首先需要清楚的是：BO是黑盒优化，这个黑盒我们是不知道的，所以我们需要通过使用“代理模型”不断地逼近真实的黑盒所代表的函数，然后使用“采集函数”采集到更优点
得到训练好的“代理模型”后，就可以结合其他多目标优化算法来求得Pareto 解集了。这是因为BO面对的问题是黑盒优化，这个黑盒的计算成本很大。说白了，BO的“代理模型”就是学习一个输入和输出的关系，它可以替代神经网络预测分子活性的模型等等。
一个图了解整个BO的流程是什么样的：
整个BO流程：在贝叶斯优化的每次迭代中，我们使用代理模型来预测未知点的性能，并用采集函数来选择下一个评估点。然后，我们在实际的目标函数（黑盒模型）上评估这个点，更新代理模型，然后再次迭代。这个过程不断重复，直到满足某个停止条件，例如达到一定的迭代次数、时间限制或解的质量。随着