本研究提出了一种新型终身学习范式LiBOG，旨在解决现有Meta黑箱优化方法在动态问题分布下无法持续学习的挑战。LiBOG通过不断学习新问题，提高黑箱优化器的生成能力，避免灾难性遗忘，确保在学习新任务时的灵活性。

本文提出了一种生成式端到端求解器，针对黑箱组合优化问题，旨在提高样本效率和解的质量。该方法基于退火算法，训练神经网络以建模玻尔兹曼分布，并在有限和无限查询预算下验证其在组合任务中的表现。

本研究提出了BLADE框架，旨在解决LLM驱动的自动算法发现领域缺乏标准化基准评估的问题。BLADE通过模块化和可扩展的方式，对算法进行严格的黑箱优化测试，为未来优化算法的发展提供了重要工具。

本研究提出了一种基于强化学习的差分进化算法自动设计框架，旨在提升黑箱优化中的算法性能。通过元学习，该框架能够为特定问题定制最优配置，实验结果表明其在基准测试中具有竞争力。

本研究推出了开源Python库VOPy，旨在解决黑箱向量优化问题，支持多目标优化和凸锥诱导的偏序，推动相关研究与应用。

本研究提出了一种新黑箱优化算法SABO，通过重新参数化目标函数和更新参数化分布，提升模型泛化性能。理论分析证明了其收敛速率和泛化界限，实验结果验证了其有效性。

本研究提出了一种“代理增强采样”方法，解决离线黑箱优化中的样本不足问题，并结合“基于扩散的代理精细化”提高优化鲁棒性。实验表明，该方法在多个设计任务中表现出色，显示了其在条件生成中的潜力。