2. 参数化设计优化问题定义

在虚拟样机参数化设计中，把工程需求转化为可求解的优化问题，核心工作只有三件事：确定哪些量可以改、改到什么程度算好、以及改的过程中不能违反哪些限制。这三件事分别对应优化问题的三个基本要素——设计变量、目标函数和约束条件。三者共同构成一个标准形式的数学规划问题：

min  f(x)              —— 目标函数
s.t. g_i(x) ≤ 0,  i = 1,2,…,m   —— 不等式约束
     h_j(x) = 0,  j = 1,2,…,p   —— 等式约束
     x_L ≤ x ≤ x_U           —— 变量上下界
其中 x = [x_1, x_2, …, x_n]^T 为设计变量向量

这个式子看起来抽象，但它本质上就是一句工程语言：在允许的范围内，找到一组参数，让某个性能指标尽可能好，同时不违反任何硬性要求。下面逐项展开。

设计变量：把“可调参数”变成向量

设计变量是优化过程中允许被算法调整的量。在虚拟样机中，它们通常来自几何尺寸、材料属性、安装位置或控制参数。例如某悬架系统的参数化模型，可选设计变量包括：弹簧刚度 k（N/mm）、减振器阻尼 c（N·s/mm）、悬架安装点横向坐标 y_p（mm）、轮胎径向刚度 k_t（N/mm）。写成向量即 x = [k, c, y_p, k_t]^T，维数 n = 4。

确定设计变量时有两个关键判断。第一，可调性：该量在真实产品中是否真的能改？如果制造工艺已锁定，把它设为变量只会得到无法落地的结果。第二，独立性：变量之间不应存在完全确定的函数关系。例如若弹簧刚度由线径、圈数、中径唯一决定，而这三者又都作为变量，就会产生冗余自由度，导致求解器出现病态或重复搜索。

每个变量还必须给出上下界。上下界不是装饰，它直接决定搜索空间的大小和物理可行性。例如弹簧刚度取 20 ≤ k ≤ 80 N/mm，阻尼取 0.5 ≤ c ≤ 3.0 N·s/mm。上下界过宽会浪费计算量，过窄则可能把真正的最优解排除在外。

目标函数：把“好”写成可计算的标量

目标函数是把工程期望量化为一个数值的函数 f(x)。优化算法只会朝“让 f 变小”的方向走，因此必须明确：什么指标越小越好。常见目标包括质量最轻、最大应力最小、一阶固有频率最高、乘坐舒适性指标（如车身加速度均方根）最小等。

以悬架为例，若关注舒适性，可取目标函数为车身垂向加速度均方根值：f(x) = a_rms(x)。这个值不能直接手算，而是由虚拟样机仿真在给定路面激励下输出。也就是说，目标函数往往是一次仿真的“黑箱输出”，优化算法通过反复调用仿真来评估它。

当存在多个目标时，例如同时希望舒适性好、悬架动挠度小，就需要处理多目标问题。工程上常用加权和法：f(x) = w_1·a_rms/a_0 + w_2·s_max/s_0，其中 a_0、s_0 是归一化基准，w_1 + w_2 = 1。权重不是数学推导出来的，而是设计意图的体现，必须结合工程优先级确定，并在结果中说明其影响。

约束条件：把“不能违反”写成不等式或等式

约束条件描述设计必须满足的限制。它们分为不等式约束和等式约束两类。不等式约束通常来自性能红线或空间限制，例如悬架动挠度不得超过 s_max ≤ 80 mm，轮胎动载荷不超过静载的 1.5 倍。等式约束则来自必须严格满足的物理关系或装配关系，例如某安装点必须落在给定轴线上。

约束的写法必须可计算、可判断。以动挠度为例，仿真输出的是时域曲线，需要先提取峰值再与限值比较，写成 g_1(x) = s_peak(x) − 80 ≤ 0。若写成“动挠度不能太大”，求解器无法处理。约束数量也不宜过多，每增加一个约束都会压缩可行域，过多约束可能导致可行域为空，即无解。

从工程需求到优化问题的基本流程

实际工作中，转化过程通常按以下顺序推进：

1. 明确评价对象与工况：确定要优化的系统、关注的性能指标以及对应的仿真工况（如B级路面、车速60 km/h）。
2. 筛选设计变量：从参数化模型中挑出真正可调、相互独立的参数，并给出物理合理的上下界。
3. 建立目标函数：把首要性能指标写成仿真可输出的标量；多目标时确定权重与归一化方式。
4. 提取约束：把法规、工艺、空间、强度等要求逐条写成 g(x) ≤ 0 或 h(x) = 0，并确认每条都能由仿真或计算得到。
5. 检查问题适定性：确认变量维数、约束数量、可行域是否合理，必要时先做一次基准仿真验证目标与约束的输出是否正常。

下面这张图把上述转化关系组织成一张结构图，左侧是工程需求，中间是三类数学要素，右侧是它们共同构成的优化问题，并标出了常见误区所在的位置。

常见误区与检查要点

把工程需求写成优化问题时，最容易出错的并不是数学推导，而是定义阶段的判断失误。以下六类误区在虚拟样机项目中反复出现：

• 把不可调参数设为设计变量。例如把已经由供应商锁定的减振器阻尼仍作为变量，优化结果无法采购落地。判断方法：问一句“这个值在真实产品中谁有权改、改造成本多大”。
• 变量间存在确定函数关系。如同时把弹簧线径、圈数、中径和刚度都设为变量，而刚度由前三者唯一决定，造成冗余自由度。应只保留一组独立变量。
• 目标函数无法由仿真直接输出。例如把“操纵稳定性好”直接当目标，求解器无法评估。必须落到具体可输出的标量，如横摆角速度峰值或不足转向梯度。
• 约束写成定性描述。“不能太大”“尽量小”都不是约束。约束必须是 g(x) ≤ 0 形式，且能由仿真或计算给出确定数值。
• 上下界设置不合理。过窄会排除真正的最优解，过宽会显著增加搜索成本。建议先用基准仿真和工程经验给出保守但合理的范围。
• 约束过多导致可行域为空。当所有约束同时收紧时，可能不存在任何满足全部约束的变量组合。此时应先做可行性检查，必要时放宽次要约束或调整变量范围。

总结来说，参数化设计优化问题的定义，本质上是把工程语言翻译成数学语言的一次严谨映射。设计变量回答“改什么”，目标函数回答“往哪改”，约束条件回答“不能怎么改”。三者缺一不可，且都必须满足可计算、可判断、可落地三个基本要求。定义阶段多花一小时检查，往往能节省求解阶段数十小时的无效计算。