用途：为材料仿真标定提供一套工作流，帮助设计实验、排序参数影响并选择优化策略。要求 Python 3.10+，无外部依赖，仅用标准库。
主要能力：doe_generator.py 生成实验设计样本（lhs、quasi-random、factorial；sobol 为已弃用别名）；sensitivity_summary.py 对传入的敏感性分数排序；optimizer_selector.py 依据维度、预算与噪声推荐优化器；surrogate_builder.py 拟合轻量代理模型（poly 最小二乘、rbf 插值），输出 mse、留一交叉验证 cv_error 与 output_variance。
使用方式：先收集参数边界、评估预算、噪声水平与约束，再按决策指引选方法。示例：python3 scripts/doe_generator.py --params 3 --budget 20 --method lhs --json；python3 scripts/doe_generator.py --params 2 --levels 4 --method factorial --json；python3 scripts/sensitivity_summary.py --scores 0.2,0.5,0.3 --names kappa,mobility,W --json；python3 scripts/optimizer_selector.py --dim 3 --budget 50 --noise low --json；python3 scripts/surrogate_builder.py --x 0,1,2 --y 10,12,15 --model rbf --json。仿真需用户自行运行并提供结果。
适用场景：中低维参数探索、敏感性筛选、优化器选型与轻量代理建模。
限制：不做实时优化循环，不自动执行仿真；代理模型为轻量实现，生产环境建议用 scipy/scikit-learn/GPyTorch；rbf 的样本内 mse 近乎为零，应以 cv_error 判断拟合质量；factorial 按 levels**params 生成样本，可能与 --budget 不一致并给出提示。脚本不读写外部文件，仅输出 JSON 到 stdout。