在 Lattice 中，优化不仅是简单的数学计算，它是一个将实验数据转化为生产方案的闭环流程。首先，LLM 根据您的业务指令识别出对数据进行响应曲面建模（RSM）的需求；接着，底层的确定性引擎调用统计回归模型，构建从因子到响应的数学函数；最后，系统使用多起点约束寻优算法在定义域内搜索最大化满意度（Desirability）的点。这种架构确保了所有的寻优逻辑既基于严格的二阶模型拟合，又能够以自然语言直接反馈给您具体的因子设定点与预测表现，从而将复杂的统计优化过程简化为直接的生产建议。
何时选择这一家族
- 您已获得实验数据，需要找到让核心指标（如良率或浓度）达到最优的参数点。
- 您需要平衡多个相互冲突的响应目标（例如：在降低缺陷的同时提升处理速度）。
- 您必须在设备物理限制或工艺规范（如温度与压力范围）的严格约束下寻找解空间。
- 您希望通过数据预测确定一个安全的“工艺窗口”，以应对生产过程中的波动。
优化方法的核心逻辑
该方法学基于 Derringer-Suich 提出的满意度函数，将复杂的物理指标转化为标准化的 [0, 1] 区间评价。系统通过这一函数衡量每一个指标达成预设目标的程度，进而综合多个目标权重，计算出一个全局满意度指标。
在寻优阶段，系统采用多起点寻优策略，从空间的不同位置出发多次尝试，以规避非凸曲面可能带来的局部陷阱，确保找到最稳健的工艺参数组合。
如何区别于其他统计方法
与侧重于因果推断的实验设计（DOE）或侧重于趋势观测的回归分析不同，此方法直接以“决策”为导向。它不讨论变量间的关系如何显著，而是假设模型已具备足够的解释力，直接输出可直接录入生产系统的具体数值。
相较于盲目的试错法，该方法通过二阶响应曲面模型构建了一个预测地图，从而在有限的测试数据下，通过计算精确锁定参数空间中的最优区域。
常见错误与避坑指南
忽视模型拟合质量是初学者常犯的错误。若响应曲面模型的 R² 过低，意味着模型本身对数据的拟合度不足，此时得出的“最优解”可靠性极低。Lattice 会针对此类情况发出预警，建议在优化前先检查模型拟合。
另一个盲点是设定的目标过于激进。若要求的满意度指标无法达成，建议放宽约束条件或扩大因子搜索范围，而不是强制要求模型输出结果。
常见问题
- 为什么我得到的最优解，在实际生产中并没有达到预期的良率？
- 这通常归因于响应曲面模型本身的拟合误差或数据范围外推导致的偏差。请检查工具输出的 R² 指标，若模型拟合不佳，优化的基准本身就会存在偏差。此外，建议确认实验数据的覆盖范围是否足够覆盖您所要求的搜索边界。
- 我可以同时给多个指标设定不同的重要性吗？
- 可以。在使用多响应优化时，您可以为每个目标分配权重。权重值越高，系统在计算全局满意度 D 时会越优先满足该目标。如果某个指标权重远高于其他，系统会表现出明显的偏向性。
- 系统输出的最优解离实验中心点很远，这安全吗？
- 该方法学在搜索时会严格锁定在您定义的因子编码区间内。如果最优解位于区间边界，建议您检查模型是否在区间外存在过拟合趋势。如果对结果有疑虑，可以通过收紧约束条件或增加局部实验点来验证。