📚 课程目录第2章 OptiStruct多目标优化能力总览

2. OptiStruct多目标优化能力总览

OptiStruct 的优化能力并不是“一个求解器包打天下”，而是由多种优化类型共享同一套有限元模型、设计变量体系与灵敏度求解内核，再通过统一的优化求解器（Optimization Solver）驱动迭代。理解这一点，是后续做多目标权衡的前提：拓扑、形貌、尺寸、形状四类优化，本质上是在同一模型上选择不同的“设计变量类型 + 响应定义 + 约束/目标组合”，而不是四套互不相干的工具。

四类优化的设计变量与适用阶段

从设计变量看，四类优化的差异非常清晰：

拓扑优化（Topology）：设计变量是每个单元的相对密度 ρ（0～1），通过 SIMP 等插值模型惩罚中间密度，决定材料“在哪里保留、在哪里挖空”。典型用于概念设计阶段，回答“载荷路径应该长什么样”。
形貌优化（Topography）：设计变量是板壳单元节点沿法向的起伏高度，用于在薄壁/钣金件上生成加强筋（bead）布局，不改变材料总量，只改变面外形状。
尺寸优化（Size）：设计变量是属性层面的量，如壳单元厚度 t、梁截面尺寸、弹簧刚度等，网格与形状不变，只调“数值”。常用于详细设计阶段的板厚分布、截面选型。
形状优化（Shape）：设计变量是网格节点的几何扰动（由形状基向量或网格变形控制），在保持拓扑不变的前提下优化圆角、过渡、孔边轮廓等，降低应力集中。

四者的关系可以概括为：拓扑/形貌决定“布局”，尺寸/形状决定“细节”。工程上常见的流程是先拓扑得到传力骨架，再形貌布置加强筋，最后用尺寸与形状优化收敛到可制造、可满足应力与频率要求的方案。

多目标求解器的集成关系

在 OptiStruct 中，多目标并不是把多个目标简单相加，而是通过统一的优化问题描述来组织：

min / max :  f1(x), f2(x), ... , fk(x)
subject to:  g_j(x) ≤ 0        (约束，如应力、位移、频率、质量)
             x_lower ≤ x ≤ x_upper   (设计变量上下限)
             x ∈ {拓扑 / 形貌 / 尺寸 / 形状 变量集合}

求解器内部通过灵敏度分析（对设计变量求目标与约束的偏导）获得搜索方向，再用数学规划方法（如 SQP、GCMMA 等）迭代更新设计变量。多目标的处理方式主要有三类：

加权和法：将多个目标加权成单一目标 F = Σ wᵢ·fᵢ，通过扫描权重得到近似 Pareto 前沿。实现简单，但对非凸前沿覆盖不全。
归一化 + 加权：先对每个目标按其初始值或参考值归一化，再加权，避免量纲差异（如质量 kg 与柔度 N·mm）导致某一目标被“淹没”。
Pareto / 多起点扫描：通过多组权重或约束法（把部分目标转为约束）多次求解，得到一组非支配解，供方案权衡选择。

做多目标时，建议先把每个目标单独优化一次，记录其“单目标最优值”，作为归一化基准和 Pareto 前沿的端点参考。这一步能显著减少后续权重扫描的盲目性。

集成关系的一张图

下图把四类优化、设计变量、响应/约束与多目标求解器的关系放在同一张结构图中：左侧是四类优化及其变量类型，中间是共享的有限元模型与灵敏度分析，右侧是多目标求解器与 Pareto 输出。

多目标求解的实操要点

把上述集成关系落到实际操作，关键动作集中在三处：

第一，设计变量与响应要“同源”。无论做哪类优化，响应（质量、柔度、应力、频率）都必须在同一有限元模型上定义，否则灵敏度无法一致地传递。例如做“质量最小 + 一阶频率最大”的双目标，质量响应来自单元密度或厚度，频率响应来自模态分析，两者共享同一刚度矩阵与质量矩阵。

第二，归一化是加权和法的必要步骤。假设质量目标 f₁ 初始约 12.5 kg，柔度目标 f₂ 初始约 480 N·mm，若直接加权 F = 0.5·f₁ + 0.5·f₂，柔度项会因数值大而主导搜索。正确做法是除以各自初始值：F = 0.5·(f₁/12.5) + 0.5·(f₂/480)，使两项在初始点都约为 1，权重才真正代表“偏好程度”。

第三，用单目标结果标定 Pareto 端点。先分别求“质量最小”和“柔度最小”两个单目标解，得到 Pareto 前沿的两个端点。例如示例中（数值为教学假设）：质量最小解为 9.8 kg / 柔度 620 N·mm，柔度最小解为 13.2 kg / 柔度 410 N·mm。随后在两者之间取 5～7 组权重扫描，即可得到一条可用的权衡曲线，再结合制造约束与性能要求选点。

多目标优化中，约束的优先级高于目标。若应力约束 σ ≤ 220 MPa 在某个权重下被违反，该解即使目标值更优也应被剔除。建议在结果表中同时记录目标值、约束余量与是否可行，避免只看目标值选错方案。

四类优化与多目标的组合策略

实际项目中，四类优化往往不是并列使用，而是按阶段组合。一个典型的多目标组合是：拓扑优化（质量最小 + 柔度最小）→ 形貌优化（频率最大化）→ 尺寸优化（应力约束下质量最小）→ 形状优化（应力集中最小）。每一阶段的输出作为下一阶段的输入模型，多目标求解器在每一阶段内部处理该阶段的目标组合。这样既控制了单次优化的规模，又让多目标权衡在每一阶段都有明确的工程含义。

需要强调的是，拓扑与形貌优化的结果通常需要经过解释与重构（如把密度云图转化为可制造的筋板布局），再进入尺寸与形状优化。多目标求解器给出的是数学上的非支配解集，最终选点仍要结合工艺、成本与装配约束，这正是“方案权衡”环节的价值所在。