到广泛关注,成为了研究热门领域.期望提升（EI）函数是贝叶斯优化中被广泛使用的采集函数,文献中称基于EI准则和高斯过程（GP）替代模型的贝叶斯优化方法为高效全局优化（EGO）算法.EGO算法综合了高斯过程模型中的预测期望和方差,并在正态假设下给出了计算表达式,有效提高了优化效率和精度,但它也有一定局限性,如:当目标函数输入维度较高时,算法无法很好地平衡局部挖掘和全局探索,容易陷入局部最优;另外原始的EGO算法在后续的序贯试验中使用的是单点迭代,这在很多情况下特别是当黑盒试验昂贵时,无法更有效地使用当前的并行计算资源.针对这个缺点,多点并行的EGO算法被提出以提高算法的计算效率.另外针对EGO算法易陷入局部最优值的情形,广义期望提升（GEI）方法被提出,通过引入平衡参数,使得算法能够更大可能地跳出局部子区域,更好地平衡局部挖掘和全局探索.本文结合GEI准则和多点并行算法,提出并行化的GEI贝叶斯优化算法（AGEGO）.考虑到多点并行优化时需要对GEI函数进行多点采点,传统的直接优化GEI函数方法容易造成点集的聚集,失去空间填充性和代表性以及计算复杂度高的缺点,本文借鉴加速EGO算法的做法,引入重抽样算法,直接将GEI函数视为广义的概率函数,并在一个事先给定的空间填充设计上进行重要性采样重采样,这样获得的更新点集在具有较大GEI值的同时具有较好的空间填充性,且避开了复杂的GEI函数优化,具有三重优点.为探究各种黑盒优化算法的实际表现,本文对不同的优化方法进行了大量计算机模拟试验.发现在固定序贯试验迭代次数时,EI函数的表现均好于其他类型的采集函数,如概率提升（PI）,置信上界（UCB）等;其次,GEI在很多情形下能获得比EI更好的结果;同时还比较了并行GEI算法和单点GEI算法的效率,在达到相同的优化精度时,并行GEI算法的效率远高于单点GEI算法.最后,本文将并行GEI算法应用于机器学习分类算法支持向量机的超参数调优中,并在四种不同的数据集上,比较了单点EI、单点GEI和并行GEI算法.首先,固定迭代次数,四种数据集结果都是GEI准则的交叉验证准确率高于EI准则,说明GEI准则能更好地平衡局部挖掘和全局搜索;其次,在不增加迭代次数的条件下,并行GEI算法能获得更好的全局最优结果;再者,发现可以少量增加并行点数以提高算法的运行效率,但需要注意的是并行点数的增加和提高的效率并不是成比例的,因此最好的并行点数应该视实际问题和运算能力而定;最后,分别对单点EI、单点GEI和并行GEI算法选择不同迭代次数进行优化,绘制分类准确率变化折线图,直观验证了GEI函数比EI函数优化效果好,并行GEI算法确实显著提高了优化效率.