iAOP/templates/ti-cl4/recipe-optim/README.md

# Ti-2 配方动态优化（recipe-optim）

> 对应 issue #78（问题建模）/ #79（求解器集成）/ #80（跨工序寻优）/ #81（可解释建议）。
> PRD §5.3 ②「配方动态优化」：`入：质量目标 + 约束；出：参数/配方建议`，二期交付。

本目录沉淀**配方优化**的声明式模板资产 + 求解器无关的问题建模引擎，跨行业差异落
资产（YAML 模板），引擎零改动（PRD「超参包驱动」「模板化技术路径」）。

## 模块

- `problem.py` — 优化问题建模（**#78**）：决策变量 / 目标 / 约束的声明式规格 +
  校验 + 可行性判定 + 零依赖 YAML 子集加载。
- `solver.py` — 求解器集成（**#79**）：`SolverConfig` + `Solution` + 网格枚举/
  坐标下降轻量求解器 + `solve()` 统一入口，求解器无关契约。
- `cross_process.py` — 跨工序关联寻优（**#80**）：纯标准库岭回归 +
  `CrossProcessModel`（上游指标→下游质量，fit/predict/evaluate R²/可解释权重/序列化）。
- `advisor.py` — 优化建议生成与可解释性（**#81**）：整合 #78/#79/#80 输出
  可溯源建议报告（变量级/跨工序佐证/风险提示/溯源链路）。
- `config/recipe_optim.template.yaml` — Template-Ti 配方优化模板资产。
- `tests/` — 单元测试（`python -m unittest discover -s tests`，76 用例）。
- `_sanity_check.py` — 部署期一键自检（8 能力点）。

## 设计

1. **决策变量 `DecisionVariable`**：`bounds`（连续区间）/`choices`（离散枚举），
   带 `meaning`/`unit`/`initial`，供 #81 可解释建议引用。
2. **目标 `ObjectiveSpec`**：线性加权（min/max）+ PRD 超参包 `target` 字段。
3. **约束 `ConstraintSpec`**：统一描述 box / linear / ratio / forbidden 工艺约束，
   每条带 `reason`（工艺依据，对齐 PRD"可解释、可溯源、引用依据"）。
4. **问题 `OptimizationProblem`**：`validate` 聚合静态校验、`is_feasible` /
   `violated_constraints` 做可行性判定，`solve` 留给 #79 注入求解器（求解器无关）。

## 与上下游的契约

- 下游 #79 求解器：消费 `OptimizationProblem`，产出满足约束的最优取值。
- 下游 #80 跨工序寻优：复用同一变量/目标/约束模型描述跨工序关联。
- 下游 #81 可解释建议：读 `violated_constraints` + 变量 `meaning` + 约束 `reason`
  产出"可溯源"建议。

## 运行

```bash
python -m unittest discover -s tests        # 单元测试
python _sanity_check.py                     # 部署期自检
```

零第三方依赖（纯标准库），与内核既有模块一致，便于离线/隔离网部署。