Naukowcy opracowali algorytm DA-EGO, który łączy efektywną optymalizację globalną z dynamiczną strategią agregacji. Metoda została zaprojektowana dla problemów optymalizacyjnych o wysokiej wymiarowości (co najmniej 30 wymiarów), które są obliczeniowo kosztowne - takich jak aerodynamiczny projekt turbin wiatrowych czy innych turbomaszyn.
Rdzeniem pomysłu jest rozbicie złożonej wielowymiarowej przestrzeni na mniejsze podprzestrzenie, które są łatwiejsze do optymalizacji za pomocą modeli zastępczych. Najważniejszą cechą algorytmu jest to, że podprzestrzenie nie są stałe - w każdej iteracji są dynamicznie reorganizowane na podstawie analizy interakcji między zmiennymi, otrzymanej metodą perturbacji i analizy wariancji. Zakresy wyszukiwania w podprzestrzeniach również dostosowują się automatycznie, biorąc pod uwagę wyniki z poprzedniej iteracji.
Ewaluacja na 21 problemach benchmarkowych (siedmiu funkcjach testowych w wymiarowościach 30, 60 i 90) wykazała, że DA-EGO jest szczególnie efektywny dla problemów separowalnych i częściowo separowalnych przy ograniczonym budżecie 1500 ewaluacji funkcji. Algorytm wykazuje konkurencyjne lub lepsze rezultaty w stosunku do istniejących metod jak GSGA i IKAEA, zwłaszcza w zastosowaniach aerodynamicznych. Na niektórych funkcjach np. Rosenbrocka przesunięty algorytm wykazuje wyniki porównywalne ze stanu sztuki metodami.