1. 课程导入与协同框架
在真实的工程优化问题中，我们常常面对这样的困境：一次高保真仿真（如有限元分析、计算流体力学、多体动力学）可能需要几分钟到几十小时，而多目标优化算法往往需要成百上千次目标函数评估。如果直接让优化器反复调用高保真模型，计算成本会迅速失控。代理模型与多目标优化协同的核心思想，正是用少量高保真样本训练一个"廉价替身"，让优化搜索主要在替身上进行，只在关键位置调用真实模型校正，从而在可接受的时间内获得一组高质量折中解。
本课程围绕"代理模型如何与多目标优化协同工作"这一主线展开。它不是把两类方法简单拼接，而是要让读者理解：代理模型提供的是对目标/约束的近似映射，多目标优化提供的是在冲突目标间寻找Pareto前沿的搜索机制，二者通过采样策略、模型更新准则和收敛判据形成闭环。学完本课程，你应当能够独立搭建一个"采样—建模—优化—验证—更新"的协同流程，并针对具体工程问题选择合适的代理模型类型与多目标算法。
协同框架的整体流程
一个典型的协同框架可以拆成五个相互咬合的环节。第一是问题定义：明确设计变量及其上下界、目标函数个数与方向、约束条件，以及可接受的评估预算。第二是试验设计（DoE）：用拉丁超立方、最优拉丁超立方或Sobol序列在设计空间内生成初始样本，保证空间填充性。第三是代理模型训练：常用Kriging（高斯过程）、径向基函数（RBF）、支持向量回归（SVR）或多项式响应面，其中Kriging还能给出预测方差，这对后续的"不确定性驱动"更新非常关键。第四是多目标优化：在代理模型上运行NSGA-II、MOEA/D或NSGA-III等算法，得到近似Pareto前沿。第五是验证与更新：挑选前沿上具有代表性的点（如拐点、稀疏区、高不确定性区）调用高保真模型，将新样本加入训练集，重新训练代理模型，直到前沿收敛或预算耗尽。
这个框架的关键在于"闭环"二字。如果只是用初始样本训练一次代理模型，然后在上面跑一次多目标优化就结束，那只是"一次性近似"，前沿精度无法保证。真正的协同要求把优化结果反馈回采样环节，让新样本落在最需要的地方——可能是Pareto前沿的稀疏段，也可能是代理模型预测方差较大的区域。这种"优化引导采样、采样改善模型、模型提升优化"的循环，才是协同的精髓。
典型应用场景
协同框架在多个工程领域都有成熟应用。在汽车轻量化中，设计变量可能是板材厚度、加强筋位置和截面形状，目标是最小化质量同时最大化碰撞吸能，约束包括刚度、模态和制造可行性。一次整车碰撞仿真可能需要数小时，直接优化不可行，但用Kriging代理模型配合NSGA-II，通常200～400次高保真评估就能得到较完整的前沿。在翼型气动优化中，设计变量是翼型控制点坐标，目标是最大化升阻比同时最小化阻力系数，CFD单次计算从几分钟到几十分钟不等，代理模型协同可以把总评估次数压缩一个数量级。在电池热管理中，设计变量包括流道宽度、冷却液流量和入口温度，目标是降低最高温度同时减小泵功耗，这类问题往往还带有制造公差约束，需要代理模型同时处理目标与约束的近似。
这些场景的共同特征是：高保真模型昂贵、目标之间存在冲突、设计空间维度中等（通常5～30维）、需要的是折中解集而非单一最优解。如果问题只有单一目标且评估廉价，直接优化即可，不需要代理模型；如果设计空间维度极高（上百维），代理模型的训练成本本身就会成为瓶颈，需要先做降维或变量筛选。
学习路径与实战项目
本课程的学习路径分为四个阶段。第一阶段建立概念框架，理解代理模型与多目标优化的基本术语和协同逻辑，也就是本章的内容。第二阶段深入代理模型技术，包括Kriging的核函数选择、超参数优化、RBF的宽度参数、SVR的惩罚系数，以及如何用交叉验证评估模型精度。第三阶段掌握多目标优化算法，重点理解Pareto支配、拥挤距离、参考点选择等机制，并能根据问题特征选择NSGA-II、MOEA/D或NSGA-III。第四阶段进入协同策略，学习自适应采样准则（如期望改进EI、超体积改进、Pareto前沿填充）和收敛判据设计。
实战项目贯穿课程始终：以一个"悬臂梁多目标轻量化设计"为案例，设计变量为梁的截面宽度和高度，目标为最小化质量和最小化端部位移，约束为最大应力不超过许用值。你将用Python实现完整流程：用SMT或scikit-learn训练Kriging模型，用pymoo运行NSGA-II，用超体积指标监控收敛，最终输出Pareto前沿并对比不同采样策略的效果。项目会提供示例参数和参考结果，但你需要自己运行代码、观察中间输出、判断收敛是否合理。
需要特别提醒的是，代理模型与多目标优化的协同不是"先建好模型再优化"的串行关系，而是交替进行的。初始样本可能只有20～30个，代理模型精度有限，但优化器仍能给出一个粗略前沿；用这个前沿引导采样，补充10～20个高保真点后，模型精度会显著提升，前沿也会向真实Pareto前沿逼近。通常经过3～5轮迭代，超体积指标的变化会小于1%，此时可以认为收敛。如果预算允许，还可以在前沿的拐点附近加密采样，因为这些位置往往对应设计者最感兴趣的折中方案。