1. 材料配方工程中的优化问题界定
在材料配方工程中，贝叶斯优化并不是一个“万能调参器”。它真正擅长解决的，是目标函数昂贵、约束复杂、变量维度中等、实验或仿真次数受限的优化问题。配方开发恰好具备这些特征：一次实验可能耗费数小时到数天，原料成本与工艺窗口相互牵制，性能指标往往非线性且存在交互效应。因此，在调用任何优化算法之前，必须先把“要优化什么、能改什么、不能碰什么、怎样算合格”界定清楚。这一节的核心任务，就是把工程语言翻译成优化问题语言。
一、从工程需求到优化三要素
一个可被贝叶斯优化处理的配方问题，至少需要明确三件事：决策变量（可以调整的配方与工艺参数）、目标函数（要最大化或最小化的性能或综合指标）、约束条件（成本、工艺窗口、可制造性、法规等）。三者缺一，优化就会退化为盲目试错。
以某环氧基复合材料配方为例。决策变量可设为：树脂A质量份、固化剂B质量份、增韧剂C质量份、固化温度、固化时间。目标函数可设为“拉伸强度最大化，同时断裂伸长率不低于某阈值”。约束条件包括：总成本不超过预算、固化温度不超过设备上限、混合黏度落在可涂布区间、固化时间不超过产线节拍。这里的关键在于：目标不是单一性能，而是带约束的多目标权衡。贝叶斯优化通常通过构造综合评分或采用多目标采集函数来处理，但前提是工程端先给出可量化的偏好。
界定原则：决策变量必须是连续或有序可调的；目标函数必须能通过实验或仿真给出数值；约束必须能写成不等式或区间形式。若某因素只能“换供应商”而不能连续调节，它更适合作为分类变量或分层条件，而不是直接放入连续优化空间。
二、性能指标、成本约束与工艺窗口的关系
配方工程中最常见的误区，是把“性能最好”直接等同于“最优配方”。实际上，性能、成本、工艺窗口和可制造性构成一个相互制约的系统。提高增韧剂含量可能提升断裂伸长率，但会降低模量并增加成本；提高固化温度可缩短时间，但可能超出设备能力或引发热应力。贝叶斯优化的价值，正是在这些冲突中寻找可行域内的帕累托前沿，而不是追求单点极值。
因此，在问题界定阶段，建议把指标分为三类：
- 硬约束：不可违反，如成本上限、设备温度上限、法规限值。违反即判定为不可行。
- 软约束：希望满足但可轻微放宽，如黏度略高于理想区间。可通过惩罚项或可行性概率处理。
- 优化目标：真正要提升的性能，如强度、模量、耐热性、附着力。
把这三类分开后，优化问题就从“模糊的配方改进”变成了“在可行域内最大化目标”的数学问题。贝叶斯优化随后用高斯过程或树模型代理真实实验，用采集函数决定下一个实验点，从而在少量实验内逼近最优。
三、决策变量的选择与编码
决策变量不是越多越好。变量过多会显著增加实验需求，也会让工程师难以解释结果。建议遵循“先机理、后数据”的原则：优先选择对目标有明确物理或化学影响的因子，如树脂/固化剂配比、填料含量、固化温度与时间。对于连续变量，直接使用真实物理量；对于分类变量，如供应商或固化剂类型，可采用独热编码或分层建模。
以环氧配方为例，一个可执行的变量空间可写为：
变量名 类型 范围/取值 单位
树脂A质量份 连续 80 ~ 120 份
固化剂B质量份 连续 20 ~ 40 份
增韧剂C质量份 连续 0 ~ 15 份
固化温度 连续 120 ~ 180 ℃
固化时间 连续 30 ~ 120 min
这里需要特别注意变量之间的物理约束。例如树脂A与固化剂B的质量份之和通常接近100份，若独立采样可能生成化学计量严重偏离的配方。此时应引入线性约束或采用比例参数化，如令B = 100 − A − C，从而把三维搜索降为二维，既减少实验量，又保证配方合理性。
四、目标函数的构造与量纲统一
当存在多个性能指标时，直接加权求和是最简单的方式，但权重需要工程判断。例如：
综合得分 = 0.5 × (拉伸强度/目标强度)
+ 0.3 × (断裂伸长率/目标伸长率)
− 0.2 × (成本/预算上限)
该示例中，强度和伸长率越大越好，成本越小越好，因此成本项取负号。所有项都除以参考值，实现无量纲化，避免量纲差异导致某一指标主导优化。若某些指标必须满足下限，则应作为约束而非目标，例如“断裂伸长率 ≥ 5%”应写成 g(x) = 5% − 伸长率 ≤ 0。
实用建议：在贝叶斯优化启动前，先用历史数据或少量实验估计各指标的波动范围。若某指标测量误差接近其优化增益，说明该指标不适合作为主要目标，应优先改善测试重复性，或将其降级为约束。
五、可制造性与工艺窗口的量化
可制造性常被忽略，却是配方能否落地的关键。它通常表现为工艺窗口：温度不能过高以免分解，时间不能过短以免固化不足，黏度必须适合涂布或灌注。这些条件应转化为明确的数值区间或不等式。例如：
- 固化温度 ≤ 180 ℃（设备上限）
- 固化时间 ≤ 90 min（产线节拍）
- 混合黏度 ∈ [500, 3000] mPa·s（可涂布区间）
- 原料总成本 ≤ 45 元/kg（预算约束）
若某些约束只能通过仿真或经验公式间接计算，应在优化前建立可调用的约束函数。贝叶斯优化支持“黑箱约束”，即每次推荐点后调用仿真或经验模型判断可行性，并将可行性概率纳入采集函数。这样可以在不牺牲性能的前提下，逐步逼近可行域边界。
六、界定成果：一份可执行的优化问题定义
完成上述分析后，应形成一份简洁的问题定义，作为后续建模与实验的输入。以下为示例模板，字段可根据实际项目增删：
| 项目 | 内容 |
|---|---|
| 优化目标 | 最大化综合得分（强度权重0.5，伸长率权重0.3，成本权重−0.2） |
| 决策变量 | 树脂A 80~120份；固化剂B 20~40份；增韧剂C 0~15份；温度120~180℃；时间30~120min |
| 硬约束 | 成本≤45元/kg；温度≤180℃；时间≤90min；黏度500~3000mPa·s |
| 软约束 | 伸长率≥5%（以惩罚项处理） |
| 实验预算 | 总实验次数≤40次，其中初始设计12次 |
| 停止条件 | 连续5次推荐点综合得分提升＜1%，或达到实验预算 |
这份定义的价值在于：它把“配方优化”从模糊的工程愿望，转化为可计算、可复现、可验证的优化任务。贝叶斯优化后续的每一步——初始采样、代理模型拟合、采集函数推荐、实验反馈——都围绕这份定义展开。若定义阶段遗漏了关键约束或选错了目标，再先进的算法也无法给出可落地的配方。
常见错误：把“所有指标都最大化”作为目标，却不说明冲突时如何取舍；或者把本应作为硬约束的成本、温度写成目标，导致优化结果不可制造。界定阶段多花一小时，往往能节省数十次无效实验。
综上，材料配方工程中的优化问题界定，本质是一次工程语言到数学语言的翻译：明确决策变量、构造目标函数、量化约束条件、统一量纲、设定停止条件。完成这一步，贝叶斯优化才真正具备用武之地。