3. 贝叶斯优化核心思想在配方场景中的映射
配方研发的典型困境是：可调变量多、单次实验成本高、性能响应面复杂且带噪声。假设我们在做一款环氧胶粘剂，可调变量包括树脂A/B质量比、固化剂用量、增韧剂用量、填料含量和固化温度，目标是在保证剪切强度≥18 MPa的前提下，把断裂伸长率提到8%以上，同时把凝胶时间控制在25～40 min。若用全因子或正交试验，5个变量各取4水平就是1024组，显然不现实。贝叶斯优化要解决的不是“把实验做完”，而是“用尽量少的实验，把搜索方向逐步收敛到高价值配方区域”。
代理模型：用概率模型替代昂贵的“配方—性能”真值查询
在配方场景中，真实目标函数是“给定一组配方参数，做样条、固化、测试后得到的性能”。它昂贵、有噪声、不可解析。代理模型（surrogate model）就是用一个可快速计算的概率模型去近似它。最常用的是高斯过程回归（GPR）：把每个配方点 x 看作输入，把测得的性能 y 看作输出，模型不仅给出预测均值 μ(x)，还给出预测标准差 σ(x)。μ(x) 表示“这个配方大概能到多少”，σ(x) 表示“我们对这个预测有多不确定”。
这一点对配方工程师非常关键：代理模型输出的不是一个点估计，而是一个带不确定性的分布。例如，模型对“树脂比1.0、固化剂6 phr、增韧剂12 phr、填料20 phr、温度120 ℃”这组配方预测伸长率为7.2%，标准差1.6%；而对另一组“树脂比1.1、固化剂5 phr、增韧剂15 phr、填料15 phr、温度130 ℃”预测伸长率8.1%，标准差0.5%。前者虽然均值略低，但不确定性大，可能藏着更好的结果；后者均值高且置信度高，是当前较稳的选择。贝叶斯优化正是利用这种“均值+不确定性”的结构来决定下一步试哪个配方。
代理模型的初始训练集通常来自已有实验记录、历史配方库或少量拉丁超立方采样。工程上不必一开始就追求高精度，因为它的作用是“排序候选配方”，而不是替代最终测试。随着实验点增加，模型在已探索区域方差下降，在未探索区域方差保持较高，形成一张动态更新的“配方性能地形图”。
采集函数：把“下一步试什么”变成可计算的打分
有了代理模型，下一步不是直接选 μ(x) 最大的点，因为那会反复利用已知好区域，错过更优区域。采集函数（acquisition function）负责把 μ(x) 和 σ(x) 组合成一个可比较的分数，对每个候选配方打分。常见形式包括：
- PI（改进概率）：计算该配方超过当前最优值的概率，偏向“有希望超过现有最好”的点。
- EI（期望改进）：同时考虑改进幅度和改进概率，比PI更均衡，是配方优化中最常用的默认选择。
- UCB（置信上界）：μ(x)+κσ(x)，κ越大越偏向高不确定区域，适合早期探索。
以EI为例，若当前最优伸长率为7.8%，某候选配方预测均值8.0%、标准差1.0%，另一候选预测均值7.9%、标准差0.2%。前者虽然均值只高0.1%，但不确定性大，EI可能明显更高，因为“有可能冲到9%以上”；后者虽然稳，但提升空间有限。采集函数本质上是在问：哪个配方最值得花一次实验成本去试？
探索与利用权衡：对应配方试错中的“守成”与“冒险”
探索（exploration）指去尝试模型不确定的区域，可能发现全新配方体系；利用（exploitation）指在模型预测性能高的区域精细搜索，尽快提升指标。两者在配方研发中对应两种典型行为：
- 利用：围绕当前最优配方微调，例如把增韧剂从12 phr调到13 phr、固化温度从120 ℃调到125 ℃，期望稳定提升。
- 探索：尝试一个模型方差很大的区域，例如把填料含量从20 phr跳到35 phr，或换一种固化剂类型，可能打开新的性能窗口。
如果只利用，容易陷入局部最优：比如在“增韧剂12 phr、填料20 phr”附近反复微调，伸长率始终卡在8%左右；如果只探索，实验成本会迅速失控，且大量点落在低性能区。贝叶斯优化的价值就在于用采集函数自动调节两者比例：早期σ大，EI/UCB偏向探索；后期σ下降，采集函数自然偏向利用。工程上也可以通过κ或EI参数控制“冒险程度”，例如早期κ=2.0，后期降到0.5。
把闭环落到配方试错：一轮实际迭代长什么样
假设已有12组历史实验数据，初始最优伸长率为7.6%。第一轮用GPR拟合后，EI最大点落在“树脂比1.05、固化剂5.5 phr、增韧剂14 phr、填料18 phr、温度125 ℃”，预测μ=8.0%、σ=1.1%。实验测得伸长率8.4%，剪切强度19.2 MPa，凝胶时间31 min，全面达标。把该点加入训练集后，模型在该区域σ从1.1%降到0.4%，EI最大值转移到“增韧剂16 phr、填料12 phr”附近，预测μ=8.2%、σ=0.9%。第二轮实验测得8.7%，继续提升。到第三、四轮，EI最大点的σ普遍降到0.3%以下，预测均值提升幅度小于0.2%，此时可以判断已接近当前变量空间内的较优区域，转入验证与放大。
这里有一个容易忽略的工程细节：配方优化往往不是单目标。伸长率、剪切强度、凝胶时间、成本、VOC都可能需要同时考虑。此时可以把多个目标加权成一个综合得分，或采用多目标EI（如EHVI），让采集函数输出帕累托前沿上的候选点。例如把“伸长率≥8%、剪切强度≥18 MPa、凝胶时间25～40 min”设为约束，用约束EI只在可行域内搜索，避免选出性能好但工艺不可行的配方。
关键映射关系速查
| 贝叶斯优化概念 | 配方场景对应 | 工程判断依据 |
|---|---|---|
| 目标函数 f(x) | 配方参数 → 性能指标（伸长率、强度等） | 单次测试成本高、带噪声 |
| 代理模型 μ(x), σ(x) | GPR 对配方性能的预测均值与不确定度 | σ大表示该区域实验少、值得探索 |
| 采集函数 EI / UCB | 给候选配方打分，决定下一轮试什么 | EI均衡，UCB通过κ调探索强度 |
| 探索 | 尝试高σ区域，如新填料含量、新固化温度 | 早期κ大、σ大时优先 |
| 利用 | 围绕当前最优配方微调 | 后期σ小、EI偏向μ高区域 |
| 收敛判断 | 连续多轮最优值提升很小 | 如连续3轮提升<0.3%，转验证 |
理解这套映射后，配方工程师就不必把贝叶斯优化当成黑箱。你只需要抓住三件事：代理模型告诉你“哪里可能好、哪里还不确定”；采集函数告诉你“下一步最值得试哪个”；实验数据回灌后，模型和采集函数同步更新。探索与利用的权衡不是人为拍脑袋，而是由σ和采集函数参数自然调节的。真正决定优化效率的，往往不是算法本身，而是变量范围是否合理、初始数据是否有代表性、约束条件是否写清楚，以及每轮实验后是否认真更新了模型。