1. 课程导入与优化思维建立

在工程实践中，我们很少能“随便取一个参数”就让系统工作得足够好。电机控制器里的PID增益、换热器的换热面积、桁架结构的杆件截面、机械臂轨迹的时间节点、电池充电策略中的电流限值——这些量一旦选得不合适，轻则效率低、振动大、超调严重，重则无法满足安全与工艺约束。数值优化要解决的，正是这类“在可行范围内寻找最佳参数组合”的问题。

本课程的目标不是把优化讲成纯数学，而是建立一条从工程问题到MATLAB可执行求解的完整路径：把工程语言翻译成目标函数、决策变量与约束，选择合适的求解器，读懂求解输出，并判断结果是否可信、是否可用。

一、数值优化在工程参数求解中的定位

工程参数求解通常有三条路线。第一条是解析法：通过求导令梯度为零得到闭式解，适合形式简单、变量少的问题，但一旦出现分段、非线性约束或实验数据驱动的模型，往往无法求解。第二条是经验试凑法：凭经验调参、做正交试验或扫参，工程上很常见，但变量一多，组合爆炸，且难以保证找到的是“最好”而不是“勉强能用”。第三条就是数值优化：用迭代算法在计算机上逐步逼近最优解，能处理非线性、多约束、多变量、甚至目标函数只能通过仿真或实验获得的问题。

因此，数值优化的定位可以概括为：把工程判断转化为可计算的数学形式，再用算法系统性地搜索，而不是靠反复试错。它不替代工程经验，而是把经验用在“建模、定约束、选初值、判结果”这些关键环节上。

二、典型问题形式：从工程描述到数学表达

绝大多数工程优化问题都可以写成如下标准形式：

min  f(x)                % 目标函数：要最小化的指标
s.t. h_i(x) = 0          % 等式约束：必须严格满足的关系
     g_j(x) <= 0         % 不等式约束：允许范围边界
     x_L <= x <= x_U     % 变量上下界

其中 x 是决策变量向量，f(x) 是目标函数，h 和 g 是约束函数。注意“最小化”是约定俗成的写法；若工程目标是最大化效率或利润，只需对目标取负号，即 max f(x) 等价于 min −f(x)。

举一个具体例子。某直流电机位置伺服系统采用PID控制，需要整定比例增益 Kp、积分增益 Ki、微分增益 Kd。工程要求：上升时间不超过0.5 s，超调量不超过10%，控制量不超过额定电压。可以这样建模：

• 决策变量：x = [Kp, Ki, Kd]；
• 目标函数：f(x) = 时间加权绝对误差积分 ITAE = ∫ t·|e(t)| dt，通过Simulink仿真或数值积分计算；
• 不等式约束：超调量 σ(x) ≤ 10%，控制量峰值 u_max(x) ≤ U_rated；
• 变量下界：Kp, Ki, Kd ≥ 0。

这里的目标函数没有解析表达式，只能通过仿真得到，属于典型的“黑箱优化”。这正是数值优化在工程中不可替代的场景。

三、MATLAB优化工具箱概览

MATLAB提供了覆盖连续、离散、全局与多目标的优化工具。按问题类型可作如下划分：

选择求解器的核心依据是：目标与约束是否光滑、是否可导、变量是否连续、是否存在多个局部极小。对于工程问题，fmincon 和 lsqnonlin 使用频率最高；当目标函数来自仿真、不可导时，可考虑 patternsearch 或 ga。

四、学习路线与优化思维

本课程后续将按“建模—求解—诊断—应用”的主线推进。学习时建议始终带着三个问题：我要优化的到底是什么指标？哪些量可以自由调整？哪些边界绝对不能越过？这三个问题分别对应目标函数、决策变量和约束，是优化建模的骨架。

下面的SVG给出了一条从工程需求到优化结果的完整信号链，帮助建立整体框架。

图中红色虚线表示反馈：优化很少一次成功。若 exitflag 为负、约束违反量不为零，或最优解落在变量边界上，都需要回到建模阶段检查约束是否过紧、初值是否合理、目标函数是否写错。

最后强调一个观念：数值优化给出的“最优解”是相对于你写的目标函数和约束而言的。模型错了，算法再强也没有意义。因此，本课程会把大量精力放在“如何把工程问题正确地翻译成优化模型”上，而不是只记函数名和参数。掌握这条主线，后续每一章的工具与方法才能落到真实的工程参数求解中。