用途：NeqSim 自带的优化与实验设计（DoE）发现层，帮助把工艺流程优化问题映射到正确的内置类，避免在 Python 中重造优化器，而是在既有类外层做封装。
主要能力（按问题选择）：ML/智能体闭环用 auto.newOptimizer()（AgenticProcessOptimizer，有界 Nelder-Mead，永不抛异常的 JSON 与可回放轨迹，≥3.13.0）；设备约束下最大化产能用 ProcessOptimizationEngine.findMaximumThroughput；单变量自定义目标按单调性选 BINARY_FEASIBILITY 或 GOLDEN_SECTION_SCORE；2–10 变量无梯度用 NELDER_MEAD_SCORE；非凸全局用 PARTICLE_SWARM_SCORE；带等式/不等式/边界的约束 NLP 用 SQPoptimizer（BFGS + 有效集 QP + L1 罚函数）；2–4 个竞争目标用 MultiObjectiveOptimizer 的加权和或 epsilon 约束并 findKneePoint；DoE 用 BatchStudy 全因子并行扫描；不确定性用 MonteCarloSimulator（三角采样 + P10/P50/P90 + 龙卷风图）；参数扫描与外部桥接用 ProcessSimulationEvaluator 对接 SciPy、NLopt、Pyomo、BoTorch。
使用方式：先运行基准工况 process.run()，再调用对应类。SQP 须设物理合理的变量边界并做尺度归一，≤20 变量用有限差分梯度即可；非凸问题先用粒子群找好起点再跑 SQP。可用 ProductionOptimizationSpecLoader 读取 YAML 规格以保证可复现。灵敏度与瓶颈用 SensitivityAnalysis、ProcessConstraintEvaluator（含 TTL 缓存与 18 种产能策略）。
适用场景：工艺流程产能最大化、设备自动选型与优化（DesignOptimizer）、压缩机优化、举升曲线/VFP 表导出、不确定性与风险评估、参数扫描与情景筛选。
限制：当前不含贝叶斯优化（高斯过程/克里金），不含 MINLP/超结构综合，超过约 100 变量的内点 NLP 需外接 Pyomo+IPOPT，BatchStudy 仅支持全因子（LHS/Sobol/Morris 需外部）、不含鲁棒/两阶段随机优化，EOS 雅可比的算法微分尚未接入优化器。以上缺口不应编造存在。另需注意不要混用绝对产能与归一化评分的容差单位。