3. 自由曲面建模方法

好，咱们进入第三章。说实话，这一章是整个课程里最「数学」的部分，但也是最有用的部分。你想想看，不管算法多花哨，最后落到代码里，无非就是三个东西：变量、目标、约束。把这三样搞清楚，优化问题就解决了一半。

我在项目里见过太多人，算法调得飞起，结果建模就错了。变量选多了算不动，选少了曲面变形不到位。目标函数写错了，优化半天出来个废品。嗯，咱们今天就把这事掰扯清楚。

3.1 设计变量：自由曲面的「可调旋钮」

设计变量，说白了就是你能调的那些参数。在自由曲面里，最常见的变量就是控制点坐标。

比如你用 NURBS 曲面，有 m×n 个控制点，每个点有 x、y、z 三个坐标。那设计变量的总数就是 3×m×n。我习惯把这个数记作 n_design。

举个例子。一个 4×4 的控制点网格，变量数是 3×16 = 48。如果你用 10×10 的网格，变量数就变成 300。优化时间可能从几分钟变成几小时。

所以我的建议是：从少到多。先用粗网格跑通流程，再逐步加密。

控制点网格	变量数	适用场景
3×3	27	概念设计、快速验证
5×5	75	中等精度曲面
10×10	300	高精度光学/气动曲面

3.2 目标函数：你要优化什么？

目标函数就是你要最小化或最大化的那个值。在自由曲面里，常见的目标有：

• 曲面光顺度：比如曲率变化率最小化
• 贴合度：曲面到目标点云的距离最小
• 物理性能：比如气动阻力最小、光学像差最小

我一般把目标函数写成 f(x)，其中 x 是设计变量向量。优化就是要找到 x* 使得 f(x*) 最小。

# 一个简单的目标函数示例
def objective(x):
    # x 是控制点坐标向量
    # 计算曲面到目标点云的距离
    surface = build_surface(x)
    distances = compute_distances(surface, target_points)
    return np.mean(distances**2)  # 均方误差

3.3 约束条件：别让曲面「飞了」

约束条件就是你不能越过的红线。在自由曲面优化里，常见的约束有：

• 几何约束：控制点不能超出边界、曲面不能自交
• 制造约束：曲率半径不能小于刀具半径、拔模角不能太小
• 性能约束：最大应力不超过材料极限

我习惯把约束分成两类：

类型	形式	例子
等式约束	h(x) = 0	曲面必须通过某个固定点
不等式约束	g(x) ≤ 0	曲率半径 ≥ 5mm

我曾经踩过一个坑：约束写得太紧，导致可行域为空，优化器直接报错。后来我学乖了，先跑一次无约束优化，看看自然解在哪，再慢慢加约束。

3.4 多目标优化：鱼和熊掌怎么兼得？

现实中的问题很少只有一个目标。比如你要曲面既光顺又贴合目标点云，这两个目标往往是冲突的。光顺了就不贴合，贴合了就不光顺。

多目标优化的核心概念是Pareto 前沿。简单说，就是一组解，其中任何一个目标都不能在不损害其他目标的情况下改进。

我常用的方法有两种：

1. 加权求和法：给每个目标一个权重，合并成单目标。简单，但权重不好调。
2. NSGA-II：直接求 Pareto 前沿。效果好，但计算量大。

# 加权求和法示例
def multi_objective(x):
    f1 = smoothness(x)   # 光顺度
    f2 = fitness(x)      # 贴合度
    w1, w2 = 0.6, 0.4   # 权重
    return w1 * f1 + w2 * f2

3.5 知识体系总览

下面这张图把本章的核心逻辑串起来了。你可以看到，从设计变量出发，经过目标函数和约束条件，最终走向单目标或多目标优化。

3.6 本章小结

好，咱们捋一下这章的核心：

• 设计变量：控制点坐标，从少到多逐步增加
• 目标函数：标量，代表你要优化的性能
• 约束条件：等式或不等式，限制可行域
• 多目标优化：Pareto 前沿，加权法或 NSGA-II

我个人觉得，建模这一步花再多时间都值得。模型建好了，后面就是调参的事。模型建歪了，后面全是白干。