BayesianOptimization：基于高斯过程的全局优化工具

一个纯 Python 实现的贝叶斯全局优化库，用高斯过程拟合目标函数，在尽量少的迭代次数内寻找未知函数的最大值，适合高成本函数优化。

这个工具是什么

BayesianOptimization 是一个基于贝叶斯推断与高斯过程的约束全局优化包，官方描述为「A Python implementation of global optimization with gaussian processes」。它通过构造描述目标函数的高斯过程后验分布，随着观测点增加不断更新后验，从而判断参数空间中哪些区域值得探索。每一步都会对已知样本拟合高斯过程，并结合 UCB、EI 等探索策略确定下一个采样点，在探索与利用之间取得平衡。该方法把原问题转化为求采集函数最大值的代理优化问题，因此适用于采样代价高昂的场景。项目采用 MIT 许可证，主要语言为 Python，仓库星标约 8711，仍在活跃开发中。

核心能力

• 纯 Python 实现，基于贝叶斯推断与高斯过程进行全局优化
• 面向高成本函数，力求以尽量少的迭代次数找到最大值
• 通过采集函数（如 UCB、EI）平衡探索与利用
• 支持带约束的优化问题，并提供文档与示例

科研中的典型用法

• 调参场景：目标函数一次评估代价高时，用它减少评估次数寻找较优参数组合
• 黑箱函数优化：只需提供接受参数并返回实数的函数 f 及参数边界即可开始
• 实验设计：在参数空间中逐步采样，借助后验分布判断下一步值得探索的区域

快速上手

可通过 pip 安装：pip install bayesian-optimization，也可用 conda：conda install -c conda-forge bayesian-optimization。入门时先定义一个接受已知参数、返回实数的目标函数 f，再实例化 BayesianOptimization 对象，指定 f 及各参数的边界，然后按文档说明迭代调用即可。详细用法见官方文档站点。

生态与相近工具

README 未列举同类工具，也未与其他库作比较。该包定位为纯 Python 的贝叶斯全局优化实现，适合需要高斯过程优化且希望依赖较轻的场景；若需求超出其范围，可参考文档中给出的参考文献了解该方法本身，再自行评估是否选用其他方案。

项目信息

• 仓库：bayesian-optimization/BayesianOptimization
• 星标：8,711　·　派生：1,604
• 主要语言：Python
• 许可证：MIT
• 最近提交：2026-08-21
• 项目主页：https://bayesian-optimization.github.io/BayesianOptimization/index.html

本文属于《学科研究工具知识库 · 数学》第 2 篇（按 GitHub 星标排序）。收录标准：该学科公开可获取的开源研究工具，星标与活跃度为主要参考，不代表对其性能或适用性的背书；选型前请结合自身场景评估。