存在哪些根据黑盒评估函数划分域的算法（可能受到一些假设的影响）？
为了更好地解释，我们将体重指数（BMI）视为我们的评估函数，计算为（质量和高度分别以千克和米给出）。我们假设域为.
对于给定的 BMI 阈值和目标是根据阈值划分域。也就是说，对于我想要以下三个分区：
以下示例阐明了可能适用于评估函数的假设。请注意，我制作了这个例子；我对森林火灾一无所知。
我们希望通过模拟分析森林大火到达城镇需要多长时间。作为我们考虑的相关参数
评估函数和假设： 评估函数测量模拟中森林火灾到达村庄的时间。模拟很复杂，它主要被视为一个黑匣子。然而，我们假设评估函数是稳健的，即小的输入变化只会导致小的输出变化。
目标：我们希望将参数空间分类为区域：
起初我认为这看起来像一个优化问题，但我在这个方向上找不到任何东西。
编辑 1：添加了第二个带有假设的示例，有助于分析域。
如果我正确理解您要查找的内容，您似乎想要计算恒定 BMI 的等高线并将其用作边界来分隔您的域？
一个非常简单的近似算法是行进正方形算法。
该算法的一般前提是将域离散化为矩形单元格，并评估要在该网格上找到轮廓的函数。然后对于每个单元格，确定函数的值是大于还是小于所需的轮廓。
一旦有了这个一般的真/假数组，就可以使用 4 个相邻单元格的查找表来大致确定轮廓在这 4 个单元格中心之间的外观。请注意，您可能需要做一些额外的工作来消除鞍点的歧义（有关更多详细信息，请参阅 Wikipedia 文章）。
这个过程已经被大量用于分析大多数绘图库都内置的科学数据，尽管据我所知，这些库中实际上并没有多少给你提供近似轮廓边界的路径。
这是一个使用 Matplotlib 生成等高线图的示例：
from numpy import *
from matplotlib.pyplot import *
mass,height = meshgrid(linspace(30, 200, 400), linspace(1, 2.5, 400))
bmi = mass / height**2
contourf(mass, height, bmi, [25, 30], extend='both')
colorbar()
xlabel('mass')
ylabel('height')
tight_layout()
这个算法当然有局限性，特别是如果您为网格选择的分辨率大于任何“岛”轮廓，则根本找不到这些轮廓。