贝叶斯优化 — CAE术语解说

遗传算法是「尝试很多然后选择看起来不错的」方法——计算次数往往很多。贝叶斯优化是「从之前的计算结果预测下一步应该在哪里尝试才最有希望」，以较少的试验接近最优解的手法。特别适合像CAE这样单次计算成本很高（需要几小时）的情况。

用高斯过程回归（Kriging）构建代理模型。从已有的计算点创建「这个区域的目标函数可能是这样的形状」的预测分布。然后用acquisition函数（如期望改进EI）选择「期望改进最大的下一个点」。能自动平衡探索和开发，这是它的强项。

比如汽车车身面板的厚度优化。把10块面板的厚度（各0.5～2.0mm）作为变量，碰撞安全性、重量、刚性作为目标函数。遗传算法需要500次以上的计算，而贝叶斯优化大约50～100次就能得到相当的解。如果一次FEM计算需要2小时，时间节省就相当可观——可能省好几天。

Python的话optuna、scikit-optimize、BoTorch是标准库。Ansys optiSlang和ModeFRONTIER里也内置了这个功能。只要能用Python控制CAE求解器，就能和任何求解器组合使用。这个方法在机器学习的超参数调优文脉中得到发展，所以文献和库都很充实。

完全正确。在「评估成本高的优化问题」这个语境中，它是当前最受关注的方法之一。首先可以试试用optuna（Python）从简单的数学函数优化开始，这样能直观地理解机制。