我们考虑使用昂贵的函数评估（也称为实验）的黑盒多目标优化（MOO）问题，其目标是通过最小化实验的总资源成本来近似真实的Pareto解集。例如，在硬件设计优化中，我们需要使用昂贵的计算模拟来找到权衡性能、能量和面积开销的设计。关键的挑战是选择实验序列，以使用最少的资源发现高质量的解决方案。在本文中，我们提出了一个基于输出空间熵（OSE）搜索原理的求解MOO问题的通用框架：选择关于真实Pareto前沿的单位资源成本信息最大化的实验。我们适当地实例化了OSE搜索的原理，以导出以下四种MOO问题设置的有效算法：1）最基本的单保真度设置实验既昂贵又准确；2） 搬运黑盒约束如果不进行实验就无法对其进行评估；3） 离散多保真度设置，其中实验可以在消耗的资源数量及其评估准确性上有所不同；和4）连续精度设置，其中连续函数近似导致了巨大的实验空间。在不同的合成和真实世界基准上进行的实验表明，在MOO解决方案的计算效率和准确性方面，我们基于OSE搜索的算法比最先进的方法有所改进。
