2. 响应面方法的基本原理

响应面方法（Response Surface Methodology, RSM）的核心思想，是用一个结构简单、计算廉价的解析函数去近似一个昂贵或未知的真实响应。在工程优化中，这个"真实响应"往往来自有限元仿真、CFD 计算或物理试验，单次评估可能耗时数分钟到数小时。响应面代理模型的价值就在于：用少量采样点拟合出一个可快速求值的近似曲面，从而支撑后续的寻优、灵敏度分析与设计空间探索。

一、多项式响应面的数学形式

最常用的响应面形式是多项式，因为它线性于待定系数，拟合问题可转化为线性最小二乘，求解稳定且便于解释。设设计变量为 x = [x₁, x₂, …, xₙ]，响应为 y，则一阶（线性）响应面为：

ŷ(x) = β₀ + β₁x₁ + β₂x₂ + … + βₙxₙ

二阶（完全二次）响应面为：

ŷ(x) = β₀ + Σβᵢxᵢ + Σβᵢᵢxᵢ² + ΣΣβᵢⱼxᵢxⱼ   (i < j)

其中 β₀ 为常数项，βᵢ 为线性项系数，βᵢᵢ 为平方项系数，βᵢⱼ 为交互项系数。二阶模型能刻画极值点、鞍点和变量间的交互作用，是工程中最常用的默认选择。对于 n 个变量，完全二次模型的系数个数为 (n+1)(n+2)/2。例如 n=3 时共有 10 个系数，n=5 时增至 21 个。系数数量随变量数平方增长，这是高维问题中响应面精度下降、采样成本上升的根本原因之一。

若设计变量量纲差异大（如长度 0.1 m 与温度 500 K），直接拟合会导致系数尺度悬殊、数值病态。工程上通常先将变量归一化到 [-1, 1] 或 [0, 1] 区间，再构造多项式。归一化后的系数大小可直接反映各变量对响应的相对影响，便于筛选重要变量。

二、最小二乘拟合

给定 m 个采样点 (x⁽ᵏ⁾, y⁽ᵏ⁾)，k = 1, …, m，将每个点的基函数值排成一行，构成设计矩阵 X（m × p，p 为系数个数），响应列向量为 y。最小二乘的目标是使残差平方和最小：

min  ‖Xβ − y‖²
β̂ = (XᵀX)⁻¹Xᵀy

这就是正规方程解。实际计算中一般不直接求逆，而是用 QR 分解或 SVD 求解，以提高数值稳定性。拟合完成后，常用决定系数 R² 和调整决定系数 R²_adj 评价拟合优度：

R² = 1 − SSE/SST
R²_adj = 1 − (SSE/(m−p)) / (SST/(m−1))

其中 SSE 为残差平方和，SST 为总离差平方和。R² 越接近 1 说明拟合越好，但它会随系数增加而虚高，因此样本量不大时应重点看 R²_adj。若 R² 与 R²_adj 差距很大，往往意味着模型过拟合或采样点不足。

三、模型假设

最小二乘拟合要得到可靠结果，隐含若干假设：其一，真实响应在采样区域内可由所选多项式较好地近似，即模型形式无系统性偏差；其二，各次仿真或试验的随机误差相互独立、均值为零、方差近似相等（同方差）；其三，设计矩阵 X 列满秩，即采样点不能太少、不能共线或落在低维子空间上。若采样点全部落在一条直线上，二次项与交互项无法辨识，XᵀX 奇异，拟合失败。

因此，采样方案必须保证设计空间的"填充性"和"正交性"。常用的中心复合设计（CCD）、Box-Behnken 设计（BBD）就是为二阶响应面量身定制的：CCD 由因子点、轴向点和中心点组成，BBD 则避免轴向极端点，适合变量取值范围受限的场合。采样点数一般要求 m ≥ 1.5p，留出足够自由度估计误差。

四、误差来源

响应面代理模型的误差主要来自四个方面。第一是模型形式误差：真实响应若含强非线性、阶跃或高频振荡，二阶多项式无法逼近，残差呈现明显结构。第二是采样误差：采样点分布不均或数量不足，导致某些区域信息缺失，拟合曲面在未采样区外推失真。第三是数值噪声：仿真网格、收敛容差、试验测量波动都会引入随机误差，若噪声水平接近响应变化量，拟合系数将不可信。第四是外推风险：响应面只在采样凸包内有效，超出范围预测值可能严重偏离真实响应，优化算法若把最优解推到边界外，结果不可用。

下面用一张图概括从真实响应到代理模型、再到误差检验的完整关系。图中左侧为真实响应与采样点，中部为设计矩阵与最小二乘求解，右侧为拟合曲面及三类典型误差表现，底部给出模型可信度的判断路径。

实际建模时，建议按以下顺序检查：先看残差图是否随机分布，再看 R²_adj 是否足够高，最后用留一交叉验证或独立测试点评估预测误差。若残差出现明显弯曲或喇叭形，说明模型形式或方差假设不成立，应增加采样点、提高模型阶次或改用 Kriging、径向基函数等更灵活的代理模型。响应面方法的价值不在于拟合本身，而在于用可控的误差换取可接受的优化效率，因此误差评估必须与后续优化决策绑定，而不是拟合完就结束。