1. 课程导入与全景认知

在传统CAE工作流中，工程师通常先完成几何建模、网格划分、边界条件设置，再提交求解器计算，读取结果后凭经验调整设计变量，然后重复上述过程。这个循环中，优化算法负责“决定往哪个方向改”，求解器负责“算出改成什么样”，而两者之间往往由人工手动衔接：手动改参数、手动提交计算、手动提取结果、手动判断是否收敛。当设计变量从3个增加到30个，当约束条件从2条增加到20条，这种人工循环很快变得不可持续。

本课程要解决的核心问题，就是让优化算法与CAE求解器自动联动：算法自动生成设计变量样本，自动写入求解器输入文件，自动调用求解器计算，自动从结果文件中提取目标函数与约束响应，再据此自动更新下一代设计点，直到满足收敛准则或耗尽计算预算。整个闭环无需人工干预，工程师的角色从“操作员”转变为“流程设计者与结果判读者”。

为什么需要自动联动：三个典型工业场景

场景一：汽车悬架控制臂轻量化。某控制臂有5个板厚变量、2个加强筋位置变量，目标是最小化质量，约束是一阶模态频率不低于85 Hz、最大应力不超过材料屈服强度的80%。若采用人工试算，每个方案从改模型到出结果约40分钟，探索50个方案需要超过33小时。自动联动后，优化算法驱动求解器连续计算，同样的50个样本可在夜间完成，且算法能根据响应面梯度主动选择更有希望的区域，而不是均匀撒点。

场景二：涡轮叶片气动外形优化。叶片型线由12个控制点参数化，目标是在巡航工况下最大化升阻比，同时满足流量与总压损失约束。CFD单次计算约25分钟，若用遗传算法需要上千次评估，直接调用CFD不可接受。此时自动联动框架中引入代理模型（如Kriging或径向基函数），先用少量CFD样本训练代理模型，再由优化算法在代理模型上快速搜索，仅对最有希望的候选点调用真实CFD验证并更新代理模型。联动框架负责管理“代理模型预测—真实求解器校验—模型更新”的循环。

场景三：电子散热器多物理场优化。散热器齿厚、齿高、齿间距共6个变量，需同时考虑热传导与流场压降，目标是最小化热阻，约束是压降不超过允许值。这里涉及两个求解器（热求解器与流体求解器）的耦合调用，自动联动需要处理多求解器编排：先调用流体求解器获得流量分配与换热系数，再将结果映射到热求解器计算温度场，最后把热阻与压降返回给优化算法。

自动联动的技术组成

一个完整的自动联动系统通常包含五个层次，它们之间的数据流与调用关系如下图所示。图中以结构优化为例，展示了从优化算法到求解器再到结果提取的闭环路径，以及代理模型在其中的加速作用。

课程项目总览

本课程以一个贯穿始终的教学项目为载体：某型无人机机翼盒段结构优化。该盒段由上下蒙皮、前后梁、3根翼肋组成，初始总质量约12.6 kg。设计变量为蒙皮厚度（4个区域）、梁腹板厚度（2个）、翼肋厚度（3个），共9个连续变量，取值范围0.8～3.5 mm。目标函数为结构质量最小化，约束条件为：一阶弯曲模态频率≥45 Hz，最大位移≤8 mm，最大应力≤280 MPa。求解器采用Nastran格式的线性静力与模态分析。

课程将围绕这个项目逐步展开：先建立参数化模型与求解器调用脚本，再接入梯度优化算法与遗传算法，然后引入代理模型加速，最后处理多约束、多工况与并行计算。每个阶段都会给出可运行的配置片段、关键参数取值和结果判读方法。

学习路径与前置知识

建议按以下顺序推进学习，每一阶段都建立在前一阶段的可运行闭环之上：

• 第1～5章：基础闭环搭建。掌握参数化建模、求解器命令行调用、结果文件解析，完成“算法→求解器→结果→算法”的最小闭环。
• 第6～12章：优化算法接入。理解梯度类算法（SQP、MMA）与无梯度算法（GA、PSO）的适用条件，学会设置设计变量边界、约束容差与收敛准则。
• 第13～20章：代理模型与加速。掌握Kriging、RBF、多项式响应面的训练与更新策略，理解EI准则与自适应采样。
• 第21～26章：多求解器与多物理场。处理热-流-固耦合调用顺序、结果映射与并行调度。
• 第27～30章：工程化与复盘。日志管理、异常处理、计算资源分配、结果可信度评估与优化报告撰写。

学习成果预期

完成本课程后，你应当能够独立完成以下任务：给定一个CAE模型和一组设计变量，编写自动联动脚本，使优化算法驱动求解器连续计算，并在合理时间内获得满足约束的最优设计。具体而言，包括：能写出求解器调用的命令行与输入文件修改逻辑；能正确提取目标函数与约束响应；能根据问题特征选择优化算法与代理模型策略；能判断优化结果是否可信、是否陷入局部最优；能输出包含迭代历史、最优设计变量与性能对比的优化报告。

自动联动不是把优化算法和求解器简单拼在一起，而是要解决两者之间的数据格式匹配、调用时序控制、异常状态处理与计算资源调度。接下来的章节将从最基础的闭环搭建开始，逐步深入这些工程细节。