📚 课程目录第4章系统优化基础

4. 系统优化基础

在标定试验中，我们常常面对这样的问题：发动机的喷油正时、轨压、EGR率、VVT角度等多个参数需要同时调整，而动力性、经济性、排放、NVH等指标又相互冲突。如何从成千上万组可能的参数组合中，找到一组“最合适”的标定方案？这正是系统优化要解决的核心问题。系统优化不是简单的“试参数”，而是把工程问题抽象为数学模型，再用算法系统性地搜索最优解。本节将建立系统优化问题的标准数学描述，并厘清目标函数、约束条件、决策变量与优化分类这四个基本要素。

一、系统优化问题的标准数学形式

任何一个系统优化问题，都可以统一写成如下标准形式：

min  f(x) = [f1(x), f2(x), ..., fm(x)]^T
s.t. gi(x) ≤ 0,   i = 1, 2, ..., p
     hj(x) = 0,   j = 1, 2, ..., q
     x = [x1, x2, ..., xn]^T ∈ X

其中，x 是决策变量向量，f(x) 是目标函数向量，g(x) 和 h(x) 分别是不等式约束和等式约束，X 是决策变量的可行域。这个形式看起来抽象，但它精确对应了标定工程中的每一个环节：决策变量对应可调标定参数，目标函数对应需要优化的性能指标，约束条件对应法规限值、硬件保护边界和物理可行范围。

理解这个标准形式的关键在于：优化不是“随便调”，而是在约束划定的可行域内，沿着目标函数改善的方向，寻找决策变量的最优取值。

二、决策变量：优化的“旋钮”

决策变量是优化问题中可以被调整的量，相当于试验台上的“旋钮”。在标定试验中，决策变量通常包括：

连续变量：喷油正时（°CA BTDC）、轨压（MPa）、EGR率（%）、VVT角度（°CA）等，可在一定范围内连续取值。
离散变量：喷油次数、喷射模式（单次/多次）、档位选择等，只能取有限个离散值。
混合变量：实际标定问题中，连续变量和离散变量往往同时存在，构成混合整数优化问题。

决策变量的选择直接决定了优化问题的规模和难度。变量越多，搜索空间越大，计算成本越高。因此，在建立优化模型时，需要先进行变量筛选：剔除对目标影响不显著的参数，合并强相关参数，保留真正起主导作用的“关键旋钮”。

三、目标函数：优化的“方向”

目标函数是衡量系统性能好坏的数学表达式，它定义了优化的方向。在标定试验中，目标函数通常来自试验测量或模型预测，例如：

比油耗 BSFC（g/kWh），越小越好；
NOx排放（ppm 或 g/kWh），越小越好；
扭矩响应时间（ms），越小越好；
燃烧噪声（dB），越小越好；
综合性能评分，越大越好（可转化为负值后最小化）。

当只有一个目标函数时，称为单目标优化；当需要同时优化多个相互冲突的指标时，称为多目标优化。多目标优化不存在唯一的“最优解”，而是产生一组Pareto最优解集，决策者需要根据工程偏好从中选择折中方案。

四、约束条件：优化的“边界”

约束条件定义了决策变量必须满足的限制，它划定了可行域。标定优化中的约束通常分为三类：

约束类型	数学表达	标定工程示例
不等式约束	g(x) ≤ 0	NOx ≤ 法规限值；缸压 ≤ 硬件耐压上限；排温 ≤ 材料极限
等式约束	h(x) = 0	扭矩需求等于驾驶员请求；能量平衡方程
边界约束	x_min ≤ x ≤ x_max	喷油正时在-10°CA到+5°CA之间；轨压在40~180 MPa之间

约束条件不是“建议”，而是硬性边界。如果优化结果违反了约束，即使目标函数值再优，该解也是不可行的。在标定工程中，违反排放法规或硬件保护边界的标定方案，可能导致发动机损坏或无法通过认证。

五、优化分类：从不同维度理解优化问题

根据目标函数、约束条件和决策变量的性质，系统优化问题可以分为多种类型。理解这些分类，有助于选择合适的优化算法和求解策略。

按目标数量：单目标优化 vs 多目标优化。单目标优化追求唯一最优解；多目标优化追求Pareto前沿。
按约束性质：无约束优化 vs 有约束优化。标定问题几乎都是有约束优化。
按变量类型：连续优化、离散优化、混合整数优化。喷油次数是离散变量，喷油正时是连续变量，二者共存即为混合整数优化。
按函数性质：线性优化 vs 非线性优化。发动机性能响应通常是非线性的，因此标定优化多为非线性优化。
按求解方式：解析优化 vs 数值优化。工程问题通常无法获得解析解，需依赖数值算法（如遗传算法、粒子群、序列二次规划等）。
按信息利用：梯度优化 vs 无梯度优化。当目标函数不可导或为黑箱模型时，需采用无梯度优化方法。

六、案例：柴油机标定中的多目标优化建模

以某柴油机标定为例，决策变量选为喷油正时 SOI、轨压 RailP、EGR率 EGR 三个参数。目标函数为：

min f1 = BSFC(SOI, RailP, EGR)
min f2 = NOx(SOI, RailP, EGR)
min f3 = Soot(SOI, RailP, EGR)

约束条件包括：

g1: Pmax ≤ 180 bar          // 缸压上限
g2: Texh ≤ 750 °C           // 排温上限
g3: NOx ≤ 0.4 g/kWh         // 排放法规
g4: -8 ≤ SOI ≤ 2            // 喷油正时边界
g5: 60 ≤ RailP ≤ 160        // 轨压边界
g6: 0 ≤ EGR ≤ 35            // EGR率边界

该问题是一个典型的三目标、有约束、非线性、混合变量优化问题。通过多目标遗传算法求解，可以得到一组Pareto最优解，工程师再根据整车需求选择折中方案。

七、常见误区与复盘

误区一：把目标函数和约束条件混淆。例如，把“NOx越低越好”作为目标，同时又要求“NOx ≤ 0.4 g/kWh”作为约束。实际上，如果NOx已经是目标函数，就不需要再设为约束；如果设为约束，则目标函数应选择其他指标。二者只能选其一，否则会造成模型冗余甚至矛盾。

误区二：决策变量选得太多或太少。变量太多导致搜索空间爆炸，计算时间不可接受；变量太少则可能遗漏关键影响因素，优化结果无法真正改善系统性能。建议通过灵敏度分析筛选关键变量。

误区三：忽略约束的可行性。在优化前应先检查可行域是否为空。如果约束条件相互矛盾，优化算法将无法找到可行解。此时需要放宽某些约束或调整决策变量范围。

系统优化基础的核心，就是建立“决策变量—目标函数—约束条件”三位一体的数学描述，并根据问题性质选择合适的优化分类和求解策略。只有把工程问题准确地转化为数学模型，后续的优化算法才能发挥真正的作用。