📚 课程目录第3章优化算法与求解器联动架构

3. 优化算法与求解器联动架构

在CAE优化中，真正决定效率与可落地性的，往往不是单个优化算法本身，而是“优化算法—求解器—数据接口”三者之间的联动架构。一个成熟的联动系统需要同时回答四个问题：优化器如何向求解器下达设计变量？求解器如何把响应量回传给优化器？梯度信息从哪里来？当单次仿真代价很高时，如何减少真实求解次数？围绕这四个问题，工程上通常把联动架构划分为三层：优化算法层、调度与数据接口层、求解器执行层。黑箱优化、梯度优化和代理模型优化并不是互斥的三条路线，而是同一架构下可切换、可组合的三种“算法插件”。

一、三层联动架构的职责划分

优化算法层负责决策：在当前设计点 x 处，根据目标 f(x) 与约束 g(x)，决定下一个采样点或搜索方向。调度与数据接口层负责翻译与编排：把算法给出的设计变量写入求解器输入文件（如 .inp、.cdb、.dat 或参数化脚本），启动求解进程，监控收敛与报错，再从结果文件中提取响应量。求解器执行层负责物理计算：完成网格、材料、边界条件与求解设置后，输出位移、应力、频率、温度等响应。

这一分工的关键在于接口层的解耦。若把“写输入—调求解器—读结果”硬编码进优化算法，则更换求解器或更换算法都要重写代码。合理的做法是定义统一的设计变量向量 x、响应向量 y 和约束向量 g，由接口层完成映射。例如设计变量 x = [t1, t2, r]，分别对应两个板厚与一个圆角半径；响应 y = [mass, σ_max, δ_max]，分别对应质量、最大应力和最大位移。

二、黑箱优化：只依赖输入输出的联动方式

黑箱优化把求解器视为一个不可微的“函数黑箱”，只使用 f(x) 与 g(x) 的取值，不要求梯度。遗传算法、粒子群、单纯形、模拟退火都属于这一类。其联动实现最简单：接口层只需具备“写参数—跑求解—读响应”的能力，无需侵入求解器内部。

以一个支架轻量化为例：设计变量为两个板厚 t1、t2，范围 2～8 mm；目标为最小化质量 m；约束为最大应力 σ_max ≤ 220 MPa、最大位移 δ_max ≤ 0.8 mm。采用粒子群算法，种群规模 20，迭代 30 代，则总求解次数约 600 次。若单次静力分析耗时 40 s，总机时约 6.7 h。黑箱优化的优点是鲁棒、易并行、对响应噪声不敏感；缺点是收敛慢，设计变量维度高时求解次数急剧上升。因此它更适合变量数较少（一般 ≤ 20）、单次求解较快、或响应面不连续的问题。

三、梯度优化：需要导数信息的联动方式

梯度优化（SQP、SLSQP、MMA、GCMMA）依赖 ∂f/∂x 与 ∂g/∂x，收敛快、迭代次数少，但要求响应可微，且需要额外获得梯度。梯度来源有三条路径：有限差分、伴随法、直接微分法。

有限差分最易实现，接口层只需对每个设计变量做一次扰动：前向差分 ∂f/∂x_i ≈ [f(x+Δx_i) − f(x)] / Δx_i。若有 n 个设计变量，每次迭代至少需要 n+1 次求解。伴随法只需一次额外求解即可获得全部梯度，适合变量多、响应少的问题，但需要求解器支持伴随灵敏度输出。直接微分法介于两者之间，精度高但实现复杂。

仍以上述支架为例，若改用 SLSQP，设计变量 2 个，迭代约 15 次，采用前向差分每次迭代 3 次求解，总求解次数约 45 次，机时约 0.5 h，相比黑箱优化减少一个数量级以上。代价是：若响应存在接触非线性或网格自适应导致的数值噪声，差分梯度可能失真，需要设置合理的差分步长（如 Δx = 1e-3 × x）并检查梯度一致性。

四、代理模型优化：用近似模型替代昂贵求解

当单次仿真代价很高（如整车碰撞、瞬态热-结构耦合，单次数十分钟到数小时），直接调用求解器做上千次迭代不可接受。代理模型优化先用少量样本构建近似模型 ŷ(x)，再在代理模型上做大量廉价寻优，最后用真实求解器校核最优解。

典型流程为：试验设计（拉丁超立方或最优拉丁超立方）生成 30～80 个样本点 → 批量调用求解器 → 构建 Kriging 或 RBF 代理模型 → 用遗传算法在代理模型上寻优 → 对候选最优点做真实求解验证 → 若误差超限则加点更新代理模型。以 Kriging 为例，其预测值可写成 ŷ(x) = μ + r(x)ᵀR⁻¹(y − μ1)，其中 R 为样本点相关矩阵，r(x) 为新点与样本点的相关向量。Kriging 同时给出预测方差，可用于 EGO 加点准则，优先在“预测好且不确定大”的区域采样。

代理模型优化的关键判断依据是代理模型精度：常用复相关系数 R² 与均方根误差 RMSE。工程上一般要求 R² ≥ 0.9，且最优解处真实响应与预测响应偏差不超过 5%，否则应增加样本或缩小设计空间。

五、三种路线的组合与自动调用

实际工程中，三种路线常组合使用。一种常见策略是“代理模型全局探索 + 梯度优化局部精修”：先用代理模型定位有希望的区域，再以该点为初值启动 SQP 做局部收敛。另一种是“黑箱优化处理离散变量 + 梯度优化处理连续变量”，例如板厚连续、铺层角度离散时，可分层优化。

求解器自动调用的实现要点包括：

参数化模板：将输入文件中的设计变量替换为占位符，如 THICK_1 = 3.5，由接口层按当前 x 替换后写出新文件。
进程管理：用子进程调用求解器命令，设置超时与返回码检查，避免求解失败导致优化中断。
结果解析：从结果文件中按关键字提取响应，如从 .dat 中读取 MAX_VONMISES 与 MAX_DISP。
失败处理：若求解不收敛或网格畸变，返回惩罚值（如 f = 1e6）而非中断，使优化器能跳出不可行区。
并行调度：黑箱优化与试验设计阶段可并行提交多个求解任务，梯度优化因迭代依赖通常串行。

下面给出一个接口层配置示例，用于说明设计变量、响应与求解器命令的映射关系：

variables:
  - name: t1
    type: continuous
    lower: 2.0
    upper: 8.0
    token: "THICK_1"
  - name: t2
    type: continuous
    lower: 2.0
    upper: 8.0
    token: "THICK_2"

responses:
  - name: mass
    file: "result.dat"
    keyword: "TOTAL_MASS"
    objective: minimize
  - name: sigma_max
    file: "result.dat"
    keyword: "MAX_VONMISES"
    constraint: "<= 220"
  - name: disp_max
    file: "result.dat"
    keyword: "MAX_DISP"
    constraint: "<= 0.8"

solver:
  command: "solver -i model.inp -o result.dat"
  timeout: 600
  on_failure: penalty
  penalty_value: 1.0e6

该配置表达了联动架构的核心约定：变量用 token 写入模板，响应用关键字从结果文件提取，约束以表达式形式声明，求解失败返回惩罚值。算法层只需读取这份配置，即可在黑箱、梯度或代理模型之间切换，而无需改动求解器调用逻辑。

六、架构选型的判断依据

选择哪种联动路线，可依据三个指标判断：设计变量维度 n、单次求解耗时 T、响应是否可微。当 n 小、T 小、响应不可微时，优先黑箱优化；当 n 中等、T 中等、响应可微且求解器支持灵敏度时，优先梯度优化；当 T 很大（如 T > 10 min）时，无论 n 大小，都应优先代理模型优化。若 n 很大且 T 很大，则应先做变量筛选与降维，再进入代理模型流程。

需要强调的是，联动架构的稳定性往往比算法先进性更重要。接口层必须保证：同一设计变量重复提交得到一致结果、结果解析不因格式微调而失败、求解异常能被捕获并转化为优化器可处理的信息。只有在这三条成立的前提下，黑箱、梯度与代理模型三种路线才能真正做到“即插即用”，支撑从单次仿真到自动优化的完整闭环。