1. 实验设计工程中的优化问题

实验设计（Design of Experiments, DOE）在工程实践中承担的任务，从来不只是“做几次试验”，而是要在有限的试次、时间、样品与成本约束下，尽可能高效地获得关于系统行为的信息，并据此做出设计或工艺决策。当实验目标从“识别哪些因素显著”转向“在连续或高维参数空间中找到最优配方、最优工艺窗口或最优控制参数”时，问题就变成了一个典型的黑箱优化问题：目标函数没有解析表达式，每次评估都要付出真实实验或高保真仿真的代价，且观测往往带有噪声。

本节要回答三个问题：传统实验设计为什么会在优化任务中遇到瓶颈；贝叶斯优化（Bayesian Optimization, BO）在什么条件下才真正适用；以及在工程实践中，哪些典型场景最适合引入贝叶斯优化辅助实验设计。

一、从“筛选”到“寻优”：问题性质的变化

传统DOE的经典工具，如全因子、部分因子、正交表、响应曲面法（RSM），其核心逻辑是用结构化布点换取可解释的统计推断。例如，一个3因素2水平的全因子实验需要8次试验，可以无混淆地估计主效应与交互效应；若采用L8(2^7)正交表，则能在8次试验中安排7个因素，但代价是部分交互效应被别名结构混淆。这类方法在“因素筛选”和“粗略建模”阶段非常有效。

但当目标变成“找到使良率最大、缺陷最小、能耗最低的参数组合”时，传统方法的局限就暴露出来：

• 布点与目标脱节：正交表或空间填充设计追求的是参数空间的均匀覆盖，而不是快速逼近最优点。大量试次被消耗在明显较差的区域。
• 无法利用历史数据：每一轮实验往往独立设计，前一轮已经获得的“哪里好、哪里差”的信息没有被系统性地用于决定下一轮该测哪里。
• 对高维与昂贵评估不友好：当因素数达到10维以上，或单次实验成本高达数小时甚至数天时，全因子和RSM所需的试次数迅速变得不可接受。
• 噪声下的误判：工程实验的观测噪声、批次波动和测量误差，会使基于单次观测的极值点判断不可靠。

因此，工程优化真正需要的不是“均匀撒点”，而是一种序贯决策策略：每做一次实验，就更新一次对目标函数的认知，并据此选择下一个最有价值的实验点。这正是贝叶斯优化的出发点。

二、贝叶斯优化的基本动机与工作逻辑

贝叶斯优化用两个核心组件来组织序贯实验：

1. 代理模型（Surrogate Model）：通常采用高斯过程（Gaussian Process, GP），对未知目标函数 f(x) 建立概率性近似。它不仅给出预测均值 μ(x)，还给出预测不确定性 σ(x)。
2. 采集函数（Acquisition Function）：如EI（Expected Improvement）、UCB（Upper Confidence Bound）或PI（Probability of Improvement），把“预测值高”和“不确定性大”两个因素综合成一个可优化的标量，用来推荐下一个实验点。

其工作循环可以概括为：先验建模 → 采集函数最大化 → 真实实验评估 → 数据更新 → 后验更新 → 再决策。与一次性布点不同，BO把每一次实验都视为对模型的一次信息注入，因此特别适合“试次预算极少、单次评估昂贵”的优化任务。

三、适用边界：什么时候该用，什么时候不该用

贝叶斯优化不是万能替代品。它的优势建立在“评估昂贵”这一前提上。如果单次实验只需几秒钟，那么随机搜索或网格搜索在相同时间内可以完成成百上千次评估，BO的序贯建模反而成为额外开销。因此，判断是否引入BO，可以看四个条件：

需要特别注意的是，BO与经典DOE并非替代关系，而是阶段互补。在工程实践中，常见做法是：先用部分因子或正交表做因素筛选，把20个候选因素压缩到5～8个关键因素；再用BO在关键因素的连续空间内做精细寻优。这样既保留了DOE的统计严谨性，又发挥了BO在昂贵评估下的样本效率优势。

四、典型工程场景与一个可操作的示例

以下场景在工程中反复出现，且都满足“评估昂贵、目标黑箱、试次有限”的特征：

• 材料配方优化：如合金成分、聚合物配比、涂层配方，单次制备与测试周期长，目标可能是强度、耐蚀性或成本加权指标。
• 工艺窗口寻优：如注塑温度-压力-保压时间、焊接电流-速度、热处理温度-时间，目标是缺陷率最低或良率最高。
• 仿真参数标定：用少量物理实验标定仿真模型中的本构参数或边界条件，每次仿真可能耗时数小时。
• 超参数调优：机器学习模型的超参数搜索，单次训练评估成本高，且目标函数带噪。

以一个注塑工艺窗口优化为例，假设需要优化三个连续参数：熔体温度 T（220～260 ℃）、保压压力 P（40～80 MPa）、冷却时间 t（10～25 s），目标是最小化翘曲量 w（mm）。单次实验含制件、测量与等待，约需40分钟，总预算为30次实验。

若采用传统RSM，通常需要先做20次以上的中心复合设计，再补做验证点，留给精细寻优的空间很小。而采用BO，可以这样组织：

第1步：用拉丁超立方抽取6个初始点，覆盖参数空间
        (T, P, t) = (228, 52, 12), (245, 68, 20), (256, 45, 16), ...
第2步：拟合GP代理模型，核函数选用Matern 5/2
第3步：以EI为采集函数，在参数空间内做多起点优化
        推荐下一点：T=252, P=74, t=18
第4步：执行真实注塑实验，测得 w = 0.31 mm
第5步：将新点加入数据集，更新GP后验
第6步：重复第3～5步，直到第30次实验或EI改进量 < 0.005 mm

在这个流程中，前6个初始点用于建立基本趋势，后续24次实验全部由采集函数驱动。工程上通常观察两个信号来判断是否收敛：一是当前最优观测值连续多轮不再刷新；二是EI值下降到预设阈值以下，说明继续实验的期望收益已经很低。若30次预算用尽仍未达到目标，则应回到因素筛选阶段，检查是否遗漏了关键因素，或参数范围设置不合理。

总结来看，从传统DOE到贝叶斯优化辅助实验设计，动机来自优化任务对“样本效率”的刚性需求；适用边界由评估成本、试次预算、参数维度和目标性质共同决定；典型场景集中在材料、工艺、仿真标定与超参数调优等昂贵黑箱优化问题。理解这三者，才能在具体工程中判断：这一轮实验，究竟该用正交表，还是该用贝叶斯优化。