(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210495943.0 (22)申请日 2022.05.09 (71)申请人 支付宝 （杭州） 信息技 术有限公司 地址 310023 浙江省杭州市西湖区西溪路 556号8层B段801-1 1 (72)发明人 宁跃　简道红　吴华　 (74)专利代理 机构 上海专利商标事务所有限公 司 31100 专利代理师 段登新 (51)Int.Cl. G06Q 10/04(2012.01) G06F 16/2455(2019.01) (54)发明名称 基于黑盒优化的业 务优化实现方法和系统 (57)摘要 本公开提供了一种基于黑盒优化的业务优 化实现方法， 包括： 接收业务场景的优化目标； 将 该优化目标抽象为黑盒优化问题并确定黑盒优 化问题的参数空间； 在该参数空间中进行全局搜 索以获取多个相对较优解； 将多个相对较优解分 别作为零阶优化的起始点 以寻找相应的局部更 优解； 将相应的局部更优解迭代收敛至全局最优 解； 以及将该全局最优解应用于业务场景以实现 业务优化。 权利要求书1页 说明书9页 附图6页 CN 114595902 A 2022.06.07 CN 114595902 A 1.一种基于黑盒优化的业 务优化实现方法， 包括： 接收业务场景的优化目标； 将所述优化目标抽象为 黑盒优化问题并确定所述 黑盒优化问题的参数空间； 在所述参数空间中进行全局搜索以获取多个相对较优解； 将所述多个相对较优解分别作为 零阶优化的起始点以寻找相应的局部更优解； 将所述相应的局部更优解迭代收敛至全局最优解； 以及 将所述全局最优解应用于所述 业务场景以实现业 务优化。 2.如权利要求1所述的方法， 在所述参数空间中进行全局搜索以获取多个相对较优解 通过协方差矩阵自适应优化策略实现。 3.如权利要求1所述的方法， 在所述参数空间中进行全局搜索以获取多个相对较优解 通过贝叶斯优化实现。 4.如权利要求1所述的方法， 在所述参数空间中进行全局搜索以获取多个相对较优解 通过随机 搜索实现。 5.如权利要求1所述的方法， 将所述相应的局部更优解迭代收敛至全局最优解包括： 将所述相应的局部更优解构成新的搜索空间； 在所述新的搜索空间中进行全局搜索以获取多个相对较优解； 将所述多个相对较优解分别作为 零阶优化的起始点以寻找局部更优解； 以及 迭代直至获得全局最优解。 6.如权利要求1所述的方法， 将所述相应的局部更优解迭代收敛至全局最优解通过协 方差矩阵自适应优化策略结合 零阶优化实现。 7.如权利要求1所述的方法， 将所述相应的局部更优解迭代收敛至全局最优解通过贝 叶斯优化结合 零阶优化实现。 8.如权利要求1所述的方法， 将所述相应的局部更优解迭代收敛至全局最优解通过两 阶零阶优化实现。 9.一种基于黑盒优化的业 务优化实现系统， 包括： 接收模块， 接收业 务场景的优化目标； 初始化模块， 将所述优化目标抽象为黑盒优化问题并确定所述黑盒优化问题的参数空 间； 搜索模块， 在所述 参数空间中进行全局搜索以获取多个相对较优解； 优化模块， 将所述多个相对较优解分别作为零阶优化的起始点以寻找相应的局部更优 解， 并且将所述相应的局部更优解迭代收敛至全局最优解； 以及 应用模块， 将所述全局最优解应用于所述 业务场景以实现业 务优化。 10.一种存储有指令的计算机可读存储介质， 当所述指令被执行时使得机器执行如权 利要求1‑8中任一项所述的方法。权　利　要　求　书 1/1 页 2 CN 114595902 A 2基于黑盒优化的业务优化实现方 法和系统 技术领域 [0001]本公开主 要涉及优化问题， 尤其涉及黑盒优化的应用。 背景技术 [0002]当今的生产生活中有很多问题都可以看作最优化 （Optimization） 问题， 比如路由 计算和资源调度、 机器学习中的参数训练等 等。 [0003]基于梯度的传统优化方法不适用于目标函数表达式未知、 难以获取梯度信息或者 梯度信息高度不可信的黑盒优化场景。 黑盒优化场景无法利用优化目标的本身特性求得其 全局最优解， 也无法直接利用参数的梯度信息， 由此往 往很难快速求 解到全局最优解。 [0004]因此， 面对应用黑盒优化的业务场景， 本领域需要采样效率高、 并且具备全局优化 能力的业 务优化方案 。 发明内容 [0005]为解决上述技术问题， 本公开提供了一种基于黑盒优化的业务优化方案， 其在面 对非凸、 多局部最优问题时， 既能通过快速搜索获得相对较优解， 又能迅速跳出局部较优而 达成全局优化， 从而提高采样效率、 实现全局优化。 [0006]在本公开一实施例中， 提供了一种基于黑盒优化的业务优化实现方法， 包括： 接收 业务场景 的优化目标； 将优化 目标抽象为黑盒优化问题并确定黑盒优化问题的参数空间； 在参数空间中进 行全局搜索以获取多个相对较优解； 将多个相对较优解分别作为零阶优化 的起始点以寻找相应的局部更优解； 将相 应的局部更优解迭代收敛至全局 最优解； 以及将 全局最优解应用于业 务场景以实现业 务优化。 [0007]在本公开另一实施例中， 在参数空间中进行全局搜索以获取多个相对较优解通过 协方差矩阵自适应优化策略实现。 [0008]在本公开又一实施例中， 在参数空间中进行全局搜索以获取多个相对较优解通过 贝叶斯优化实现。 [0009]在本公开另一实施例中， 在参数空间中进行全局搜索以获取多个相对较优解通过 随机搜索实现。 [0010]在本公开又一实施例中， 将相应的局部更优解迭代 收敛至全局最优解包括： 将相 应的局部更优解构成新的搜索空间； 在新的搜索空间中进 行全局搜索以获取多个相对较优 解； 将多个相对较优解分别作为零 阶优化的起始点以寻找局部更优解； 以及迭代直至获得 全局最优解。 [0011]在本公开另一实施例中， 将相应的局部更优解迭代收敛至全局最优解通过协方差 矩阵自适应优化策略结合 零阶优化实现。 [0012]在本公开又一实施例中， 将相应的局部更优解迭代收敛至全局最优解通过贝叶斯 优化结合 零阶优化实现。 [0013]在本公开另一实施例中， 将相应的局部更优解迭代收敛至全局最优解通过两阶零说　明　书 1/9 页 3 CN 114595902 A 3