1. 课程导入与案例全景

化工配方设计很少是“把性能做到最好”这么简单。一个涂料配方在提高附着力的同时，往往要牺牲柔韧性；一个胶黏剂在提升初粘力时，可能让耐热性下降；一个清洗剂在增强去污力的同时，还要控制成本、泡沫高度和生物降解性。配方工程师面对的从来不是单一目标，而是一组彼此牵制、量纲不同、甚至方向相反的指标。多目标优化（Multi-Objective Optimization, MOO）正是处理这类问题的系统方法：它不追求某个指标的极值，而是寻找一组在各目标之间取得平衡的非支配解，供工程师按实际约束做取舍。

本课程围绕“典型案例 + 参数对照”展开。所谓参数对照，不是简单罗列配方表，而是把决策变量（配方组分与工艺参数）、目标响应（性能指标）、约束条件（成本、法规、工艺窗口）三者放在同一张对照框架下，观察不同方案之间的差异来源。只有建立起这种对照关系，工程师才能回答“为什么这个方案更合适”，而不是凭经验拍板。

多目标优化的核心概念：从单目标到 Pareto 前沿

先明确几个贯穿全课程的概念。决策变量记为 x，例如树脂含量、固化剂比例、填料粒径、反应温度；目标函数记为 f₁(x)、f₂(x)……，例如附着力、成本、VOC 含量。约束条件包括等式与不等式，如组分总和为 100%、成本上限、法规限值。当两个解 A、B 比较时，若 A 在所有目标上都不差于 B，且至少一个目标严格更优，则称 A 支配 B。不被任何其他解支配的解构成 Pareto 最优集，其在目标空间的像就是 Pareto 前沿。

理解 Pareto 前沿的关键在于：前沿上的点没有“绝对最优”，只有“相对权衡”。工程师的任务是从前沿中挑选符合业务偏好的点，这一步常借助权重法、理想点距离（TOPSIS）或约束筛选完成。下面的信号链式示意图展示了从配方变量到 Pareto 前沿、再到方案决策的完整数据流，也标出了本节后续案例将反复使用的三类参数。

典型案例全景：三类典型化工配方问题

本课程选取的案例覆盖三类常见场景，它们的共同点是多目标冲突明显、参数可量化、对照价值高。

• 涂料配方（性能—成本—环保）：以水性丙烯酸防腐涂料为例，目标为附着力（划格法等级）、耐盐雾时间、VOC 含量与原料成本。典型冲突是提高树脂含量可改善附着力与耐盐雾，但成本与 VOC 上升。
• 胶黏剂配方（初粘—耐热—固化时间）：以聚氨酯胶为例，目标为初粘力、剪切强度（高温）、开放时间。增粘树脂提高初粘但降低耐热，固化剂比例影响交联密度与开放时间。
• 清洗剂配方（去污—泡沫—温和性）：以碱性工业清洗剂为例，目标为去污率、泡沫高度、对金属的腐蚀速率。表面活性剂复配在提升去污的同时可能增加泡沫与腐蚀风险。

这三类案例的决策变量、目标与约束各不相同，但对照方法一致：固定一组基准配方，逐项改变关键变量，记录目标响应变化，再与 Pareto 前沿上的候选点比对。下面给出一份可直接用于课堂演练的参数对照表示例（数据为教学假设，非实测）。

读表时先看“状态”列：D1 在附着力、耐盐雾、VOC、成本四项上均不优于 P1 或 P2，属于被支配解，可直接剔除。P1、P2、P3 构成前沿：P1 性能最好但成本与 VOC 最高，P3 最经济环保但耐盐雾偏低。工程师若规定 VOC ≤ 75 g·L⁻¹ 且成本 ≤ 18 元·kg⁻¹，则只有 P2、P3 满足约束，再按耐盐雾优先选 P2。这就是参数对照的实际用法——用约束先筛，再用偏好排序。

参数对照的意义：让取舍可解释、可复现

参数对照至少解决三个问题。第一，可解释：当方案从 B0 调整到 P2 时，树脂降 2 个百分点、固化剂降 1 个百分点，VOC 降 15 g·L⁻¹、成本降 1.3 元·kg⁻¹，代价是耐盐雾减少约 100 h（示例值）。这种“变量—响应”的对应关系让评审能看懂取舍逻辑。第二，可复现：固定变量范围、约束边界与评价方法，不同批次、不同人员按同一对照表操作，结论才可比。第三，可追溯：每个候选解都保留其变量取值与目标值，后续工艺放大或法规变更时，可快速定位受影响方案。