1. 课程导入与多体动力学参数化优化全景

多体动力学（Multibody Dynamics, MBD）研究的是由多个刚体或柔性体通过运动副、力元连接而成的机械系统的运动规律。当这类系统进入工程设计阶段，真正困难的问题往往不是"能不能算出一条运动曲线"，而是"怎样让这条曲线在满足约束的前提下尽可能好"。参数化优化正是回答后一个问题的系统性方法：把设计意图翻译成可调参数，把工程要求翻译成目标与约束，再让优化算法在参数空间中自动搜索。

从"能算"到"算得好"：本课程要解决的核心问题

以一个典型的双横臂悬架为例。工程师在 ADAMS 或 Simpack 中建立模型后，可以给定硬点坐标、弹簧刚度、减振器阻尼，仿真得到车轮跳动过程中的前束角变化曲线。这一步只完成了"正向计算"。而实际设计任务通常是：在轮距变化不超过 ±15 mm、外倾角变化不超过 1.5° 的约束下，让前束角随轮跳的变化量最小，同时保证悬架刚度不低于某个下限。此时需要调整的可能是 6 个硬点坐标和 2 个刚度参数，共 8 个设计变量，目标与约束之间存在耦合，靠人工试凑效率极低。

参数化优化要做的，就是把上述工程语言转化为数学形式：

设计变量 x = [x1, y1, z1, ..., x6, y6, z6, k, c]  (8维)
目标函数 min f(x) = max|前束角变化量|
约束条件 g1(x): |轮距变化| ≤ 15 mm
         g2(x): |外倾角变化| ≤ 1.5°
         g3(x): k ≥ k_min
         x_lower ≤ x ≤ x_upper

随后由优化算法反复调用多体动力学求解器，逐步逼近最优解。理解这条"参数—模型—仿真—目标—优化"的链路，是本课程的总纲。

整体框架：四个层次与一条闭环

多体动力学参数化优化可以拆解为四个相互衔接的层次。第一层是建模层，包括拓扑结构定义、部件质量与惯量、运动副类型与位置、力元特性；第二层是参数化层，把几何位置、刚度、阻尼、驱动函数系数等抽象为设计变量，并明确其上下界与离散/连续属性；第三层是求解层，由动力学方程组装与数值积分完成一次仿真评估；第四层是优化层，负责采样、代理模型构建、寻优与收敛判断。四层之间通过数据接口串联，形成"参数→仿真→响应→更新参数"的闭环。

关键概念：设计变量、目标函数与约束

设计变量是优化过程中允许被算法调整的量。它必须满足两个条件：一是能通过模型接口被程序化修改，二是对目标或约束有可观测的影响。常见的多体动力学设计变量包括：硬点坐标（连续）、衬套刚度（连续）、弹簧预载（连续）、部件壁厚（连续或离散）、运动副类型（离散，通常不参与连续优化）。

目标函数是衡量设计优劣的标量指标。工程中常见的目标包括：某角度变化量的最大值最小化、某力的峰值最小化、质量最小化、或若干指标的加权组合。需要注意的是，多体动力学仿真输出的是时间历程，必须先从曲线中提取标量特征（如最大值、均方根、斜率）才能作为目标。

约束分为等式约束与不等式约束。在悬架案例中，"轮距变化 ≤ 15 mm"是不等式约束，"总质量 = 目标值"可能是等式约束。约束的处理方式直接影响优化算法的选择：罚函数法把约束转化为目标的一部分，而 SQP 等方法则显式处理约束。

学习目标与课程路线

完成本课程后，读者应能独立完成以下任务：识别一个多体动力学问题中可参数化的设计变量；根据工程需求写出目标函数与约束条件；选择合适的优化算法与代理模型策略；搭建"参数修改—仿真调用—响应提取—优化迭代"的自动化流程；对优化结果进行合理性判断与工程解释。

课程后续将依次展开：多体动力学建模基础与参数化接口、设计变量与目标函数的构造方法、灵敏度分析与变量筛选、试验设计（DOE）与代理模型（响应面、Kriging、神经网络）、单目标与多目标优化算法、约束处理策略、优化流程的自动化实现、结果验证与鲁棒性分析，以及悬架、机器人、机构等领域的完整案例。

一个可复现的入门示例

为建立直观感受，这里给出一个简化示例。考虑一个单摆模型，摆长 L 可调，初始角度 θ₀ 可调，目标是在 2 秒内让摆球通过最低点的水平速度绝对值最大。设计变量为 x = [L, θ₀]，约束为 L ∈ [0.5, 2.0] m，θ₀ ∈ [10°, 80°]。动力学方程为 θ̈ + (g/L)·sinθ = 0。用 Python 调用求解器并配合 scipy.optimize.minimize 即可完成一次优化。示例中若取 g = 9.81 m/s²，算法可能收敛到 L ≈ 2.0 m、θ₀ ≈ 80° 附近，因为更长的摆和更大的初始角带来更大的势能释放。该结果属于合理假设下的示例，实际数值取决于积分精度与优化设置。