在现实生活中,一直有很多这样的优化问题:系统的输入与输出之间没有明确的数学表达式,并且得到输出耗时巨大或者需要花费昂贵的代价。求解这类问题只能利用其函数值信息进行优化,并且希望利用尽量少的函数值估值次数,因此它一直受到人们的广泛关注。本文针对这类昂贵“黑箱”优化问题,对径向基函数响应面模型结合粒子群优化算法进行研究。主要内容安排如下:第一章和第二章简明扼要地介绍本文的研究背景及意义,并且介绍了求解昂贵“黑箱”函数优化问题的几类方法。并且介绍了理解本文所需的基本算法知识,包括一个标准的粒子群优化算法,径向基响应面模型以及一种响应面模型辅助的粒子群优化算法,继而提出了本文的主要研究内容。第三章研究了求解“黑箱”优化问题的一种粒子群算法辅助的径向基函数响应面模型优化算法PSOCRS。该算法采用响应面模型的框架,但是每次产生两个新的估值点,一个是粒子群算法产生的最优值点,另一个是利用当前已估值点构造的响应面模型的最优值点。并且先利用对称拉丁超立方体设计(SLHD)产生空间中的一组候选点,如果产生新的估值点中与已有的估值点很近的话,就从候选点中随机选取一个作为新的估值点作为搜索中心,在该点的邻域进行局部搜索获得的点作为新的估值点。在测试函数上的数值结果表明了该算法的有效性。第四章研究了一种动态坐标扰动的粒子群算法辅助的径向基函数响应面算法DDS-PSOCRS。该算法是在PSOCRS的粒子群算法部分生成粒子速度时加入了动态坐标扰动机制。考虑到越到算法迭代后期算法求得的最优点与真实函数的最优点已经非常接近,因此随着估值点的增加,设置一个单调递减的概率函数让粒子的速度更新的概率随之减少。在数值实验中该算法与几种有效的响应面模型比较得到了比较满意的结果。第五章将算法DDS-PSOCRS应用到了深度学习模型的超参数配置问题中。深度学习模型的超参数配置问题是一个典型的昂贵“黑箱”函数优化问题,并且随着人工智能的发展该问题一直是人们关注的焦点。本章应用该算法在四个深度学习模型的超参数优化配置问题上,并与另一个有效算法进行了比较,结果表明了DDS-PSOCRS算法在超参数配置问题上的有效性。