2. 一维系统参数化建模基础

一维系统参数化设计的第一步，不是急着写公式或跑优化算法，而是把工程问题“翻译”成计算机能处理的形式。这个翻译过程的核心，是区分清楚四类对象：参数、变量、目标函数和约束条件，并明确它们共同张成的设计空间。只有这四者定义清楚，后续的灵敏度分析、寻优和稳健性评估才有意义。

参数与变量：谁在动，谁不动

在一维问题中，我们通常只关心一个可以连续或离散变化的设计量，例如一根悬臂梁的截面高度 h、一个弹簧的刚度 k、一段传动轴的直径 d。这个“可以被优化器调整的量”称为设计变量，记作 x。与之相对，参数是在一次建模过程中保持固定的量，例如梁长 L=500 mm、材料弹性模量 E=206 GPa、载荷 F=2 kN、许用应力 [σ]=235 MPa。参数不是不能改，而是它们不参与本次优化搜索，只作为背景条件进入计算。

需要特别注意的是，参数与变量的身份会随问题范围变化。若本次只优化截面高度，则梁长是参数；若同时研究不同跨长下的最优截面，梁长就升级为第二个设计变量，问题也从一维变成二维。因此，一维参数化建模的边界必须由设计任务本身划定，而不是由物理对象天然决定。

设计空间：变量允许取值的范围

设计变量 x 的所有允许取值构成设计空间。一维问题的设计空间通常是一个区间，例如 h ∈ [20, 80] mm。这个区间不是随便写的：下限可能来自装配空间或最小壁厚，上限可能来自重量限制或安装包络。设计空间一旦确定，优化就只能在这个“跑道”内寻找最优点；如果最优点落在边界上，往往提示我们边界设置可能过紧，需要回到工程需求重新审视。

目标函数：用什么衡量“好”

目标函数把设计变量映射为一个可比较的数值，用来判断哪个设计更好。一维问题常见的目标包括：质量最小、成本最低、刚度最大、固有频率最高、温升最小等。例如以质量为目标时，可写成 m(h)=ρ·L·b·h，其中 b 为宽度参数。目标函数必须与设计变量有明确的数学关系，否则优化器无法判断改进方向。

当存在多个目标时，通常通过加权、归一化或主目标加约束的方式转化为单目标问题。例如同时希望质量小、变形小，可构造 F(h)=w₁·m(h)/m₀ + w₂·δ(h)/δ₀，其中 m₀、δ₀ 是参考值，用于消除量纲差异。权重 w₁、w₂ 反映设计偏好，属于人为给定的参数，需要在结果中说明其取值依据。

约束条件：不能越过的红线

约束条件规定设计必须满足的工程要求，通常分为等式约束和不等式约束。一维问题中常见的有：

• 强度约束：最大应力 σ(h) ≤ [σ]；
• 刚度约束：最大挠度 δ(h) ≤ δ_allow；
• 几何约束：h_min ≤ h ≤ h_max；
• 工艺约束：h 必须取标准规格中的离散值。

约束把设计空间切分成“可行域”和“不可行域”。优化结果必须落在可行域内，否则再好的目标值也没有工程意义。实际建模时，建议把约束写成统一形式 g_i(x) ≤ 0，便于程序处理和判断。

把工程问题抽象为可计算模型

下面以一个悬臂梁轻量化设计为例，完整走一遍抽象过程。对象是一根矩形截面悬臂梁，自由端受集中力 F。设计任务是：在满足强度和刚度要求的前提下，使梁的质量最小。

第一步，确定设计变量。取截面高度 h 为唯一变量，宽度 b 和长度 L 作为参数固定。第二步，写出目标函数：m(h)=ρ·b·L·h。第三步，写出约束。最大弯曲应力出现在固定端：σ(h)=6FL/(b·h²) ≤ [σ]；自由端挠度：δ(h)=4FL³/(E·b·h³) ≤ δ_allow。第四步，确定设计空间：h ∈ [20, 80] mm。

把上述内容整理成标准形式：

设计变量：x = h
参数：ρ=7850 kg/m³, b=30 mm, L=500 mm, F=2000 N
      E=206000 MPa, [σ]=235 MPa, δ_allow=1.5 mm
目标：min m(h) = ρ·b·L·h
约束：
  g1: 6FL/(b·h²) - [σ] ≤ 0
  g2: 4FL³/(E·b·h³) - δ_allow ≤ 0
  g3: 20 - h ≤ 0
  g4: h - 80 ≤ 0

代入示例参数后，强度约束要求 h ≥ 29.2 mm，刚度约束要求 h ≥ 38.6 mm，几何约束要求 h ≥ 20 mm。因此可行域实际为 h ∈ [38.6, 80] mm。由于质量随 h 单调递增，最优解取可行域下界 h* ≈ 38.6 mm。这个结果说明：刚度约束是当前设计的控制因素，若想进一步减重，应优先考虑提高材料刚度或放宽挠度限值，而不是继续调整强度相关参数。

建模质量的三个判断点

一个可计算的一维参数化模型是否合格，可以用三个问题检验：第一，目标函数是否对设计变量单调或具有明确极值趋势？如果目标函数与变量无关，优化就失去意义。第二，约束是否覆盖了所有会“否决”设计的工程条件？漏掉一条关键约束，最优解可能根本无法制造或装配。第三，设计空间是否合理？空间过窄可能错过更优解，过宽则可能引入大量不可行区域，降低搜索效率。

此外，参数的单位必须统一。上述示例中长度用 mm、力用 N、应力用 MPa，量纲一致，避免在程序中出现 1000 倍量级的错误。若必须混用单位，应在模型入口处统一换算，并在注释中写明换算关系。

从模型到可执行代码的对应关系

参数化模型的最终形态通常是一段可被优化器反复调用的函数。以 Python 风格伪代码为例，其结构如下：

def model(h):
    # 参数
    rho, b, L, F = 7850, 0.03, 0.5, 2000
    E, sigma_allow, delta_allow = 206e9, 235e6, 1.5e-3
    # 目标
    mass = rho * b * L * h
    # 约束
    sigma = 6 * F * L / (b * h**2)
    delta = 4 * F * L**3 / (E * b * h**3)
    g1 = sigma - sigma_allow
    g2 = delta - delta_allow
    g3 = 0.020 - h
    g4 = h - 0.080
    return mass, [g1, g2, g3, g4]

这段代码把前面所有定义落到了可执行层面：输入 h，输出目标值和约束值。优化器只需反复调用它，就能在设计空间内搜索。注意这里所有长度统一为米、力统一为牛顿，保证量纲一致。实际工程中，h 可能还需要按标准规格离散化，此时可在函数内增加取整或查表步骤。

掌握参数、变量、设计空间、目标函数和约束条件这五个概念，并能够把一段工程描述稳定地转换为上述函数形式，就完成了一维参数化建模的基础工作。后续的灵敏度分析、梯度计算和优化算法，都是在这个模型之上展开的。