什么是加点？

所谓加点，就是给数据集增添数据点对模型进行训练。添加数据点，意思就是获得这个想要的数据点的真实响应，可以是实验的结果，也可以精细仿真的结果。但不管怎样，每增加一个数据点，都会是一笔昂贵的开销。

因此，我们应该认真考虑选择哪个新的设计参数点作为加入点，即加点准则，我们有如下考虑：
第一，尽可能少的加入点，这意味着优化尽可能少的循环次数；
第二，加入点对模型的增益最大化，这意味着我们必须充分考虑模型本身的特性，针对模型，有针对性的设计怎么加点和怎么利用加点后的数据集对模型加强训练。

四大加点准则

Minimizing the prediction criterion:

最小化预测准则，即将每轮用遗传算法得到的代理模型预测的最小点（最优点）作为加入点；（即直接用代理模型的输出作为适应度）

Expected improvement criterion：

改善的期望准则（直译是期望的改善准则，不过我认为改善的期望准则这个翻译更为合适），最大化当前数据最小响应点与我们新寻找的设计参数点的差值（最大化“改善”）。对于每个设计点，通过一些数学操作，我们可以求出这个改善的期望。
具体来说，用改善的期望作为遗传算法的适应度。遗传算法得到的最优点就是所加点。

Probability of improvement criterion

改善的概率准则。最大化我们新寻找的设计参数点的响应小于当前数据最小点的概率。通常，新设计参数点的响应和当前数据最优点的响应的差值（即改善量）是人为给定的。新设计参数点的响应见下面截图（侵删）：
同理，我们用概率作为遗传算法的适应度。遗传算法得到的最优点就是所加点。

Pseudo expected improvement criterion