1. 多目标优化问题定义
在结构设计中，工程师很少只关心一个指标。一个支架既要足够轻，又要足够刚；一个悬置系统既要满足强度，又要控制振动传递；一个车身接头既要提升扭转刚度，又不能显著增加质量。当这些诉求同时出现且彼此冲突时，问题就从“单目标最优”变成了“多目标权衡”。Altair OptiStruct 的多目标优化能力，正是为这类工程场景服务的。理解它的第一步，是把模糊的工程语言翻译成清晰的数学表达。
从工程需求到三要素
任何优化问题都可以拆成三个基本要素：设计变量、目标函数和约束条件。设计变量是我们可以主动调整的量，例如板厚、截面尺寸、材料分布密度或形状控制点坐标；目标函数是希望最小化或最大化的性能指标，例如质量、柔度、应力峰值或某阶固有频率；约束条件则是必须满足的边界，例如应力不超过许用值、位移不超过限值、频率避开共振区。
以一块悬臂梁为例。假设梁长 300 mm、宽 40 mm，材料为钢，弹性模量 210 GPa，密度 7.85e-9 t/mm³。若把梁沿长度方向分成 10 段，每段厚度作为一个设计变量，则设计变量向量为 x = [t1, t2, ..., t10]，取值范围设为 1.0 mm 到 5.0 mm。工程需求是“在自由端位移不超过 0.5 mm 的前提下，让梁的质量尽可能小”。翻译成数学表达就是：
min m(x) = ρ · b · Σ(ti · Li)
s.t. u_tip(x) ≤ 0.5 mm
1.0 ≤ ti ≤ 5.0 mm, i = 1..10这里 m(x) 是目标函数，u_tip(x) ≤ 0.5 mm 是约束条件，ti 的上下限是设计变量的边界。这个例子虽然简单，却完整展示了“工程需求 → 数学表达”的映射过程。实际项目中，设计变量可能成百上千，约束可能来自静力、模态、屈曲、疲劳等多个分析工况，目标也可能不止一个。
多目标问题的本质：没有唯一最优解
当目标函数从一个变成两个或更多时，问题性质会发生根本变化。考虑同时最小化质量 m 和最小化自由端位移 u。这两个目标通常是冲突的：增加厚度可以减小位移，但会增加质量。此时不存在一个解能同时让两个目标都达到各自的最优值。我们只能找到一组“互不支配”的解，即Pareto 最优解集。
所谓支配关系，可以这样理解：如果解 A 在所有目标上都不差于解 B，且至少在一个目标上严格优于 B，则称 A 支配 B。Pareto 最优解就是那些不被任何其他可行解支配的解。它们构成的集合在目标空间中形成一条前沿，称为 Pareto 前沿。设计者的任务不是寻找“唯一答案”，而是从这条前沿上挑选最符合当前工程偏好的折中点。
关键认识：多目标优化的输出不是一个点，而是一组候选方案。OptiStruct 通过加权法、归一化加权、全局响应面或直接多目标算法，帮助用户逼近这条 Pareto 前沿。理解前沿的形状和分布，比记住某个具体数值更重要。
设计变量、目标与约束的工程化定义
在 OptiStruct 中，这三要素通过特定的卡片和面板定义。设计变量常用 DESVAR 卡片定义，可以是尺寸变量、形状变量或拓扑变量；目标函数通过 OBJECTIVE 卡片指定，支持最小化、最大化或加权组合；约束通过 DCONSTR 卡片关联响应与上下限。响应本身则由 DRESP1、DRESP2 等卡片从分析结果中提取，例如质量、位移、应力、频率。
一个常见的实操误区是：把太多指标都设为约束，导致可行域过小甚至无解。更合理的做法是，把必须满足的硬性要求设为约束，把希望改善但可以折中的指标设为目标。例如，安全法规要求的应力上限应设为约束，而“进一步减重”和“进一步提高一阶频率”则适合作为两个目标。
下面这张图展示了从工程需求到 Pareto 前沿的完整映射关系。左侧是工程语言，中间是数学三要素，右侧是目标空间中的 Pareto 前沿示意。图中标注了三个典型解：A 偏重轻量化，B 偏重刚度，C 是折中点。它们都位于前沿上，互不支配。
Pareto 最优解集的工程意义
Pareto 前沿的形状直接反映了目标之间的冲突程度。如果前沿很“陡”，说明两个目标冲突强烈，稍微改善一个就会显著恶化另一个；如果前沿较“平”，说明存在较大的折中空间。在 OptiStruct 中，用户可以通过设置多个目标并运行多目标优化，得到一组候选设计点，再借助后处理工具观察前沿分布。
实际决策时，常用方法包括：加权法，为每个目标分配权重并转化为单目标；ε-约束法，保留一个目标，把其余目标转为约束；偏好排序法，根据工程经验直接在前沿上挑选。无论哪种方法，前提都是先得到一条足够完整、分布均匀的 Pareto 前沿。如果前沿采样过稀，决策者可能错过真正合适的折中点。
实操建议：在 OptiStruct 中定义多目标时，建议先做一次单目标优化，了解各目标单独最优时的量级和可行域范围，再据此设置多目标的权重或约束边界。这样能避免因目标量级差异过大导致优化器偏向某一目标。
一个可复现的示例设定
回到悬臂梁例子，假设我们运行一次多目标优化，设计变量为 10 段厚度，目标为最小化质量和最小化端部位移，约束为一阶频率不低于 80 Hz、最大应力不超过 235 MPa。经过若干次迭代后，可能得到如下表所示的候选方案（以下数据为教学示例，非实测结果）：
| 方案 | 总质量 (kg) | 端部位移 (mm) | 一阶频率 (Hz) | 最大应力 (MPa) | 特点 |
|---|---|---|---|---|---|
| A | 0.82 | 0.48 | 82.1 | 228 | 轻量化优先 |
| C | 1.05 | 0.31 | 96.5 | 196 | 折中方案 |
| B | 1.38 | 0.18 | 118.3 | 152 | 刚度优先 |
这三个方案都满足约束，且互不支配。方案 A 最轻但位移接近上限；方案 B 刚度最好但质量最大；方案 C 位于中间。设计者可以根据实际装配空间、成本预算和性能优先级选择其中一个，或者继续在前沿上加密采样。
理解多目标优化的定义，核心在于接受“没有唯一最优解”这一事实，并学会用设计变量、目标函数和约束条件这三要素把工程需求准确地翻译成数学语言。只有定义清晰，后续的求解和权衡才有意义。