当你面对复杂的实验数据，需要从多个参数中找到最理想的平衡点时，期望函数优化（Desirability Function Optimization）能帮你达成目标。它将“越大越好”、“越小越好”或“特定目标值”等业务需求转化为统一的评分标准，利用统计模型自动计算出最优的参数组合，从而避免反复试错。
化繁为简的优化逻辑
期望函数优化通过将不同的响应目标映射为无量纲的“期望值（Desirability）”，解决了目标函数不统一的难题。无论你的目标是追求更高、更低还是更趋近于某个固定值，该方法都能将这些非标准化的指标转化为可计算的统一标准。
在 Lattice 中，该流程会自动调用二阶响应面模型进行拟合。通过在参数空间内进行多起点搜索，系统能够有效避开局部最优陷阱，精准定位到让期望值达到最大的参数坐标。
三种目标类型选择
根据业务场景的不同，你可以设定三种主要目标类型：一是“越大越好”，适用于良率、产能等追求极限的指标；二是“越小越好”，适用于缺陷率、能耗等需要尽可能降低的指标；三是“目标值最优”，适用于必须保持在特定规格范围内的工艺参数。
除了指定类型，你还可以为目标设置权重，或者根据实际操作经验定义上下限，从而精确控制期望值的计算逻辑，确保输出结果不仅在数学上最优，同时也符合工程实际的操作边界。
从编码空间到自然单位
为了保证计算的稳定性和防范外推风险，期望函数优化过程严格在编码空间（-1 到 +1 之间）进行。这一设计有效避免了因参数尺度差异过大而导致的计算误差。
当最优解选定后，Lattice 会自动将其反编码回实验的自然单位（如温度的摄氏度、压力的 Torr 等），为你提供可直接用于实际生产的参数建议，实现数据洞察到执行的快速转换。
1 · Intent → method
An LLM picks optimize_desirability from a fixed catalog.
2 · Method → numbers
Deterministic Python engine runs the math. Same input → same output.
3 · Numbers → plain language
A second LLM translates the result into your domain’s vocabulary.
期望函数优化是如何判断哪组参数“最好”的？
该方法会将你设定的目标（如最大化良率）转化为一个 0 到 1 之间的分值。模型会基于数学计算搜索所有可能的参数点，分值越接近 1，表示该点的预测结果越符合你的期望。最终输出的结果即为搜索过程中分值最高的一点。
如果我的数据模型拟合程度（R²）很低，还能使用该方法吗？
虽然可以运行，但 Lattice 会给出预警。当 R² 低于 0.7 时，说明当前模型对数据的拟合质量不足，基于此模型计算出的最优参数可能不够准确。在这种情况下，我们建议先检查数据或优化实验设计，提高模型精度后再进行期望函数优化。
Tool 输入字段
Schema for optimize_desirability not exported yet (run pnpm export:registry).