1. 课程导入与全景认知

在工程仿真、算法调参、实验设计与数据分析中，我们经常面对的不是一组参数对应一个结果，而是多个参数同时变化、每个组合都产生一组输出的情形。例如某控制器有比例增益 Kp、积分时间 Ti、滤波系数 α 三个可调参数，每个参数取 5 个水平，就形成 5×5×5=125 组配置；每组配置跑一次仿真，输出超调量、调节时间、稳态误差等指标。此时我们得到的是一张"参数—指标"的高维数据表，而人眼只能直接理解二维平面和三维空间。多维参数扫描结果可视化要解决的核心问题就是：把高维参数空间中的结果，通过降维、编码、分层或交互手段，转化为可被视觉系统快速判读的图形，从而回答"哪个参数区间性能最好""参数之间是否存在强交互""哪些区域是危险或不可行区"这类问题。

需要先明确一个认知：可视化不是扫描结束后的"美化出图"，而是贯穿整个扫描工作流的决策工具。一个典型的多维参数扫描工作流包含五个环节：参数空间定义（确定参数、范围、步长与采样策略）→ 批量计算或实验执行 → 结果数据整理（指标计算、归一化、异常标记）→ 可视化映射（选择图型与视觉编码）→ 判读与决策（选优、定边界、反馈下一轮扫描）。可视化处在承上启下的位置：它既是对数据整理质量的检验，也是决策的直接依据。如果参数空间定义不合理，图上会出现大片空白或采样过疏；如果指标未归一化，多指标对比图就会失真。因此理解全景工作流，比单纯记住几种图表类型更重要。

上图把工作流与图型选择放在同一视野中，可以看到：不同图型回答的是不同问题。二维热力图最适合看两个参数之间的交互与最优区域；平行坐标图适合在参数维度较多时观察每条配置在各指标轴上的走势；散点矩阵用于快速筛查参数两两之间的相关性；小倍数图（分面）则通过固定部分参数、分面展示剩余维度，缓解维度爆炸。选择图型时先问"我要回答什么问题"，再决定视觉编码，而不是反过来。

以一个可复现的教学示例说明工作流如何落地。假设某二阶系统控制器需扫描 Kp∈{0.5,1.0,1.5,2.0,2.5}、Ti∈{0.05,0.1,0.2,0.4} 两个参数，共 20 组配置，每组记录超调量 σ% 与调节时间 ts。整理阶段先做归一化：把 σ% 与 ts 分别线性映射到 0～1，再按权重 0.6 与 0.4 合成综合得分 S=0.6·σ̂+0.4·t̂s（数值越小越好，此处为示例假设权重）。随后用 5×4 网格热力图呈现 S，颜色由浅蓝到深红表示由优到劣。判读时观察：若某一行整体偏红，说明该 Kp 水平普遍不佳；若某列出现明显色阶跳变，说明 Ti 在该处存在敏感区间。这类"行看一个参数、列看另一个参数、颜色看综合指标"的读图习惯，正是热力图的核心价值。

实际工作中还会遇到几类典型挑战。其一是维度爆炸：当参数达到 5 个以上、每维 5 水平时组合数已达 3125，全因子扫描成本高，此时应改用拉丁超立方等空间填充采样，并用平行坐标或散点矩阵代替全网格热力图。其二是多指标冲突：超调与响应速度常此消彼长，单张综合得分图会掩盖权衡关系，宜补充帕累托前沿图，把非支配解单独标出。其三是视觉误导：连续色阶若使用彩虹色，人眼对中间色段不敏感，建议改用单色渐变或发散色阶，并在图例中标注数值刻度。其四是异常值处理：个别发散或计算失败的组合会把色标拉偏，应在整理阶段单独标记为灰色或加叉号，而不是让其参与色阶计算。