嘿，这个问题太戳中实际场景了——面对一个完全摸不透内部逻辑的黑箱，7个输入变量还没法穷举所有组合，要找能输出最大值的输入方案，对吧？咱得根据黑箱的实际情况来选合适的方法，给你列几个业界常用的靠谱路子：

• 启发式优化算法：这是黑箱优化的主力军，比如遗传算法、粒子群优化、模拟退火这些。它们完全不需要知道函数内部结构，就像一群聪明的“试错小分队”：从随机的初始输入组合出发，不断迭代调整，朝着输出更大的方向靠拢。比如遗传算法会模仿自然选择逻辑，保留表现好的输入组合，通过交叉、变异生成新的组合，慢慢逼近最优解。对你的7维输入来说，这类算法计算量可控，上手也快。
• 响应面方法（RSM）：如果你的黑箱调用成本很高（比如每次跑要花很久），这个方法就很合适。先通过拉丁超立方设计这类实验设计方法，选一批有代表性的输入点去测试，然后用这些测试结果拟合一个近似的函数模型（比如多项式模型），接着在这个模型上找到理论最大值，再回到黑箱里验证这个点，反复迭代优化模型的精度。它能帮你尽量减少黑箱的调用次数，效率很高。
• 贝叶斯优化：这是更“聪明”的进阶玩法，它会维护一个代理模型（比如高斯过程），每次选择下一个测试点时，会平衡“探索”（去没试过的区域找潜力点）和“利用”（在已知表现好的区域深挖）。这种方法特别适合高维度、黑箱调用成本高的场景，7维输入用它往往能在更少的测试次数里找到接近全局最优的解。
• 多起点局部优化：如果你能假设黑箱函数是光滑的（哪怕不确定也可以试试），可以先随机选一批初始输入点，对每个点做局部优化（比如用有限差分估计梯度的准牛顿法），最后从所有找到的局部最大值里挑最大的那个。不过要注意，这种方法没法保证找到绝对的全局最优，多设几个初始点能降低错过最优解的概率。

最后得提一句：绝对最大值其实很难100%确定找到，因为黑箱可能藏着很多局部最优峰，或者函数本身异常复杂。但上面这些方法都能帮你找到足够接近全局最优的解，在实际工程场景里完全够用。另外你可以根据黑箱的调用速度调整策略：如果调用很快，遗传算法、粒子群可以多跑几轮；如果调用很慢，贝叶斯优化或响应面方法会更划算。

备注：内容来源于stack exchange，提问作者ARJ