📚 课程目录第1章混合设计学导论

一、混合设计学导论：什么是混合设计学？为什么在DOE中需要混合设计？混合设计的核心思想与历史沿革

我先讲个故事。几年前，我负责一个化工产品的配方优化项目。团队里有几位博士，大家信心满满，准备用经典的响应曲面法（RSM）来搞定。实验方案设计得很漂亮，中心复合设计，22个实验点，完美对称。

结果呢？做到第8个实验，反应釜的温度死活稳不住。因为配方里有两种原料，一种需要高温快速反应，另一种在高温下会分解。我们想同时优化产量和纯度，但这两个因子对温度的要求完全相反。

这就是典型的“混合型问题”——你的实验里既有连续变量（温度、压力），又有离散变量（原料种类），甚至还有比例约束（配方总和必须为100%）。经典的DOE方法，说白了，是给“纯连续变量”准备的。遇到这种混合情况，它就抓瞎了。

所以，混合设计学（Mixture Design）应运而生。它不是要取代经典DOE，而是给经典DOE补上那块“混合变量”的拼图。

混合设计学，简单说，就是研究“配方”的科学。你想想看，在化工、食品、制药、材料领域，我们经常遇到这样的场景：

这种“此消彼长”的关系，就是混合设计的核心特征。它和经典DOE最大的区别在于：经典DOE里，每个因子可以独立变化；但在混合设计中，因子之间是相互依赖的。

核心定义：混合设计学是研究在成分比例之和为常数的约束条件下，如何通过系统性的实验设计，建立成分比例与响应变量之间关系的统计学方法。

举个例子。你要开发一款果汁饮料，由苹果汁、橙汁、胡萝卜汁三种原料组成。总容量固定为500ml。你想找到最佳配比，让口感评分最高。这时候，你不能同时把苹果汁从30%增加到50%，又把橙汁从30%增加到50%——因为加起来就超过100%了。这就是混合设计的典型约束。

我经常被问到：“经典DOE不是已经很好用了吗？为什么还要搞个混合设计？”

嗯，这个问题问得好。我列个表，你一看就明白了：

你看，两者的实验空间都不一样。经典DOE的实验空间是个立方体，每个因子可以独立取高水平和低水平。而混合设计的实验空间是个三角形（三成分）或四面体（四成分），所有点都必须落在“比例和为1”的平面上。

我在项目中遇到过不少工程师，拿着经典DOE的方法硬套混合问题。结果呢？实验方案设计出来，有一半的实验点根本做不了——因为成分比例加起来超过100%了。这就是典型的“工具选错”的坑。

避坑指南：我曾经见过一个团队，用全因子设计去优化混凝土配方。他们设计了32个实验点，结果有12个点的水泥、砂子、石子比例加起来超过了100%。白白浪费了12个实验的资源。记住：遇到配方问题，第一反应应该是“这是不是混合设计问题？”

混合设计的核心思想，其实就三条：

说白了，混合设计就是“戴着镣铐跳舞”。你不能像经典DOE那样自由地改变每个因子，但你可以通过巧妙的实验点布局，用最少的实验次数，获得最精确的配方-响应关系。

我个人习惯，在开始任何混合设计项目之前，先画一张“单纯形图”。这张图能帮你直观地看到：实验点是否覆盖了整个配方空间？有没有区域被遗漏了？

混合设计的历史，其实比很多人想象的要久远。

1950年代：Scheffé首次提出混合设计的概念。他当时主要研究的是混凝土配比问题。我记得读他的原始论文时，被他的数学推导震撼到了——他用一个简单的多项式变换，就解决了“比例和为1”这个看似棘手的约束问题。
1960-1970年代：混合设计开始扩展到化工、食品、制药领域。Cornell等人发展了带约束的混合设计，解决了“某些成分的比例不能低于某个下限”的实际问题。
1980-1990年代：计算机技术的发展，让混合设计的计算变得可行。Snee、Piepel等人提出了混合设计的D-最优准则，让实验者可以在不规则的配方空间内找到最优实验点。
2000年代至今：混合设计与经典DOE开始融合。出现了“混合-过程变量设计”，即同时包含混合成分和独立过程变量的实验设计。这也是本课程的核心——混合设计学在DOE中的应用。

个人经验：我建议初学者先掌握三成分的单纯形格点设计。这是混合设计的基础，也是理解更高阶设计（如单纯形重心设计、最优设计）的起点。我自己带新人时，都是让他们先手工画一个三成分的单纯形图，把实验点标上去，再跑一遍分析流程。这个“笨办法”比直接上软件学得快得多。

下面这张图，是我自己总结的混合设计学知识体系。它涵盖了本课程的核心逻辑：

好了，我们来捋一捋这一章的核心内容：