1. 课程导入与问题界定

在化工产品研发与配方试验中，工程师经常面对一个看似矛盾的任务：既要让配方性能达到指标要求，又要把原料成本压到可接受的范围之内。实验室里做出一份“性能很好”的样品并不难，难的是这份样品在放大生产、批量采购和市场价格波动之后，仍然是一个经济上站得住脚的配方。本课程讨论的“化工试验配方成本约束优化”，正是围绕这一矛盾展开的一套方法体系。

一、问题是什么：配方优化的三重约束

化工配方通常由多种原料组成，每种原料承担特定功能，例如主体树脂提供力学强度，填料降低成本或调节流变，助剂改善稳定性、固化速度或外观。配方设计者要同时面对三类约束：

• 性能约束：如黏度、固含量、附着力、耐候性、固化时间等指标必须落在规定区间内，这类约束往往是非线性的，难以用简单线性关系描述。
• 成本约束：原料单价、用量、损耗与采购批量共同决定单位质量成本，目标通常是最小化成本或使成本不超过某个上限。
• 工艺与合规约束：某些原料存在添加量上限、相容性限制、挥发性有机物（VOC）限值或供应链可得性限制。

因此，配方成本优化不是单纯的“把贵的原料换掉”，而是在多维约束下寻找可行域内的最优点。理解这一点，是后续所有建模、试验设计与求解工作的前提。

二、典型场景：从实验室小样到中试放大

本课程面向的场景可以归纳为几类。第一类是降本替代：在保持关键性能不变的前提下，用低价原料部分替代高价原料，例如用碳酸钙部分替代钛白粉，或用国产助剂替代进口助剂。第二类是性能达标下的成本最小化：新产品开发时先确定性能门槛，再在可行配方空间中搜索最低成本组合。第三类是多目标权衡：成本、性能、工艺窗口三者之间存在冲突，需要给出帕累托前沿供决策者选择。第四类是试验资源受限下的序贯优化：实验室每次只能做有限组试验，需要以尽量少的试验次数逼近最优配方。

三、整体学习路径

本课程共 30 章，整体遵循“问题界定—数据与建模—优化求解—试验验证—工程落地”的主线。开篇阶段明确目标函数与约束条件，建立配方变量、性能指标与成本之间的量化关系；中段进入试验设计、响应面建模、混料设计与回归分析，把“做试验”转化为“获取可建模的数据”；随后引入线性规划、非线性规划、遗传算法等求解手段，处理成本最小化与多目标权衡；后段聚焦试验验证、放大风险、原料价格波动下的鲁棒性以及配方知识沉淀。学习时建议始终带着一个具体配方案例贯穿全程，避免方法与实践脱节。

四、一个教学示例：把问题写成可计算的形式

为了让后续章节有统一的讨论对象，这里给出一个简化的教学示例（参数为合理假设，非实测数据）。设某涂料配方由树脂 A、填料 B、助剂 C 和溶剂 D 组成，质量分数分别为 x₁、x₂、x₃、x₄，满足 x₁+x₂+x₃+x₄=1。原料单价分别为 28、3、45、6 元/kg。成本目标可写为：

min  C = 28·x1 + 3·x2 + 45·x3 + 6·x4
s.t. x1 + x2 + x3 + x4 = 1
     0.35 ≤ x1 ≤ 0.55        （树脂含量决定附着力）
     0.20 ≤ x2 ≤ 0.45        （填料过多影响流平）
     0.01 ≤ x3 ≤ 0.05        （助剂过量引入气泡）
     黏度 f(x) ≤ 1200 mPa·s  （性能约束，非线性）
     VOC g(x) ≤ 限值          （合规约束）

这个模型虽然简单，却已经体现了本课程的核心难点：目标函数是线性的，但性能约束往往是非线性的，且只能通过试验或经验模型获得。学习者需要理解，优化结果的可信度取决于约束模型的准确性，而约束模型的准确性又取决于试验设计的合理性。这正是课程把“试验设计”放在“优化求解”之前的原因。

五、学习本课程应建立的几个基本认识

第一，成本是配方变量与价格的函数，而不是某个原料的单点属性。降低某组分用量可能同时改变性能和工艺窗口，必须整体评估。第二，约束的边界比最优点更重要。实际工作中，决策者往往更关心“哪些配方是可行的”，而不是一个精确到小数点后的最优解。第三，试验数据是稀缺资源。优化方法的价值不仅在于给出答案，更在于用尽量少的试验获得尽量多的信息。第四，模型需要被验证。任何优化结果都必须回到实验室小样和中试验证，不能直接作为生产配方。