我们每次可能有成千上万次仿真结果数据，对于目标变量而言，我们只需用History图就可以看出变量优化后的取值区间或趋势；

例如下面的History图，mF比较经典的一个工字梁优化案例，重量随着优化进程的不断推进，取值趋势，或者说范围，越来越明显，虽有波动，只不过是优化算法在不断地寻优的进程，但大体趋势已经非常明显。

而不仅仅针对结果变量，对于因变量我们同样可以采用History图看出优化进程中，在优化目标和算法的影响下的取值趋势和范围，特别是多目标优化中，对于我们方案设计有一个很好的数据支撑。

若想观察两个或多个变量在优化进程中的变化情况，可以使用Multi-history、Multi-history 3D、Multi-vector图表功能，多线条对应不同变量。而History图给我们展示的就是在优化进程中的参数变量取值趋势以及优化后的参数最优范围。

对于参数变化趋势，我们不仅可以从History图查看单一变量的变化趋势，也可以用Scatter散点图或Scatter 3D图同时查看两个或多个变量之间的变化走向，而且这也是我们经常用于查看帕累托解集的一种常见方式。

比如经典案例工字梁优化结果中的两个目标 min_def和min_weight在散点图中的对应情况如下图，最优范围应该是左下角的范围内，符合两个目标的最小值要求。

我们可以稍微把范围放大，可以看到最优范围已经在左下角分布，且解的趋势范围渐渐成一条曲线分布，在这条曲线上的点，也没有在所有目标上都有更好的解存在了，所以这条曲线上的点即为帕累托解集，当然这是比较理想化的状态，对于更多优化目标情况下，形式又会发生很大的变化。

我们也是可以通过散点图查看多个变量的空间分布，可能对于我们优化的取值和趋势有更明显的了解。

Bubble气泡图在散点图的基础上通过对某个参数叠加颜色，比如下图的颜色针对设计ID号，起始设计ID为深蓝色，随着设计的深入，ID逐渐变为红色，红色越深，设计ID越靠后，即优化的进程逐渐进入尾声，随着颜色在散点图中点的分布，也可以看出点的分布情况，这对于了解优化进程有很好的指导作用。也能看出优化解集的聚集范围和趋势。

而Bubble 4D图则在Bubble图的基础上，改变设计前后气泡的大小，气泡越小，则设计越靠后，对于我们了解设计进程在图表空间中有一个聚集趋势或优化方向。

数据的走向和取值趋势，通过History等图可以很好的显示，但是数据的分布区间我们可以通过Design ditributioin来展示，可以选择所有的因子和结果变量在一张表格中，如果我们把鼠标悬停在某一个网格上，比如左下角，会显示该区域存在320个设计点，因此通过颜色来反馈设计的数量，即纵向来看，是把数据分成5个区间，落在每个区间的设计点数用颜色来区分展示，通过此方式，就可以看出我们的优化设计数据区间的落点范围。

如果我们鼠标电机某一个方格，比如左下角320个设计点的红色方格，其他的变量也只会显示这320个设计点在每个变量上的落点区间。而这种设计分布功能，让我们能够很好的了解我们优化设计点的分布范围，对该次优化设计有数据上的整体了解。

而我们经常使用的一种数据筛选功能就是平行折线图，把每个设计点通过线段组合变量，通过线段的聚集程度，可以观察出优化的趋势走向，比如在当前的目标要求下，a的取值就是比较偏小的范围内。

在平行折线图中，我们更是可以调整数据集的参数范围，按照数据条件，从而筛选出对应的设计方案，这一点可以从全局入手，多条件筛选，是我们处理数据经常使用的一个方式。

在设计中我们经常会设置优化进程中的约束条件，一旦设计方案违反约束则认为是不满足设计要求，不应采纳，但对于优化进程中，我们可以对违反约束的设计方案进行统计，可以直接使用Broken constraints图表直接统计出违反设计的设计方案数量。如下图所示，该优化设计方案中，共计两个约束条件，每个违反约束的数量以及比例，也都统计出详细数据。

针对优化设计，可以对总体方案数据进行总结，利用饼图，可以看出当前设计中有多少比例是可行解，多少不可行解，即违反约束的解，还有其他错误解、虚拟优化解等，对于整体优化方案做出基本的数据统计。