Sweep
Exploration
大规模搜索设计空间
扫描进行到一半的 Exploration 工作区。一个应用窗口浮在绿色底面之上，左侧栏里是这次研究——Tuner、目标函数和约束，压在一个固定住的仿真设置之上；画布上画着 bouncing_ball 模型：带剖面线的地面、承载两个被扫描参数的弹簧-阻尼接触、小球、球上方的重力，以及把高度读出到信号端口的传感器。四张卡片浮出窗口边缘：仪表上显示每秒 24 次的 cluster.eval_rate、呈衰减波形的 bouncing_ball.height、在 248 次评估处逐渐填满的三目标 pareto_front，以及装着网格密度、求解器容差和采样数的 tuner.presets。右侧智能体面板显示请求、回复、四次工具调用和三个被改动的文件，画布下方的坞读出这次运行的进度。
Exploration 能做什么
一次仿真只回答一个问题。Exploration 一次问上千个——把任意模型包进一项研究，把每次评估都派给集群，并且让搜索本身变得可读，这样你才知道什么时候该停。
研究设置
向你的模型提一个问题
绑定一个 FMU、SSP 或 Paper 计算图，然后把问题写清楚：哪些参数是自由的、在什么边界内、对着哪些目标和约束。选好方法——参数扫描、无梯度优化、全局灵敏度，或蒙特卡洛采样——剩下的交给 Exploration。
一个 Exploration 窗口，研究就摆在一张卡片上。gearbox_2stage.fmu 以 FMI 2.0 绑定；三个自由参数标出这次研究从模型自身定义域里截取的区间——传动比 4.0 到 12.0，J_load 0.8 到 3.2 kg·m²，c_spring 5e3 到 2e4 N·m/rad；目标是最小化质量，同时把 T_peak 压在 85 °C 及以下、σ_max 压在 340 MPa 以内。底部是四个方法按钮——Sweep、Optimize、Sensitivity、Sample——选中项移到 Optimize，这个算法自己的设置随即出现在下方：NSGA-II、种群 40、25 代、种子 7。什么都还没跑；这项研究还是草稿。
实时看板
看着搜索收敛
候选一落地就流回来，不用等整批跑完。收敛曲线告诉你目标还在不在变好；平行坐标告诉你优化器押到了空间的哪个角落——以及它是不是已经悄悄塌到某条约束边界上了。
一个 Exploration 窗口，画布上只有一张收敛卡片。随着评估陆续返回，历史最优线从左侧填进来——先陡，然后拖出长而平的尾巴，而且从不上升，因为历史最优值不可能上升——同时卡片的计数器从 1000 中的 184 爬到 589，下方优化坞的进度条跟着推进。纵轴是目标值相对第一个候选的比例，所以这幅图只说搜索是否还在变好，而不给出任何已解出的数值。
结果与帕累托
读出取舍
多目标问题没有一个答案，它有一条前沿。给候选排序、筛选，把它们的时域信号叠起来看为什么某一个胜出，读帕累托集，再用一次操作把选定的设计写回源模型——并且保留这个选择的来源。
一个 Exploration 窗口，画布上是前沿，右侧开着属性面板。已评估设计的点云在质量、效率和峰值温度三个目标上逐渐填满，计数从六百二十次评估走到一千。属性面板里是选中的候选 #918：16.20 kg，效率 0.9258，84.6 °C；它的「应用到模型」按钮随后被填上应用主色，这个选择的来源落在按钮下方——传动比 8.63 写回 gearbox_2stage，出自 ratio_sweep 第 22 代。
一个 Exploration 窗口，左侧栏里是这次运行的条件——十八个 worker、一千次运行的预算、NSGA-II、六分钟墙钟时间对一百零四分钟 CPU——画布上是当前的派发窗口，一百五十个格子。排队中的槽位很淡；返回后各自画成一个点，浓淡取决于它找到的目标值；而那些撞上热约束被中途掐掉的运行，画成所有格子里最小的一个——因为它们没花掉的算力才是重点。这些中止集中在后段，那里正是搜索顶着约束的地方。有一个格子亮成应用主色，栏下一行写着：省下来没花掉的 CPU，九分零九秒。
方法
拷问一个设计的四种方式
Optimize
Sensitivity
Sample