2. OptiStruct鲁棒优化技术体系

确定性优化把设计变量、载荷、材料参数都当作固定值，求解的是一个"名义最优解"。但在真实产品中，板厚会有轧制公差、弹性模量会有批次分散、载荷工况会随使用环境波动。当这些波动叠加到名义最优解上时，原本满足约束的设计可能大量越界，原本最优的目标可能剧烈劣化。鲁棒优化要解决的正是这个问题：让设计在参数发生合理波动时，性能仍然稳定可控。

确定性优化与鲁棒优化的本质区别

确定性优化的数学形式可以概括为：在设计变量 x 的可行域内，最小化目标 f(x)，同时满足约束 g_i(x) ≤ 0。这里 x、f、g 都是确定量，求解器只关心名义值是否满足要求。它的隐含假设是"参数不会偏离名义值"，因此优化器会主动把设计推到约束边界上——因为边界处往往目标最优。这种"贴边"特性恰恰是鲁棒性最差的根源。

鲁棒优化则把参数视为随机变量，目标与约束都改用统计量描述。典型形式是：最小化 μ(f) + w·σ(f)，同时满足 μ(g_i) + k·σ(g_i) ≤ 0。其中 μ 为均值，σ 为标准差，w 是目标稳健权重，k 是约束可靠度系数（k 越大，要求约束越远离边界）。直观理解：确定性优化只看"中心点"，鲁棒优化同时看"中心点"和"散布范围"。前者追求极值最优，后者追求"均值好且方差小"。

两者的结果差异往往体现在设计位置上。以一根受弯的悬臂梁为例，确定性优化会把截面尺寸压到应力刚好等于许用值；鲁棒优化则会主动留出一段安全余量，使应力均值加上 k 倍标准差仍不超过许用值。代价是名义性能略差，收益是合格率大幅提升。

随机变量与噪声因子

在 OptiStruct 鲁棒优化中，需要区分两类不确定输入。

随机变量（Random Variables）是设计变量本身带有制造或使用分散的部分。例如钣金件厚度 t 的名义值为 1.5 mm，实际服从均值 1.5 mm、标准差 0.05 mm 的正态分布。这类变量既参与优化，又带有统计分布，是鲁棒优化直接控制的对象。

噪声因子（Noise Factors）是不由设计者控制、但会影响性能的环境或使用参数。例如工作温度在 -20 ℃ 到 60 ℃ 之间波动、外载荷在 800 N 到 1200 N 之间变化、材料弹性模量因批次不同在 200 GPa 到 215 GPa 之间浮动。噪声因子不参与设计决策，但必须在鲁棒分析中被采样，用来评估设计对环境的敏感程度。

两者的关键差别在于"是否可设计"。随机变量是"可设计但不可精确控制"，噪声因子是"不可设计也不可控制"。OptiStruct 允许对二者分别指定分布类型（正态、均匀、对数正态等）、均值、标准差或上下限，并在鲁棒评估中统一采样。

目标与约束的均值、标准差处理

鲁棒优化的核心运算是把确定性响应转换为统计响应。OptiStruct 通常采用均值—标准差（Mean-Sigma）或六西格玛（Six-Sigma）形式的鲁棒目标：

Minimize:  W1 * (μ(f) / f_nom) + W2 * (σ(f) / f_nom)
Subject to: μ(g_i) + k * σ(g_i) <= 0
            x_lower <= x <= x_upper
            x ~ N(μ_x, σ_x)

其中 W1、W2 是目标权重，用于平衡"性能最优"与"波动最小"；k 是约束的可靠度系数，k=3 对应约 99.73% 的合格率（正态假设下），k=6 对应约 99.9999998%。均值 μ 和标准差 σ 通过采样方法估计，常用的是拉丁超立方采样（LHS）或泰勒展开近似。采样点越多，统计量越准确，但计算量也越大。

需要特别注意的是：σ 的估计对采样数量敏感。若只采 10 个点，σ 的置信区间很宽，鲁棒结果可能不可信。工程实践中，对中等规模模型建议每个随机变量至少 20～50 个采样点，或采用自适应采样在 σ 变化剧烈处加密。

OptiStruct 鲁棒优化模块架构

OptiStruct 的鲁棒优化能力建立在"确定性求解器 + 随机分析层"的架构上。其数据流可以概括为：参数定义 → 采样 → 批量确定性求解 → 统计量提取 → 鲁棒目标/约束组装 → 优化迭代。下图展示了这一架构中各模块的输入输出关系。

从图中可以看到，鲁棒优化的计算量主要来自"采样 × 确定性求解"这一层。若一次确定性求解耗时 30 s，采样 50 组，则单次鲁棒评估约 25 min；若优化迭代 20 次，总耗时约 8 h。因此工程上常采用代理模型（响应面、Kriging）替代部分确定性求解，或先用少量采样粗筛、再对候选设计加密采样。

工程判断要点

判断一个设计是否值得做鲁棒优化，可以看三个信号：一是参数分散度与响应灵敏度的乘积是否显著，若 σ 很小或灵敏度很低，鲁棒优化收益有限；二是确定性最优解是否大量贴边，贴边越多，鲁棒改进空间越大；三是合格率要求是否高于 99.9%，若要求极高，必须用 k≥3 的约束形式。反之，若参数几乎无分散、约束余量本就充足，直接采用确定性优化更经济。

最后需要强调：鲁棒优化不是"消除波动"，而是"在波动存在的前提下做出更稳健的决策"。它输出的仍是一个确定的设计方案，但这个方案在统计意义上对随机变量和噪声因子都不敏感。理解这一点，才能正确解读鲁棒优化结果中的均值、标准差和可靠度指标。