利用计算机程序对物理世界的客观事物进行实验建模时,其中的变量参数往往并不确定,而是通过某种形式不断改变。因此,实验者常常会将函数模型中的输入看作是随机变量,并通过计算机实验来获取关于函数输出结果的概率分布信息。然而,计算机实验的构建与运行必然产生一定的成本,当实验次数N由于外部环境要求而有所限制时,实验者应当更加理智地选取输入变量的取值。为了解决上述问题,Mc Kay等（1979）以及Iman和Conover（1980）提出了拉丁超立方设计（或拉丁超立方采样,简称LHD）。Stein（1988）指出,在计算机实验中,拉丁超立方设计通常是实用及高效的,其构造方法相对简单,并且能够较好地填充实验区域。对计算机实验一组输入的有效性进行评估,应当参考一定的评价标准。其中很重要的一点在于,实验输入应充满空间,即设计应当能够从完整的输入空间中提取所需信息。因此,输入点需要“均匀地”填充在整个实验区域。然而,初始的拉丁超立方设计可能产生较差的空间填充属性,这就要求实验者在运用拉丁超立方设计时必须对原始设计进行一定的优化以提高设计的空间填充水平。众多学者提出了大量的方法以实现对初始设计的优化效果,其中就包括Marrel（2008）运用的模拟退火算法。Marrel（2008）指出,在对模拟退火算法进行参数优化后,该算法能够充分探索输入空间并实现快速收敛。在部分计算机实验的实证研究中,目标函数可能会包含对称变量,这里的对称变量是指交换变量取值不会影响实验输出结果的变量。针对拉丁超立方设计的现有优化算法往往将设计的不同维度视为彼此独立,这也导致了现有的优化算法在目标函数包含对称变量的情况下找到的最优设计不再具有最佳的空间填充性。为此,本文讨论了计算机实验中目标函数包含对称变量时,应当如何对普通拉丁超立方设计进行优化从而有效增强设计的空间填充性质。具体表现为利用对称变量的属性对实验设计中的优化程序进行调整,允许输入点不同维度的取值进行交换,进而在不改变拉丁超立方设计的投影特性基础上通过不同空间填充准则寻找最优设计。本文主要目标在于构建一种适用于包含对称变量目标函数的拉丁超立方设计优化算法,在Marrel（2008）为构建最优拉丁超立方设计使用的模拟退火算法基础上进行改进,将改进后得到的优化程序命名为对称优化算法,并在给定目标函数具体形式条件下将算法优化前后的设计进行对比,主要研究工作包括四部分:第一,在多类空间填充标准下分别利用模拟退火算法与对称优化算法得到拉丁超立方的最优设计,在1000次独立实验中测算函数输出结果的均值,将其作为目标函数的积分估计值,并通过比较空间填充水平与积分估计值的期望与标准差来判断两种设计的稳定性;第二,基于得到的实验数据拟合高斯过程模型,通过计算预测模型在实验区域内的均方误差以评估实验输入对目标函数的预测效果,并比较算法优化前后该效果的差异;第三,讨论对称变量个数改变时,空间填充水平与积分估计值的均值、标准差以及高斯过程模型的均方误差变化情况,并基于此判断对称变量数量对最优设计稳定性与模型预测准确性的影响效应;第四,基于计算机实验中常用的钻孔模型,通过对比1000次实验中优化算法改进前后的切片拉丁超立方设计、普通拉丁超立方设计以及独立同分布设计的空间填充水平及积分估计的均值与标准差,讨论新的优化算法对于具有复杂结构的拉丁超立方设计的优化效果,以此判断新的优化算法的适用性。本文的创新点主要包括两个方面:（1）在目标函数包含对称变量条件下对传统拉丁超立方设计优化方法进行改进以获取空间填充水平更高的最优设计;（2）通过空间填充标准、目标函数积分估计、目标模型拟合精度等多类指标对新算法进行评估,增强了实验结果的可靠性。通过实验设计与实证分析,本文结论如下:（1）对称优化算法能够保留拉丁超立方设计投影特性并显著增强设计的稳定性;（2）对称优化算法在处理目标函数的函数形式预测问题时更具优势;（3）对称变量个数增多时,最优设计的空间填充水平及积分估计的稳定性与模型预测的准确性呈现上升趋势;（4）对称优化算法对切片拉丁超立方设计同样具有显著的优化效果。