1. 课程导入与全局认知
在工程研发中，我们经常面对一类问题：某个产品的性能不达标，但影响性能的参数有十几个，每个参数都试一遍既费时又费钱。传统的“单因子轮换法”——固定其他参数、只改一个参数看结果——看似稳妥，实际上会漏掉参数之间的交互作用，而且试验次数随因子数线性增长，效率很低。DOE（Design of Experiments，试验设计）正是为解决这类问题而生的方法论：它通过有计划地安排试验，用尽量少的试验次数，识别出哪些因子真正重要、它们如何影响响应、以及因子之间是否存在交互作用。
而仿真优化则把“试验”从物理样机搬到了计算机里。当我们已经有一个可信的CAE模型（结构、流体、热、电磁或多物理场），就可以用仿真代替实物试验，在参数空间里批量“做实验”。DOE负责“怎么选点、怎么安排”，仿真负责“算出每个点的响应”，优化算法负责“往哪个方向继续找”。三者串起来，就构成了现代仿真驱动设计的核心工作流。
一句话理解三者关系：DOE是“试验的排兵布阵”，仿真是“低成本的试验执行器”，优化是“在试验结果上寻找最优解的导航仪”。没有DOE，仿真优化容易陷入盲目试凑；没有仿真，DOE只能依赖昂贵的物理试验；没有优化，DOE只能得到一堆数据而无法给出设计决策。
为了更直观地看清这条链路，下面用一张信号链/数据流图展示从设计问题到最优方案的完整传递关系。图中每个环节都标注了本节后续会展开的真实对象与关键输出。
上图左侧是问题定义，中间是DOE与仿真执行，右侧是代理模型与优化，底部虚线表示迭代反馈。这条链路中，DOE决定了“在参数空间里取哪些点”，仿真决定了“每个点对应的响应是多少”，代理模型把离散的仿真结果变成连续可搜索的近似曲面，优化算法则在这个曲面上寻找最优解。如果代理模型精度不够，就补充样本点重新拟合——这就是工程上常说的“自适应采样”或“序贯优化”。
为什么不能跳过DOE直接优化？
有人会问：既然有优化算法，为什么不直接让算法去调用仿真？原因在于计算成本。一次整车碰撞仿真可能需要数小时甚至数天，遗传算法动辄需要上千次评估，直接耦合几乎不可行。DOE的作用是在参数空间中有策略地选取少量点，先用这些点建立一个计算量极小的代理模型，之后优化算法在代理模型上运行，成本可以忽略不计。换句话说，DOE是仿真优化的“采样策略”，代理模型是“加速器”，优化是“搜索器”。三者缺一不可。
另一个常见误区是“因子越多越好”。实际上，DOE的第一原则是筛选。工程中常用Plackett-Burman设计或部分因子设计，先用少量试验从十几个因子中筛出三到五个显著因子，再对显著因子做响应面优化。这样做的依据是“效应稀疏原理”：大多数系统中，真正起主导作用的因子只占少数。例如某散热器有8个几何参数，用12次Plackett-Burman试验即可判断哪些参数对热阻影响显著，后续只对3个显著参数做中心复合设计，总试验次数从数百次降到30次以内。
课程路线图与工具链概览
本课程共30章，整体分为四个阶段。第一阶段（第1–6章）建立认知与数学基础：理解DOE与仿真优化的关系、掌握因子与响应、主效应与交互作用、方差分析、回归与响应面基本概念。第二阶段（第7–16章）进入经典DOE方法：全因子、部分因子、正交表、中心复合、Box-Behnken、拉丁超立方、田口方法与稳健设计。第三阶段（第17–24章）聚焦代理模型与优化算法：Kriging、RBF、多项式响应面、遗传算法、粒子群、多目标优化与Pareto前沿。第四阶段（第25–30章）是综合实战：参数敏感性分析、多学科优化、自适应采样、仿真流程自动化与工程案例复盘。
工具链方面，课程会涉及三类工具。第一类是通用统计与DOE工具，如Minitab、JMP、Design-Expert，适合快速生成设计矩阵和方差分析。第二类是仿真优化平台，如ANSYS optiSLang、Isight、modeFRONTIER、Optimus，它们能把CAD/CAE求解器、DOE算法和优化器串成自动化流程。第三类是编程实现，用Python的pyDOE2、scikit-learn、SMT（Surrogate Modeling Toolbox）和pymoo完成自定义DOE、代理模型和多目标优化。课程中的示例会尽量给出可复现的Python代码片段和参数设置，方便读者在自己的项目中迁移。
学习建议：每章至少动手跑一次示例。DOE和仿真优化是“做会”而不是“看懂”的技能。建议准备一个自己的CAE小模型（哪怕是一个悬臂梁或散热片），跟着课程逐步完成从因子定义、DOE生成、批量仿真、代理模型拟合到优化求解的完整闭环。只有亲手经历过一次“设计矩阵→仿真结果→响应面→最优参数”的全过程，才能真正理解每个环节的误差来源和判断依据。
最后需要明确本课程的一个基本约定：所有示例中的参数值、试验次数和优化结果，除非特别说明，均为教学演示用的合理假设或典型量级，不代表任何特定产品的实测数据。读者在实际项目中应以自己的仿真模型、材料参数和工况条件为准，并通过交叉验证和物理试验确认结论的可靠性。DOE与仿真优化提供的是“高效搜索和决策支持”，而不是替代工程判断的万能公式。