针对传统神经架构搜索方法依赖人工设计或穷举导致的效率瓶颈，提出一种基于贝叶斯优化与高斯过程的架构搜索策略。通过构建超参数响应面模型，并利用期望改进等采集函数引导搜索过程，实现对CNN卷积层数、LSTM隐藏单元数、学习率等关键参数的高效协同优化。在CNN-LSTM混合模型上的实验表明，该方法在医疗诊断与语音识别任务中实现了良好的协同优化效果。采用多尺度CNN提取空间特征，结合注意力机制与LSTM的时

具体方案为：采用共享 - 私有网络结构 —— 共享特征层提取不同组合优化任务（如车辆调度、TSP）的共性特征（如节点连接关系、约束条件表示），私有任务层则针对各任务的特性（如车辆调度中的载重约束、TSP 中的路径长度目标）进行个性化参数学习；关键做法为：设计动态调整的适应性目标函数，根据训练阶段的特性分配目标权重 —— 训练初期，侧重 “探索广度”，提高对可行解区域的覆盖度，权重向 “约束满足度”