基于NSGA-II与Maxwell的电磁执行机构多目标结构优化

我手头这个项目是做一款电磁执行机构的结构优化，尺寸参数一共五个：永磁体厚度、气隙长度、线圈匝数、齿宽和磁轭厚度。三个性能指标天生互斥，气隙磁密要拉高、总质量要压低、磁密波动还要小。刚开始我用最原始的手动调参，一天最多试五六组方案，到第20组已经彻底分不清是哪个参数在起作用。后来我把MATLAB里的NSGA-II算法和Maxwell电磁仿真串成一条全自动优化链路，让算法自己去搜参数空间，一个晚上自动评估几百上千组设计点，最终把整条Pareto前沿摆在我面前。这篇就是我搭这套流程的完整复盘，覆盖整体架构、五变量数学建模、Maxwell脚本化改造、MATLAB主控代码、两种实时交互方式对比，以及提速和踩坑经验。正在做电磁器件结构优化、或者想把外部优化算法接进仿真软件的朋友，可以直接把这篇文章当施工图来用。

1. 从手动调参到自动寻优：这套方案到底解决了什么问题

1.1 五变量手工调参的真实痛点

五个参数看着不多，但真正动手调过的人都知道有多恶心。每个结构参数牵连的性能少则两个、多则三个，而且全是非线性变化。加厚永磁体，气隙磁密确实上去了，代价是重量增加、漏磁路径变宽；缩小气隙，磁密也跟着上，但加工公差、装配难度立马敏感起来。最要命的是参数之间互相耦合——磁钢加到某个厚度之后磁路开始饱和，这时候你再调气隙，响应规律和薄磁钢时完全不同。你盯着上一次的结论往下顺，很容易在局部组合里打转。

组合数量更是反直觉。五个变量，每个只取五个有区分度的水平，全因子扫描就是 5^5=3125 组方案。就算一组仿真只要20秒，连续跑也要17个小时还多，这还没算每次改参数、改模型、看结果的人工时间。实际上绝大多数工程师不会做全因子扫描，而是靠经验挑几个点试，这就回到了"赌手感"的路子上。手动试凑本质上是一个串行贪心搜索：先固定四个参数，试第五个；试完第五个，回头再调第一个，发现第一个的最优区间又变了。这种贪心省略掉的交互效应，恰恰是电磁结构设计里最值钱的信息。

1.2 为什么是NSGA-II而不是单目标优化

有人会问：用遗传算法跑单目标不行吗？把三个目标加权加起来成一个综合指标，用MATLAB自带ga函数照样能跑。理论上可以，但"权重"这东西要先拍脑袋定。磁密和重量怎么算权重？波动率重要0.3还是0.7？不同产品定位、不同客户需求，答案完全不同。你定一个权重，算法只会还给你一个点，这个点是不是真正值得制造的折中方案，并不知道。你想要的是一条权衡曲线，让决策者带着业务约束去曲线上挑，而不是提前赌一把权重。

NSGA-II正是干这个的。它是经典的多目标进化算法，核心机制一句话能说清：每一代里，它先把种群按照支配关系分层——不被任何其他个体支配的那些解构成第一层，也就是当前代的Pareto前沿；然后再算同一层里每个个体的拥挤距离，越孤立的解越被优先保留，避免所有解挤到某一个小区域；最后父亲解合并进子代种群做精英保留，好解不会因为变异交叉而弄丢。把它想象成一个打分机制：既看方案是否在全局层面占优，也看方案之间是否足够"分散"，还保证历代最好的点永远有复活机会。

MATLAB里直接用gamultiobj就行，它是工具箱对NSGA-II的实现，虽然内部默认算子做了调整，但非支配排序、拥挤距离、精英保留这些主干都在，拿来接Maxwell完全够用。真要是想要教科书版的SBX交叉和多项式变异，也可以自己写或者用第三方实现，但工程项目的投入产出比不划算，内置版本我实测下来收敛性和分布性都不差。

1.3 整体架构：MATLAB出题、Maxwell做题、文件对答案

整套系统我总结成一句话：MATLAB负责出题和批改，Maxwell负责做题，JSON和CSV文件负责传纸条。MATLAB端跑的是NSGA-II主循环，每产生一代种群，就把这代所有个体的五个变量写成一个JSON参数文件；然后通过命令行启动Maxwell的批处理脚本，让它在自己的环境里逐个更新模型参数、跑电磁场求解、导出气隙磁密曲线；等Maxwell全部算完，写一个完成标记文件；MATLAB轮询到标记之后读回结果文件，统计出三个目标值，喂给NSGA-II生成下一代。循环往复，直到收敛。

很多人想象的"实时交互"是MATLAB和Maxwell之间建一条像点对点通信那样的通道，参数实时传过去，结果实时传回来。实际工程里更高效的做法是以"代"为单位的批量交互：一代30个个体一次性交给Maxwell，进程启动一次，内部连续算完30个设计点，再一起把结果传回。这么做有两个直接好处：一是避开每次启动Electronics Desktop都要等30到60秒冷启动的成本，二是让Maxwell脚本内部可以批量复用同一个项目文件，避免反复开关工程的额外开销。这套流程跑顺之后，真正的瓶颈就只剩单次仿真耗时和代数预算，下面按模块拆开讲。

2. 五变量优化问题的数学建模：边界、目标与约束

2.1 五个结构变量怎么定义

这一节先明确优化问题的数学外壳。任何优化算法都只认"一组数进去，一组数出来"，所以第一步就是把物理结构抽象成变量、边界和目标。

我用的五个变量定义如下：

边界不是随便拍的。气隙下限0.5mm是因为实际装配时内外同心度误差、温升变形都摆在那，标称值设得再小，产线上装不出来也是白搭。磁轭厚度上限10mm是因为磁路截面积超过需求后，厚度再翻倍只会拖累重量，B值早就不涨了。边界设计本身就能缩小搜索空间，省下不少仿真量。

注意x3匝数有个特殊性：NSGA-II默认在连续空间里搜索，但匝数必须是整数。我的做法是在适应度函数内部做round(x3)，仿真和结果统计都用舍入后的值。这样算法虽在连续域探索，但实际评估的都是合法整数，Pareto前沿上会出现轻微离散感，不影响决策。

2.2 三个互相打架的优化目标

这个案例里我设了三个目标函数，分别对应性能、成本和品质：

• f1 = 气隙中心路径上的磁通密度峰值，单位T，要求最大化；
• f2 = 有效结构总质量，单位kg，要求最小化；
• f3 = 气隙磁密沿路径分布的波动率，定义为标准差除以均值，要求最小化。

f1对应电磁出力水平，磁密越高，相同安匝下输出力越大。f2对应材料成本，磁钢、铁芯、线圈的密度和体积都可以用简化几何算出来。f3对应静力平稳性，磁密波动大，意味着在不同工作点下力的波动也大，对控制精度不友好。

三个目标天然冲突。想把f1做高，就得多放磁钢、收紧气隙，f2立刻恶化；气隙一收紧，磁密波形又常常变得更尖，f3也会变差。想要波动小，往往需要更宽的极靴或更均匀的磁路，体积重量又上去了。因为不存在一个点同时制霸三个目标，所以才需要用NSGA-II去生成Pareto前沿，让这三个指标的取舍关系一目了然地摆在决策者面前。

2.3 目标归一化与约束处理

gamultiobj在做非支配排序时，是逐个目标独立比较的，理论上不需要把所有目标拉到一个量纲。但拥挤距离计算时，如果某个目标的数量级远大于其他目标，那个方向上的距离就会被稀释，Pareto前沿在三维空间里容易挤成一片。我的经验是：从Maxwell导出原始结果后，先对三个目标做min-max归一化，再返回给优化器。归一化不会改变支配关系，但能让拥挤距离的分布更均匀，前沿点在空间里铺得更开。

范围怎么定？每一代都用当前代种群里的最小值当0、最大值当1，这样就不需要预设全局先验。目标函数里f1是最大化，gamultiobj默认全部最小化，所以返回给优化器的是-f1，最后画图再取回来。任何在这个环节忘了加负号的人，都会跑出一代比一代更差的磁密，算是这个流程里最典型的低级坑之一。

约束方面，本案例没有硬约束，变量的上下边界本身就是约束，交给gamultiobj的lb和ub参数就行。如果后面要加"总质量不超过5kg"这种约束，可以写非线性约束函数c(x)传给优化器。但要提醒一点：约束值如果依赖Maxwell仿真结果，每一次约束评估同样要触发一次仿真，等于是额外烧时间，能省则省。能用边界近似的就不要再画蛇添足。

3. Maxwell侧脚本化改造：从GUI手工操作到参数驱动

3.1 先用录制脚本搭起自动化骨架

Maxwell能被人从外部指挥，靠的是一套基于IronPython的脚本机制。最笨也最稳的起步方式是打开Tools菜单里的Record Script，手动完整操作一遍项目：打开aedt工程、激活设计、把某个参数从5mm改成8mm、跑一次求解、导出气隙上的磁场强度报告。你在界面上做的每一个动作，都会被录成一段Python风格的脚本代码，这就是自动化骨架。

录出来的脚本通常带一堆GUI控制语句，比如oDesktop.RestoreWindow()、各种对话框确认、视图操作，这些不是每次都需要，要先删掉。真正有用的动作序列其实只有四件事：打开项目/激活设计、更新设计变量、运行分析设置、导出结果。把这段瘦身后的脚本放进一个函数里，就是Maxwell侧的"做题函数"。

需要提醒的是，不同大版本的Maxwell脚本API关键字有差异，比如ChangeProperty的传参结构、CreateReport的参数表头在不同版本里都可能改名。不要指望网上抄一段就能跨版本跑通，正确姿势是自己录一段、看一眼生成代码、再删改。我把"以录制脚本为准"当成铁律之后，再没被版本迁移坑过。

3.2 参数下发：把一代种群的五变量写进设计表

MATLAB和Maxwell之间传参数，我用JSON文件做中间人。MATLAB先把一代种群写成一个JSON数组，每个元素是一个五变量字典，形如：

[ {"x1": 5.2, "x2": 1.1, "x3": 120, "x4": 8.5, "x5": 6.2}, {"x1": 6.0, "x2": 0.8, "x3": 150, "x4": 9.0, "x5": 5.5} ]

Maxwell侧脚本逐条读取，然后调用设计对象的属性修改接口，把参数写进变量表。结构大概是：

import json, os def set_design_variables(design, p): new_props = [] for name, val in p.items(): if name.startswith("x"): new_props.append(["NAME:" + name, "Value:=", str(val) + "mm"]) design.ChangeProperty( "NAME:AllTabs", ["NAME:LocalVariableTab", ["NAME:PropServers", "LocalVariables"], ["NAME:NewProps"] + new_props])

有两个细节必须提前处理好。第一，变量x1到x5要事先在Maxwell模型里建好，脚本只改Value，不负责新建变量，不然同名变量重复添加会直接报错。第二，单位别乱写，Maxwell表达式里的"5mm"和"5 mm"都合法，但字符串拼接时少一个空格最保险，我统一用str(val) + "mm"。

3.3 批量求解、导出结果和完成标记

参数一变，Maxwell会重新剖分网格，然后执行求解。脚本里循环遍历整个种群，每处理一个个体就调用一次分析设置：

results_path = r"C:\work\optim_results" design.Analyze("Setup1") # Setup1 是求解设置名

求解完成后，需要导出气隙中心路径上的磁密数据。我让Maxwell生成一个沿气隙的Line报告，把位置和B值两列数据导成CSV。IronPython环境很受限，没有numpy、pandas，所以我让脚本只负责导出原始曲线文件，不做统计计算。峰值、波动率、质量估算全部回到MATLAB算，这样两边各干各的强项。

最后一件事是写完成标记。整个种群跑完，脚本在指定目录生成一个done_XXXX.flag文件，里面随便写个OK。MATLAB看到这个文件就认为这批结果齐了，可以拿走。为什么不用脚本退出事件做同步？因为Electronics Desktop在批处理时经常派生子进程，主进程退出不代表求解线程全部收工，直接读结果文件容易读到半截数据。flag文件是最后一道闸门，简单、可靠、不挑版本。

4. MATLAB主控程序与NSGA-II核心代码

4.1 gamultiobj的关键选项

MATLAB侧主程序比较短，核心是gamultiobj的参数设置和适应度函数。我用到的关键选项如下：

UseVectorized是这套方案能否高效运转的关键，没有之一。打开后，适应度函数接收的不再是单个个体向量，而是整个种群矩阵，也就是一次给了你30组五变量。正常情况下你拿到这30组数，就可以一次性写进JSON、一次性启动Maxwell、一次性拿回30组目标值。如果不开向量化，gamultiobj会逐个体调用适应度函数，每调一次都要启动一遍Maxwell进程，30个个体的种群等于一天里重启30次Electronics Desktop，时间全耗在冷启动上。

4.2 向量化适应度函数：一代只启动一次Maxwell

向量化适应度函数的核心骨架如下：

function fpop = maxwell_fitness_vect(xpop) % xpop: popSize x 5 矩阵，每一行是一个个体 global CURRENT_GEN; genLabel = sprintf('%04d', CURRENT_GEN); % 1) 写这一代所有个体的参数文件 write_pop_params(xpop, ['params_' genLabel '.json']); % 2) 启动Maxwell批处理跑完这一代 cmd = sprintf('"%s" -RunScriptAndExit "%s" -Batch', ... AEDT_EXE, RUN_SCRIPT); system(cmd); % 3) 等待完成标记 wait_until_file_exists(['done_' genLabel '.flag'], 1800); % 4) 读回所有个体的CSV曲线并统计三目标 fpop = compute_objectives(xpop, genLabel); % 5) 清理临时文件 delete(['done_' genLabel '.flag']); delete(['params_' genLabel '.json']); end

这里AEDT_EXE是Electronics Desktop可执行文件的完整路径，RUN_SCRIPT是Maxwell侧Python脚本的路径。这里有个很实用的技巧：用全局变量CURRENT_GEN为每一代生成不同的文件名标签，从根上避免"上一代残留结果文件被下一代误读"的经典问题。如果你不太习惯全局变量，也可以在外面用时间戳datestr(now, 'HHMMSS')拼进文件名，效果一样。

compute_objectives函数的实现思路是按个体读取CSV：

function fpop = compute_objectives(xpop, genLabel) nPop = size(xpop, 1); fpop = zeros(nPop, 3); for i = 1:nPop csvFile = sprintf('bcurve_p%d_%s.csv', i, genLabel); data = readmatrix(csvFile); B = data(:, 2); fpop(i, 1) = -max(B); % 最大化磁密 -> 取负 fpop(i, 2) = estimate_mass(xpop(i,:)); % 密度+体积估算 fpop(i, 3) = std(B) / mean(B); % 波动率 end end

别忘了gamultiobj默认最小化所有目标，所以磁密这种"越大越好"的指标必须取负号。把这行忘掉的人都会得到一条从高磁密往低磁密跑的Pareto前沿，而且可能跑完整个优化周期才发现，返工成本极高。

4.3 进程同步的那些细节

进程同步我采用了"轮询flag文件"的办法：

function wait_until_file_exists(flagFile, timeoutSec) tic; while ~exist(flagFile, 'file') if toc > timeoutSec error('Maxwell批处理超时，检查脚本是否卡死'); end pause(2); end end

超时时间建议设到单代总耗时的两倍以上，否则偶尔网格剖分或许可证排队时间一长，MATLAB会误判超时，整批结果白跑。我一般设1800秒，即30分钟。

还有一个容易被忽视的细节：system(cmd)返回后，Maxwell进程未必完全退出。Windows下Electronics Desktop经常派生后台子进程，主界面关了，求解进程还挂着，你的结果文件其实已经写好了，但进程没退干净。所以不要用system的返回状态来判断数据何时就绪，也不要在system之后立刻读结果，老老实实等flag。每代算完后，还要手动清理临时文件，否则几千个CSV堆在一个目录里，机械盘越跑越慢，最终拖垮整个流程。

5. 两种数据实时交互方式实测对比

5.1 批处理模式：稳如老狗

主推的就是批处理模式。MATLAB通过system调用Electronics Desktop，命令行里带着脚本路径和批量参数即可：

"C:\Program Files\AnsysEM\v231\Win64\ansysedt.exe" -RunScriptAndExit "C:\work\run_optim.py" -Batch

-Batch参数很关键，它让程序不弹图形界面、不走交互初始化，直接跑完脚本退出。视觉上你看到的只是一个黑框窗口闪几次，但运行效率和不稳定性都比GUI模式好太多。脚本跑完之后，Matlab通过flag文件拿结果，整个链路是单向、顺序、无回环的，几乎没有状态竞争。

缺点前面也说了：每代都要冷启动一次Electronics Desktop，许可证加载、工程打开、网格缓存初始化这些步骤重复发生。实测冷启动时间一般在30到60秒，50代就是25到50分钟，这笔账不算小，但它用稳定性换回来了。批处理模式下，版本升级只要脚本里API不变，基本不会出幺蛾子。

5.2 COM常驻模式：实时交互的另一种可能

如果想做到字面意义上的"实时交互"，也就是让Maxwell进程常驻、随叫随到，可以用MATLAB的COM接口直接拉起Electronics Desktop，反复执行脚本：

hDesktop = actxserver('Ansoft.ElectronicsDesktop'); hDesktop.Invoke('ExecuteScript', 'C:\work\script_run_one.py'); % 等结果，继续下一次调用 hDesktop.Invoke('ExecuteScript', 'C:\work\script_run_two.py'); hDesktop.release();

这种模式启动一次进程，后面每次调用都只是把Python脚本丢进常驻进程执行，省掉了反复冷启动的几十秒。调试的时候特别方便，你可以一个个体一个个体地试，在GUI里看着它跑，确定结果没问题再继续改下一个。它还有个好处，就是MATLAB可以按需动态决定下一步传什么参数，而不是把一整代固化成一个文件。

但COM方式对版本和运行环境比较挑剔。ProgID在不同版本里可能不一样，类型库没注册好直接actxserver创建失败；64位MATLAB和32位组件之间也有位数匹配问题；频繁跨进程调用还可能把桌面进程搞崩，一旦崩了，你只会看到一个孤立无援的进程卡在那。我这边的实测是，跑短脚本、做调试它很舒服，跑全流程优化稳定性稍微差一点。

5.3 交互通道的工程选型建议

做个直观对比：

我的建议是：大批量优化任务用批处理，在它外面套一个flag同步机制，这是绝对不会翻车的组合；COM常驻留给调试期，需要盯着某个个体在Maxwell里的场图、判读结果的时候，用它非常顺手。要是你非要在优化主流程里用COM，建议加一个看门狗，超时后强制杀进程并把该代标记为失败，避免整个优化挂死。

6. 提速技巧与真实踩坑记录

6.1 先算账：一次完整优化要多长时间

很多人在文章开头就被劝退，是因为没先算时间账。每次求解时间、种群规模、代数，三者相乘就是总时长。拿我的案例来说，二维静磁场求解，单个体大约20秒，加上结果导出3秒，算25秒一个设计点；种群30，代50，纯求解时间就是25×30×50=37500秒，约10.4小时。再加上每次代启动Electronics Desktop的冷启动时间约45秒，50代额外加了37分钟。总数大概11小时，一夜跑完很舒服。

如果你换成三维静磁场，单个体时间轻松上到2到5分钟，同样的种群和代数，总时长直接飙到50到100小时，这就基本没法做了。所以开工之前先测一个个体到底要多久，然后用这个公式估算总时长，再决定是砍代数、砍种群，或者是把模型降维。

时间没预算，后面所有优化策略都是空谈。

6.2 提速三板斧：2D、对称、放宽收敛

第一板斧是降维。很多电磁结构沿轴向是拉伸的，端部效应不大，用二维平面模型就能算得比较准。二维静磁场求解速度和三维完全不是一个量级，同等精度下一般快5到20倍。先老老实实二维跑优化，把Pareto前沿趋势找出来，再拿前沿上的少数候选点用三维模型精算验证，这是性价比最高的策略。

第二板斧是结构对称。如果模型本身有一半甚至四分之一对称性，就在Maxwell里加对称边界，只建对称部分，单元数直接砍半，求解速度接近翻倍。对称边界的磁通平行/垂直条件要在建模时根据磁场分布想清楚，这里不能偷懒，边界条件设错结果全废。

第三板斧是放宽收敛标准。自适应网格剖分的能量误差默认往往设得比较紧，比如1%。优化过程中，我们要对比的是不同参数组合的相对优劣，不是绝对电磁性能，完全可以放宽到2%到3%，单次求解时间能再降几秒到几十秒。最后一两代再回到严格收敛标准精算Pareto点，做最终决策。另外，Max自适应Pass数也别设太大，我一般设8到10，足够这个量级的模型收敛。

还有一个更激进的两阶段思路：先用粗网格跑20代，锁定几个有潜力的区域；然后重置变量边界到这些区域，细网格再跑剩下的30代。这个思路相当于"先广撒网，再重点捞鱼"，总时间能压缩到原来的六成甚至一半，代价是可能错过极个别的孤立最优区域，工程上一般可以接受。

6.3 一周调试踩过的坑

这套流程我调试了一周，踩的坑写出来能绕桌子一圈。挑几个最典型的：

变量命名别带花活。一开始我把变量取名PM_Thickness、AirGap_Length，Maxwell脚本解析时在某些版本里偶发异常。后来全部换成x1到x5，一次通过。取名字一时爽，脚本解析火葬场，血的教训。

单位字符串拼接要小心。str(val) + "mm"最简单可靠，不要用f"{val} mm"带空格，更不要写"5*mm"这种带乘号的，Maxwell表达式解析器对格式变化很敏感，想少踩坑就统一最朴素写法。

CSV列顺序会变。不同Maxwell版本导出场报告时，CSV的列顺序可能不一样，有的第一列是位置，有的第一列是数值。我在MATLAB侧读CSV时先用readmatrix再固定按列取值，结果换了一台机器就翻车。后来在脚本里给每一列写表头，MATLAB侧按表头名取列，问题才根治。

失败个体不能中断循环。某个个体网格剖分不收敛、参数组合产生几何重叠，求解器偶尔会报错，这时如果脚本直接中断，整代结果全废。我在Maxwell脚本的循环体里加了try/except，失败个体直接跳过，对应目标值置为一个巨大惩罚数，比如[10, 1e6, 10]。它在非支配排序里必然被淘汰，流程却能继续往下走。这个妥协非常实用。

许可证竞争问题。有人图快，在MATLAB里用parfor并行跑多个Maxwell进程，结果许可证不够，进程互相抢占，卡死一整个下午。Electronics Desktop的许可证机制对多实例支持不算友好，老老实实串行跑才是正道。真想并行，可以准备多套许可证并行的多机方案，但那是另一个量级的投入了。

结果文件污染。上一代的结果CSV没删除，新的一代跑完后部分文件没更新，MATLAB读到了旧数据，Pareto前沿里混进几个诡异点。后来严格按代标签命名文件，每代开头清空专属目录，再也不出这种灵异现场。

6.4 Pareto前沿的后处理与选点决策

优化跑完，gamultiobj会返回一组Pareto前沿解，三维散点是最直观的画法：

figure; scatter3(fval(:,1), fval(:,2), fval(:,3), 40, fval(:,3), 'filled'); xlabel('-B_peak (T)'); ylabel('Mass (kg)'); zlabel('B波动率');

注意第一列是负磁密，画图时用-fval(:,1)才是真正的磁密值，这一点不处理，图上看到的就是一条倒挂的曲线。

前沿上的点全部是非支配的，选哪个要看业务约束。我的惯例是先把三维前沿投影到最有意义的两个目标上，比如磁密和重量的二维平面，然后找这条曲线上的"拐点"，也就是膝盖点。膝盖点的特征是：你再往磁密方向多走一点，重量会剧烈上升；你再往轻量化方向走一点，磁密会剧烈下降。这个点往往是工程上最划算的折中，我会优先拿着这个点和客户讨论，而不是把边缘的极端解当推荐方案。

如果业务里已有硬约束，比如"总质量必须小于5kg"，就先筛选出满足约束的Pareto点，在剩余点里再挑磁密最高、波动率最小的。筛选逻辑很简单，但前提是目标值统计口径要一致，尤其f2的质量计算，最好和实际称重做过一次校准，否则你挑的点在仿真里完美，落地时被成本部门骂惨。

整套流程跑通之后，我最深的体会是：数据实时交互不是目标，而是手段。让优化循环真正转起来的，不是花哨的COM直连或实时推送，而是一套稳定的批处理加文件同步机制——看着笨，但它能让算法和求解器各司其职，几千次迭代不出岔子。瓶颈也从"能不能交互"变成了"单次仿真能不能更快"。我后面如果把这个案例升级到三维瞬态，单次仿真时间会成倍拉长，肯定得上代理模型，用Kriging或神经网络先近似替代求解器，把优化器喂饱了再回头精算候选点。多目标寻优的框架倒是可以原封不动留着，换的只是"做题的人"而已。