对于计算成本高昂的黑箱子优化问题,高效全局优化(efficient global optimiza-tion,简称EGO)算法是一个广为流行的序贯试验设计方法.该算法通过每次迭代建立代理模型,最大化提高的期望(expected improvement,简称EI)准则来序贯更新试验点.在试验设计领域,序贯数论方法(sequential number-theoretic method for optimization,简称SNTO),或者称为序贯均匀设计,是一种基于区域压缩思想的全局最优值搜索策略.该算法通过在试验区域内散布一系列的低偏差数论网格或者均匀设计点集,来迭代寻找全局最优值.EGO算法存在一个普遍承认的缺点,即其每次迭代时只更新一个试验点,造成建模资源的浪费.因此学者们提出了一类被称为并行化EGO的算法,该类算法在每次迭代时同时更新多个试验点.然而,如何同时快速获得这些新增试验点成为了另一个棘手的问题.基于此,本文提出了一种不仅能够实现EGO的并行化,还能够减轻同时得到多个更新试验点的计算负担的算法.该算法通过利用随机化拟重要性采样的方法来快速寻找多个具有较大EI值的试验点,故称之为“加速的EGO”(Accelerated EGO)算法.对于SNTO算法,最明显的不足之处在于搜索过程中没有建立代理模型,试验点的信息没有被深度地挖掘;并且在子试验区域内已经存在的试验点被完全丢弃了.本文结合SNTO和代理模型的思想,提出了一个新的全局优化算法—EI准则帮助下的SNTO(EI-assisted SNTO)算法.在该算法中,最大化提高的期望准则被用来确定压缩区域的中心;并且基于建立的代理模型,提出了一种利用重要性抽样原理的增补设计来更新每次迭代的试验点,使得该算法能够适用于计算成本高昂的黑箱子优化问题.所提算法的优化性能被几个经典的不同维数的全局优化检验函数验证了.模拟结果表明加速的EGO算法确实能够实现原始EGO算法的并行化,并且和经典的并行化EGO算法—Constant Liar相比较,加速的EGO算法优化能力较好,尤其在高维试验空间.同时,模拟结果还表明EI准则帮助下的SNTO算法比原始SNTO算法减少了很多试验点,并且和其他基于EI准则的算法相比,其在低维空间中优化能力较好.另外,本文将这些全局优化算法应用到机器学习超参数优化领域,通过支持向量机(SVM)模型的调参,比较了各个优化算法在该领域的优化能力.同时,通过XGBoost算法展现了超参数优化的具体流程.结果表明,加速的EGO算法和EI准则帮助下的SNTO算法适用于超参数优化,并均能在该领域取得较好的表现.