神经网络代理模型：从NumPy基础到深度集成学习的优化辅助教程

本项目是一个循序渐进的Python教程，系统讲解代理辅助优化技术，从NumPy基础实现到神经网络代理模型（MC Dropout与深度集成），并在COCO/BBOB基准测试集上验证模型性能，帮助学习者从零开始理解并构建用于优化辅助的神经网络代理模型。

代理辅助优化是计算资源受限场景下求解复杂优化问题的策略。目标函数评估成本极高时，直接用传统优化算法不可行。代理模型通过构建低成本近似模型替代原始昂贵函数，神经网络因非线性拟合能力成为理想选择，可快速预测目标函数值以降低优化开销。

教程分三阶段：1. NumPy基础实现：手动构建神经网络，理解前向/反向传播、梯度下降等；2. 神经网络代理构建：涵盖数据采样策略（拉丁超立方、自适应采样）、模型架构设计、不确定性量化；3. MC Dropout与深度集成：讲解推理时保持Dropout的MC Dropout（近似贝叶斯神经网络）、训练多个独立网络的深度集成，及其在优化中的应用。

项目在COCO平台的BBOB测试集验证性能，该测试集含24个覆盖多模态、可分离等特性的函数。测试意义：统一环境确保结果可比，全面检验模型适用范围，采用BBOB标准指标便于与文献对比。

亮点包括：理论与实践并重（概念后配代码和可视化）、渐进式复杂度（从基础到前沿技术）、覆盖MC Dropout和深度集成等前沿方法、标准化评估（COCO/BBOB验证确保严谨性）。

代理辅助优化可应用于超参数优化（加速ML模型调优）、工程设计优化（缩短航空航天等仿真周期）、实验设计（材料/化学领域减少实验次数）、强化学习（迁移到环境模型构建）等场景。

适合有Python基础、了解基本ML概念的学习者。前置知识：线性代数、微积分、概率论；熟悉NumPy操作；了解监督学习和神经网络基础。建议不跳过NumPy实现阶段，以加深对框架原理的理解。