代理模型在应对高昂仿真成本中的应用

在超临界翼型等复杂工程设计中，高保真仿真（CFD、有限元分析）的单次评估往往需要数十分钟到数小时。若把这种仿真直接嵌入演化循环，每一代种群都要逐个评估，计算预算会在几十代之内被迅速耗尽，可探索的搜索空间也随之被压缩。

代理模型（surrogate model，也称近似模型、元模型）用低成本近似计算替代或部分替代高保真仿真：它从已有仿真样本中学习输入—输出映射，在多目标演化优化中快速预测候选方案的性能，从而突破高精度仿真成本高昂的瓶颈。

为什么不能把高保真仿真直接塞进演化循环

• 瓶颈来源：超临界翼型、结构强度等问题的单次 CFD / 有限元仿真耗时长，而演化算法每一代都要评估整个种群，评估次数与计算预算近似线性消耗。
• 直接后果：预算被少数几代吃光，种群规模与迭代代数只能被迫压缩，多目标前沿难以被充分探索，真正的设计空间被「评估不起」所封锁。

代理模型的基本原理

用基础翼型、扰动样本等已有数据训练一个映射关系「候选方案 → 目标值与约束表现」，它就成为一个廉价近似评估器。演化循环中候选解先由代理批量评分，只有评分靠前、或不确定性偏大的少数候选才交给高保真仿真校核。

加速路径的四个环节

1. 离线训练：用初始采样样本训练代理模型，建立初步的输入—输出映射。
2. 在线批量预测：每一代对全部候选同时预测多个目标值，替代逐点高保真仿真。
3. 代理辅助选点：结合预测值与不确定性，挑选高潜力或高信息量的候选。
4. 回填校正：把少量高保真结果写回样本库并增量更新代理，使后续预测持续贴近真实响应面。

精度与成本的权衡

代理模型越复杂（从简单回归到高斯过程、深度网络），通常越准，但训练与推断开销也随之上升。关键约束是代理必须显著快于高保真仿真，否则它会变成新的瓶颈；同时精度要足以支撑选择压力，否则演化会被错误的方向带偏。

边界与风险

代理只在训练分布附近可靠。当搜索把候选推向分布外区域时，预测可能给出看似合理却严重偏离的数值，误导搜索方向。可行做法是：输出不确定性估计、设置置信阈值筛选、对越界候选强制高保真验证，并用实际误差统计定期检查代理质量。