我正在解决一般的黑盒优化问题，例如： x *：f（x） - ＆gt; min，其中x是长度N的排列（例如，N = 50，因此不可能进行强力搜索）。目标函数f（x）由独立的计算机代码表示，x表示复杂系统的配置，其中响应由f（x）模拟。
我了解到，在这种情况下，我可以使用许多启发式方法。但是，大多数这些方法总是使用某种局部搜索，这在搜索空间需要合适的距离度量（在我的情况下，排列x的空间）。在合适的距离度量下，我指的是满足＆＃34; locality＆＃34;财产，例如排列的微小变化x产生目标函数f（x）的微小变化。在我的情况下，不知道具有此属性的任何合适的距离度量，因此任何类型的本地搜索几乎都是随机搜索。
我有几个问题：
是否有可用的启发式黑盒组合优化方法，它们在搜索空间中不使用本地搜索和/或任何距离度量？我需要克服低地点＆＃34;问题或仅仅是事实，搜索空间的任何合适的距离度量都是未知的。
＆＃34; locality＆＃34;一般来说，属性在组合优化中是如此受限制？可能是我错过了一些东西......但是现实世界的黑盒组合问题大多数都是低或非常低的地方＆＃34;由于这一事实，常见的排列距离指标（汉明，肯德尔等）一般不适合。
是否有任何一般方法如何在搜索空间中找到合适的距离度量以至少满足＆＃34;地点＆＃34;？
补充说明：
实际上，黑盒函数f（x）是通过独立的确定性模拟代码实现的，其中x扮演着模拟物理系统的离散配置的角色。因此，函数f（x）具有明确定义的属性，但这些属性非常困难，不可能简单地利用它。
由于上面提到的函数f（x）的复杂内部属性，不可能在搜索空间中找到适当的距离度量d（x，x＆＃39;）来满足＆＃34; locality＆＃34; （类似的x和x＆＃39;在任何距离度量的意义上产生类似的响应f（x）和f（x＆＃39;））
所以，最后，我正在寻找任何优化启发式算法，它们只能通过健身空间中f（x）的属性可获得的信息找到任何合适的次优解决方案。例如EDA＆＃（分布算法的估算）。
这个问题的主要原因是，什么类型的优化启发法适合解决这类问题。