# Sistema de Evolución Inteligente EvoX y Práctica Científica AI Native — Material Didáctico
Duración: 1 · Páginas de diapositivas: 16
## Navegación de Lectura
- [Lección 3｜Tema: La Complejidad del Mundo Real y las Compensaciones Multiobjetivo](#lecture-lesson-1)
---
## Lección 3｜Tema: La Complejidad del Mundo Real y las Compensaciones Multiobjetivo
### La Complejidad del Mundo Real y las Compensaciones Multiobjetivo
*Página 1*
> **Objetivo de la página:** Explorar objetivos y restricciones complejos que se condicionan mutuamente en el mundo físico real, y aprender a utilizar EvoX para generar un grupo de soluciones candidatas que contengan diversas relaciones de compromiso.
> **Objetivo de la página**
>
> Esta página traslada la perspectiva desde problemas de optimización idealizados hacia el mundo físico real, señalando que los objetivos de ingeniería a menudo se condicionan mutuamente y que la retroalimentación es escasa, e introduce la idea de usar EvoX para generar un conjunto de soluciones candidatas que reflejen diferentes relaciones de compromiso.
> **Secuencia de explicación**
>
> Primero se explica por qué el "conflicto entre objetivos" es universal; por ejemplo, en el diseño de perfiles aerodinámicos, la sustentación, la resistencia, la resistencia estructural y el ruido difícilmente pueden optimizarse simultáneamente. Luego se explica que la "retroalimentación escasa" se refiere a que la evaluación tiene un costo elevado y las muestras válidas son pocas, por lo que no se puede depender de una gran cantidad de prueba y error. Finalmente se introduce la exploración de múltiples candidatos, haciendo que EvoX no solo devuelva una única solución óptima, sino que proporcione un conjunto de soluciones con ventajas en diferentes direcciones de compromiso, para su uso en decisiones posteriores.
**Puntos clave de la enseñanza**
- Los sistemas reales están limitados por leyes físicas, procesos de fabricación, estándares de seguridad, etc., y las variables se influyen mutuamente. La mejora de un indicador a menudo tiene como costo el deterioro de otro, por lo que no existe un único "mejor", solo compromisos bajo diferentes preferencias. La simulación o experimentación real tiene un costo elevado y la retroalimentación no es densa, por lo que el algoritmo necesita utilizar de manera más eficiente la información de evaluación existente. Generar un grupo de soluciones candidatas puede presentar la frontera de compromiso y ayudar a los ingenieros a elegir según el escenario, en lugar de quedar bloqueados por una única solución. Se puede utilizar para ilustrar concretamente cómo buscar múltiples conjuntos de diseños viables entre objetivos como la eficiencia aerodinámica, la confiabilidad estructural y el ruido.
**Cobertura de palabras clave**
- Complejidad del mundo real, compensaciones multiobjetivo, conflicto entre objetivos, retroalimentación escasa, exploración de múltiples candidatos, EvoX, optimización de perfiles aerodinámicos.
**Verificación de comprensión**
Pida a los estudiantes que den un ejemplo de ingeniería o de la vida cotidiana donde "mejorar A sacrifica B", y que expliquen en qué se diferenciaría la forma de tomar decisiones si solo se pudiera obtener una solución versus obtener un conjunto de soluciones candidatas.
> **Indicación de transición**
>
> Una vez que los estudiantes puedan distinguir entre "óptimo de un solo objetivo" y "conjunto de candidatos bajo compensaciones multiobjetivo", pasar a la siguiente página sobre métodos específicos o desarrollo de casos.
### Conflictos Multiobjetivo y Complejidad del Mundo Real
*Página 2*
> **Objetivo de la página:** Los estudiantes deben comprender el estado básico de condicionamiento mutuo multiobjetivo y anidamiento de restricciones en el mundo real de la ingeniería.
**Puntos clave de la enseñanza**
- La optimización en ingeniería real enfrenta la complejidad de múltiples objetivos, múltiples restricciones y retroalimentación costosa entrelazados. Los objetivos se condicionan mutuamente y no existe un único óptimo ideal sin compensaciones, por lo que primero hay que identificar y aceptar los conflictos, en lugar de aplicar suposiciones idealizadas de un solo objetivo. Los objetivos no son independientes; mejorar uno puede empeorar otro; por ejemplo, aumentar la sustentación suele acompañarse de un aumento de la resistencia o una disminución de la estabilidad.
- Restricciones anidadas: el ajuste de variables locales afecta a otros subsistemas o etapas del ciclo de vida, formando un dominio factible acoplado y fronteras implícitas.
- Retroalimentación costosa: las evaluaciones de alta fidelidad como simulaciones CFD, túneles de viento y vuelos de prueba tienen un costo elevado y no pueden soportar prueba y error ilimitados.
- Objetivos difíciles de cuantificar, como seguridad, estabilidad, costo, regulaciones, mantenibilidad, etc., que difícilmente pueden unificarse en un único escalar. Mejorar un indicador puede empeorar otro. En el diseño de aeronaves, aumentar la sustentación incrementa la resistencia y reduce la estabilidad.
- Si se continúa optimizando algún indicador aerodinámico, se pueden activar restricciones como cargas estructurales, protección térmica o complejidad de control. Esto demuestra que los problemas reales no pueden simplificarse a un óptimo de un solo objetivo. El sistema no debe dar prematuramente una "respuesta óptima" única y aislada, sino explorar y retener un conjunto de soluciones candidatas con diferencias, para que los expertos ponderen beneficios y costos.
**Tratamiento de ejercicios**
Causa fundamental del conflicto multiobjetivo (los objetivos se condicionan mutuamente; mejorar uno puede empeorar otro); consecuencias de aumentar la sustentación (aumento de resistencia, posible disminución de estabilidad); limitaciones de la retroalimentación costosa (costo elevado de retroalimentación, número limitado de evaluaciones); práctica correcta de la optimización multiobjetivo (explorar y retener un conjunto de soluciones candidatas con diferencias); significado del anidamiento de restricciones (el ajuste de variables locales afecta a otros subsistemas o etapas del ciclo de vida). La retroalimentación correcta puede enfatizar: el conflicto multiobjetivo surge de compensaciones estructurales; sustentación y resistencia, y estabilidad son conflictos clásicos; la retroalimentación costosa limita el prueba y error; el óptimo único a menudo no existe en conflictos reales; las restricciones anidadas forman un dominio factible acoplado.
Optimización multiobjetivo de aeronaves. El escenario es el diseño de un nuevo dron que debe optimizar simultáneamente la eficiencia aerodinámica, el peso estructural, la estabilidad y el costo de fabricación; la simulación CFD de alta fidelidad tarda varias horas y las pruebas en túnel de viento tienen un costo extremadamente alto; los conflictos entre objetivos incluyen que aumentar la sustentación incrementa la resistencia y las cargas estructurales, y que reducir el peso puede disminuir la estabilidad; el anidamiento de restricciones incluye que los cambios en la forma aerodinámica afectan las cargas estructurales y la protección térmica, lo que a su vez afecta el diseño de las leyes de control. La pregunta 1 requiere identificar al menos dos conflictos y explicar por qué no pueden simplemente combinarse en un solo objetivo. Referencia: conflicto entre sustentación y resistencia, conflicto entre peso y estabilidad; no pueden simplemente combinarse porque las dimensiones y prioridades son diferentes, y la combinación requiere pesos subjetivos que pueden ocultar relaciones de compromiso, causando que las soluciones se deterioren en dimensiones no previstas.
La pregunta 2 requiere describir cómo utilizar la computación evolutiva para retener soluciones candidatas diferenciadas y explicar cómo los expertos ponderan. Referencia: adoptar algoritmos evolutivos multiobjetivo (como NSGA-II) para mantener la frontera de Pareto, reteniendo un conjunto de soluciones no dominadas, cada una representando un compromiso diferente; los expertos pueden seleccionar la solución adecuada de la frontera de Pareto según los requisitos de la misión, o ajustar los pesos de forma interactiva.
**Actividad en clase**
Pida a los estudiantes que repitan el contenido de esta página usando un ejemplo cercano a su experiencia, y que expliquen la relación entre este ejemplo y "primero identificar conflictos, luego modelar".
**Verificación de comprensión**
Seleccione aleatoriamente a un estudiante para que resuma los puntos clave de esta página con sus propias palabras, y el instructor complementa las palabras clave faltantes según la respuesta.
> **Indicación de transición**
>
> Después de confirmar que los estudiantes pueden expresar la relación central de esta página, pasar a la siguiente página con ejercicios de ejemplo, aplicaciones o resumen.
### Compensaciones y Exploración Multiobjetivo en el Mundo Físico Real
*Página 3*
> **Objetivo de la página:** Los estudiantes deben dominar las razones fundamentales por las que el sistema no puede dar prematuramente una solución óptima única y aislada.
**Puntos clave de la enseñanza**
- Al ver cualquier "solución óptima", primero preguntar en qué objetivo ha cedido. Solo cuando se pueden explicar claramente tanto los beneficios como los costos se comprende verdaderamente el problema multiobjetivo.
- El grupo de soluciones candidatas no es posponer la decisión, sino dejar el juicio de preferencia a quien mejor entiende la tarea. Al entregar, se debe proporcionar simultáneamente un conjunto de soluciones con diferentes énfasis y sus bases de comparación, en lugar de un montón de puntos dispersos sin ordenar.
- Cada simulación o experimento tiene un costo real. Bajo un presupuesto limitado, se debe priorizar la evaluación de candidatos con distribución dispersa que cubran diferentes direcciones de compromiso, en lugar de ajustar repetidamente alrededor del mismo punto, ya que esto permite obtener información más completa sobre la frontera.
## Objetivo de la página
Comprender por qué los problemas de optimización en el mundo físico real generalmente no tienen una "solución óptima única sin costo", y dominar la lógica central y el valor de retener soluciones candidatas diferenciadas en la exploración multiobjetivo.
## Secuencia de explicación
Los objetivos son difíciles de cuantificar completamente, las restricciones están anidadas entre sí, el costo de la retroalimentación de evaluación es elevado y múltiples objetivos se condicionan mutuamente.
2. Usar el ejemplo del diseño de aeronaves para ilustrar que "aumentar la sustentación a menudo va acompañado de un aumento de la resistencia o una disminución de la estabilidad".
3. Con la ayuda del diagrama esquemático de la frontera de Pareto, explicar por qué no se puede converger prematuramente a una única respuesta.
Explorar y retener un conjunto de soluciones candidatas con diferencias, proporcionando a los expertos una base de comparación beneficio-costo.
5. Finalmente, aclarar malentendidos comunes y abordar ejercicios y casos.
## Puntos clave de la enseñanza
**Tres hechos clave**
Los objetivos a menudo solo pueden cuantificarse parcialmente (como "confort" o "margen de seguridad"), las restricciones están anidadas capa por capa, y cada evaluación real (simulación de alta fidelidad, pruebas en banco o vuelos de prueba) conlleva un tiempo y dinero considerables.
Sustentación y resistencia, rendimiento y estabilidad, precisión y consumo de energía a menudo no pueden alcanzar el óptimo simultáneamente; cualquier mejora debe explicar claramente qué costo conlleva.
No se puede intentar infinitas veces, por lo que retener diversidad bajo un presupuesto de evaluación limitado es más robusto que bloquearse prematuramente en un solo punto.
**Por qué no se puede converger prematuramente a una única respuesta**
Si el sistema entrega una "solución óptima" aislada en las primeras etapas de la exploración, el espacio de decisión se comprime: los expertos no pueden ver otras posibilidades ni juzgar entre qué dos objetivos se ha comprometido este punto. Un enfoque más adecuado es retener un conjunto de soluciones candidatas a lo largo de las relaciones de no dominancia, que tienen diferentes énfasis en dimensiones como sustentación, resistencia y estabilidad, formando una frontera de Pareto disponible para compensaciones. Cada punto en la frontera representa un compromiso legítimo: para mejorar uno de los objetivos, se debe sacrificar otro; por lo tanto, el valor de la frontera no radica en "cuál es el mejor", sino en presentar la relación completa entre beneficios y costos, apoyando juicios de preferencia y decisiones posteriores.
**Malentendidos comunes**
Convertir prematuramente un problema multiobjetivo en un objetivo escalar mediante "suma ponderada" equivale a decidir los pesos de preferencia en nombre del experto antes de la exploración, y la información de compromiso se pierde. Los pesos deben ser el último paso de la etapa de decisión, no la primera suposición de la etapa de modelado.
## Pistas de material
El eje horizontal representa el objetivo A — resistencia (más a la izquierda es mejor), y el eje vertical representa el objetivo B — estabilidad (más alto es mejor). En el gráfico se señalan tres candidatos diferenciados: candidato A (prioridad en baja resistencia), candidato B (tipo equilibrado), candidato C (prioridad en alta estabilidad), todos distribuidos en la frontera de Pareto no dominada. También se señala la región dominada (donde hay espacio de mejora) y un "punto único de convergencia prematura" que cae dentro de la región dominada. Una flecha indica "beneficio ⟷ costo: dejar que el experto pondere".
## Tratamiento de ejercicios
Esta página contiene 5 preguntas de opción múltiple para verificar la comprensión de inmediato. Las respuestas correctas y los puntos clave de retroalimentación son los siguientes:
Elegir "Los objetivos a menudo son difíciles de cuantificar, las restricciones están anidadas entre sí, el costo de la retroalimentación de evaluación es elevado y los múltiples objetivos se condicionan mutuamente." Retroalimentación: captura con precisión las tres características y el condicionamiento multiobjetivo.
Esta es la manifestación típica del conflicto multiobjetivo.
Elegir "Comprime el espacio de decisión y oculta las relaciones de compromiso reales, impidiendo que los expertos juzguen qué tipo de compromiso se hizo en ese punto." Retroalimentación: una respuesta de un solo punto comprime las compensaciones multidimensionales en una conclusión de caja negra.
Elegir "Explorar y retener un conjunto de soluciones candidatas con diferencias, como base para que los expertos ponderen beneficios y costos." Retroalimentación: el sistema no debe exceder su autoridad decidiendo por el experto, ni converger prematuramente.
"Para mejorar uno de los objetivos, se debe sacrificar otro objetivo." Retroalimentación: no dominado significa que no existe una solución que pueda mejorar todos los objetivos simultáneamente sin empeorar ninguno.
## Discusión de caso
La página proporciona el caso "Diseño multiobjetivo del perfil aerodinámico de un vehículo hipersónico", y sugiere la siguiente discusión en clase:
Objetivos difíciles de cuantificar, restricciones anidadas entre sí, retroalimentación costosa, conflictos multiobjetivo. Las respuestas de referencia se encuentran en el análisis de la página.
Entregar un conjunto de soluciones candidatas con diferencias (como tipo prioridad en baja resistencia, tipo equilibrado, tipo prioridad en alta estabilidad), proporcionando los valores de cada objetivo, el cumplimiento de restricciones y las descripciones clave de compromiso, para que los tomadores de decisiones comparen en la curva beneficio-costo, y los expertos seleccionen finalmente combinando sus preferencias.
## Verificación de comprensión
Resumir con tres puntos clave:
Al ver cualquier "solución óptima", primero preguntar en qué objetivo ha cedido.
El grupo de soluciones candidatas deja el juicio de preferencia a quien mejor entiende la tarea; al entregar, se debe proporcionar simultáneamente un conjunto de soluciones con diferentes énfasis y sus bases de comparación.
Bajo un presupuesto limitado, priorizar la evaluación de candidatos con distribución dispersa que cubran diferentes direcciones de compromiso, en lugar de ajustar repetidamente alrededor del mismo punto.
## Cobertura de palabras clave
Grupo de soluciones candidatas, frontera de Pareto, no dominado, compensaciones multiobjetivo, presupuesto de evaluación, convergencia prematura.
## Indicación de transición
Después de confirmar que los estudiantes pueden explicar con sus propias palabras "por qué no se puede converger prematuramente a un solo punto" y "cómo el grupo de soluciones candidatas apoya las compensaciones del experto", pasar a la siguiente página con ejercicios de ejemplo, aplicaciones o resumen.
### Búsqueda de Respuestas Utilizables y Experimentos Mentales
*Página 4*
> **Objetivo de la página:** Los estudiantes deben comprender cómo transformar un problema real en un proceso sistemático explorable y verificable.
**Puntos clave de la enseñanza**
- Al encontrar un problema real, primero escribir las cuatro preguntas del experimento mental: ¿qué se puede cambiar?, ¿cómo se evalúa?, ¿qué se debe cumplir?, ¿cómo se determina que es mejor? Si las cuatro preguntas no se pueden responder con claridad, será difícil obtener respuestas utilizables sin importar qué algoritmo se elija después.
- Cada solución candidata debe especificar al menos cuatro aspectos: beneficio, costo, condiciones de aplicabilidad y riesgo. Las soluciones que solo dicen "más rápido, más fuerte" sin mencionar costos y límites casi siempre serán cuestionadas en una reunión de revisión hasta no poder responder.
- Ponderar múltiples objetivos en una puntuación y luego tomar el máximo equivale a asumir que los pesos ya están determinados. Si los pesos en sí son subjetivos, este enfoque oculta la decisión de compromiso dentro de la puntuación. Retener candidatos con diferencias y compararlos explícitamente se acerca más a una "respuesta utilizable".
> **Objetivo de la página**
>
> Comprender que al enfrentar problemas de ingeniería reales, el primer trabajo no es elegir un algoritmo, sino transformar el problema en un experimento mental explorable, ejecutable y verificable; y expandir sistemáticamente la exploración en diferentes direcciones, reteniendo un conjunto de soluciones candidatas con diferencias, en lugar de converger prematuramente a una supuesta "respuesta óptima".
> **Secuencia de explicación**
>
> 1. Primero explicar el condicionamiento multiobjetivo del mundo real. Aumentar la sustentación de una aeronave puede cambiar la resistencia y la estabilidad; reducir la latencia del modelo puede perjudicar la precisión; aumentar el rendimiento del sistema puede incrementar el consumo de energía, el costo y el riesgo de seguridad. El progreso en un indicador a menudo tiene como costo el retroceso en otro, por lo que una respuesta de un solo punto que sea "la mejor en todos los indicadores" generalmente no existe.
>
> ¿Qué se puede cambiar? ¿Cómo se evalúa después del cambio? ¿Qué condiciones deben cumplirse? ¿Cómo se determina que diferentes resultados son mejores?
>
> Enumerar los elementos variables y las variables de decisión, como parámetros, estructura, estrategia, reglas de programación, y delimitar las condiciones establecidas.
>
> Determinar los indicadores y criterios de evaluación; por ejemplo, si se mira la puntualidad o el consumo de energía, si se mira el pico o el promedio, y qué segmento de datos se utiliza para medir.
>
> Especificar las restricciones duras y los límites, como umbrales de seguridad, límites de latencia, límites de consumo de energía y presupuesto, regulaciones y permisos de espacio aéreo; las soluciones que los excedan se eliminan directamente.
>
> Definir los criterios de comparación y las preferencias, explicando en qué escenarios se valora más qué objetivo y el rango de costo aceptable.
>
> 3. Explicar la forma de salida. La exploración debe expandirse en diferentes direcciones, produciendo un conjunto de soluciones candidatas con diferencias, cada una etiquetada con beneficio, costo, condiciones de aplicabilidad y riesgo, para que los expertos del dominio puedan comparar las opciones bajo diferentes preferencias.
>
> Ejecutable, evaluable, que cumpla restricciones duras, que pueda explicar compensaciones y que pueda apoyar la selección bajo diferentes preferencias. Una respuesta de un solo punto que solo maximiza un indicador generalmente no cumple estos criterios.
>
> Los ejes horizontal y vertical pueden representar dos objetivos que se condicionan mutuamente; la curva o el grupo de puntos representa el dominio de soluciones alcanzables, y fuera de las restricciones duras está la región fuera de límites. Los candidatos A a D tienen diferentes compromisos; el punto clave del gráfico no es encontrar el único punto óptimo, sino retener diferencias y compararlas explícitamente.
> **Pistas de ejercicios**
>
> - Definir los elementos variables, los criterios de evaluación, las restricciones duras y los criterios de comparación. No preguntar primero "¿qué algoritmo usar?" o "¿primero acumular datos?". La segunda pregunta debe elegir "El progreso en un indicador a menudo tiene como costo el retroceso en otro, por lo que generalmente no existe un único óptimo global". El conflicto entre objetivos es la norma en problemas reales, no un error de definición. La tercera pregunta debe explicar que la convergencia prematura a un solo punto pierde soluciones candidatas con diferencias, debilitando el espacio de selección y decisión de los expertos bajo diferentes preferencias. En la cuarta pregunta, lo que no pertenece a los criterios de "respuesta utilizable" es "Obtener el máximo global en un solo indicador, ignorando los demás indicadores". La quinta pregunta debe explicar que el experimento mental expone los conflictos entre objetivos, los límites de las restricciones y los criterios de evaluación antes de la ejecución, estableciendo un marco de problema utilizable para la exploración multiobjetivo posterior. Programación de entregas con drones urbanos. Se puede guiar a los estudiantes a convertir el escenario en las cuatro preguntas: los elementos variables incluyen rutas y niveles de altitud, perfiles de velocidad, puntos de despegue y aterrizaje y puntos de transferencia, momentos de carga o cambio de batería, agrupación y combinación de tareas, asignación de modelos de aeronave, etc.
> - Las condiciones establecidas incluyen el clima, los permisos de espacio aéreo y la geografía urbana. Los indicadores de evaluación incluyen el tiempo promedio de entrega, el consumo de energía por paquete, el margen de seguridad, la tasa de finalización de tareas y la distribución del tiempo de espera, y se debe especificar si se mira en hora pico o el promedio de todo el día. Las restricciones duras incluyen al menos el umbral de margen de seguridad de la batería, la prohibición de volar o el cambio de horario cuando la velocidad del viento excede el límite, la prohibición de violar zonas de exclusión aérea y permisos de espacio aéreo, y que la carga por vuelo no exceda el límite del modelo. Los criterios de comparación deben indicar que en hora pico se valora más la puntualidad, y en clima adverso se valora más el margen de seguridad y la tasa de finalización, y se debe especificar el rango de costo aceptable, evitando una ponderación burda en una única puntuación. Las preferencias del cliente, el clima y las condiciones del espacio aéreo cambian; el óptimo de un solo punto solo es válido bajo un conjunto de suposiciones.
> - El grupo de candidatos cubre diferentes combinaciones de beneficio-costo; los expertos pueden seleccionar según las restricciones y preferencias del día, y conocer los límites de aplicabilidad y riesgos de cada solución. Cada solución debe etiquetar al menos beneficio, costo, condiciones de aplicabilidad, riesgo y los puntos de diferencia con las otras soluciones del mismo grupo. Primero, elegir el algoritmo antes de pensar en el problema.
> - Segundo, ponderar forzosamente múltiples objetivos en una puntuación y tomar el máximo, lo que equivale a ocultar las compensaciones subjetivas en la puntuación.
> - Tercero, solo escribir "más rápido, más fuerte" sin escribir costos y límites, lo que dificulta responder en la revisión.
**Verificación de comprensión**
Pida a los estudiantes que repitan las cuatro preguntas con sus propias palabras y den un ejemplo de ingeniería o de la vida cotidiana cercano, explicando cómo los objetivos entran en conflicto, cómo los candidatos retienen diferencias y cómo las restricciones duras eliminan soluciones fuera de límites. Después de confirmar que los estudiantes pueden mencionar las tres cosas —"transformación del problema, grupo de candidatos, criterios de respuesta utilizable"—, pasar a la siguiente página sobre cómo EvoX soporta la exploración multiobjetivo.
### Transformación del Problema: De la Selección de Algoritmos al Proceso de Exploración
*Página 5*
> **Objetivo de la página:** Los estudiantes deben dominar los objetos variables, los criterios de evaluación y las condiciones de restricción que deben definirse al enfrentar problemas reales.
**Puntos clave de la enseñanza**
- Al recibir cualquier tarea nueva, primero enumerar la lista de objetos variables: ¿qué parámetros, estructuras, estrategias o procesos se permiten ajustar? Esta lista es el esqueleto del espacio de búsqueda y la codificación. Una vez que esté clara, entonces discutir el algoritmo.
- No esperar hasta la última ronda para descubrir que la solución no es desplegable. Colocar los requisitos no negociables (como el límite de latencia, el límite de memoria de GPU, la compatibilidad de despliegue) directamente en la etapa de generación o evaluación para filtrarlos, haciendo que la exploración solo ocurra en regiones que no violen las restricciones.
- En la revisión retrospectiva se debe usar el mismo conjunto de definiciones del problema: primero fijar el espacio de búsqueda, el método de evaluación y las restricciones, y luego comparar horizontalmente el rendimiento de diferentes algoritmos. Así se puede determinar si las diferencias provienen del algoritmo o de la definición del problema en sí.
Objetivo de la página
Al enfrentar problemas reales, no preguntar de inmediato "¿usar DE o PSO?", sino transformar primero la tarea en un proceso explorable. Los estudiantes necesitan dominar tres cosas: qué se puede cambiar, cómo se evalúa después del cambio, y qué restricciones absolutamente no se pueden violar; y comprender que la selección del algoritmo es solo un componente configurable dentro de este ciclo cerrado.
Secuencia de explicación
Al recibir una tarea, hacer primero la selección del algoritmo solo responde "con qué herramienta buscar", pero no responde "qué buscar, qué se considera bueno, qué no se puede violar".
Problema real → Objetos variables (parámetros·estructura·estrategia→codificación) → Método de evaluación (función objetivo, indicadores, preferencias) → Restricciones centrales (restricciones duras y preferencias blandas) → Ciclo cerrado del proceso de exploración (generación de candidatos→evaluación→retroalimentación→regeneración) → Grupo de soluciones candidatas.
Objetos variables, método de evaluación, restricciones centrales, proceso de exploración.
4. Comparar la diferencia entre "selección única de algoritmo" y "exploración en ciclo cerrado", señalando que la calidad de la definición del problema determina el límite superior de la exploración.
5. Consolidar con preguntas de opción múltiple y el caso del modelo de ranking de recomendaciones.
Puntos clave de la enseñanza
Definir qué parámetros, estructuras, estrategias o procesos se permiten ajustar, formando así el espacio de búsqueda y los límites de codificación. Sin esto, las soluciones candidatas no pueden representarse ni generarse.
Definir cómo determinar la calidad después del cambio, incluyendo la función objetivo, los indicadores de evaluación, la dirección de preferencia, y las métricas de factibilidad y diversidad. El método de evaluación determina esencialmente hacia qué dirección irá la búsqueda.
Distinguir entre restricciones duras que deben cumplirse y preferencias blandas que pueden compensarse. Mezclar restricciones duras en la función objetivo con un "descuento" fácilmente produce soluciones que parecen tener una puntuación alta pero que son completamente imposibles de desplegar.
Formalizar el problema como un ciclo cerrado de "generación de candidatos—evaluación—retroalimentación—regeneración", haciendo que los resultados de la evaluación influyan en la generación posterior, en lugar de fijar de una vez por todas el enfoque de solución.
Responder secuencialmente: ¿qué parámetros son ajustables? ¿Con qué indicadores o cuáles indicadores en conflicto mutuo se evalúa? ¿Qué restricciones absolutamente no se pueden violar? Una vez respondidas estas preguntas, la tarea ya ha sido formalizada como un problema multiobjetivo que puede conectarse a un solver evolutivo; en este punto, decidir qué algoritmo usar y con qué configuración de operadores explorar es solo una decisión de ingeniería reemplazable dentro del ciclo cerrado. En otras palabras, el algoritmo no es la respuesta en sí; es solo un eslabón configurable dentro del proceso de exploración, y la calidad de la definición del problema es lo que determina el límite superior de la exploración.
Atribuir directamente el "mal rendimiento del algoritmo" al algoritmo mismo, ignorando que el espacio de búsqueda está definido de manera ambigua, que los indicadores de evaluación están desconectados de los objetivos reales del negocio, o que faltan restricciones duras. Primero corregir la definición del problema y luego hablar de reemplazar el algoritmo suele ser más efectivo que cambiar de algoritmo repetidamente.
Pistas de material
El problema real pasa primero por objetos variables, método de evaluación y restricciones centrales, y luego entra al ciclo cerrado del proceso de exploración. El ciclo cerrado destaca las cuatro etapas de generación de candidatos, evaluación, retroalimentación y regeneración, y enfatiza que la selección del algoritmo es solo un componente interno del ciclo cerrado. Al explicar, se puede recorrer el diagrama siguiendo las flechas para ayudar a los estudiantes a ver la relación de orden entre "definición del problema" y "ejecución del algoritmo".
Tratamiento de ejercicios
El primer paso debe definir qué parámetros, estructuras, estrategias o procesos se permiten ajustar, formando el espacio de búsqueda y los límites de codificación. En la retroalimentación, enfatizar: los objetos variables permiten que las soluciones candidatas sean representables, y solo entonces la evaluación e iteración posteriores son posibles.
El método de evaluación debe definir cómo determinar la calidad después del cambio, incluyendo la función objetivo, los indicadores, las preferencias, y las métricas de factibilidad y diversidad. En la retroalimentación, explicar que no es un accesorio del algoritmo, sino el "volante" del proceso de exploración, y debe ser determinado por la tarea misma.
La latencia P99 no superior a 80 milisegundos es una restricción dura que debe cumplirse. En la retroalimentación, distinguir entre "debe cumplirse" y "preferiblemente cumplirse": los requisitos no negociables son restricciones duras, y las tendencias compensables son preferencias blandas; las restricciones duras deben filtrarse previamente en la etapa de generación o evaluación.
La diferencia clave entre el ciclo cerrado y la selección única es que los resultados de la evaluación cambian la generación posterior, ajustando continuamente la dirección de búsqueda. En la retroalimentación, enfatizar que el punto clave no está en la velocidad o el tipo de algoritmo, sino en si los resultados de la evaluación pueden retroalimentar para cambiar la forma de generación posterior.
El algoritmo no es la respuesta en sí, porque la calidad de la definición del problema determina el límite superior de la exploración, y el algoritmo es solo un componente configurable y reemplazable dentro del proceso de exploración. En la retroalimentación, guiar a los estudiantes a desplazar su atención de "¿qué algoritmo cambiar?" a "¿está suficientemente clara la definición del problema?".
Guía de caso
El caso de ajuste multiobjetivo del modelo de ranking de recomendaciones puede organizarse según "objetos variables—método de evaluación—restricciones centrales". Los objetos variables incluyen la tasa de aprendizaje, el coeficiente de regularización, el número de capas de red, el número de cabezas de atención y la estrategia de combinación de características; el método de evaluación es la maximización del AUC offline, la minimización de la latencia de inferencia P99 en línea y la minimización del número de parámetros del modelo, pudiendo también añadir diversidad de candidatos; las restricciones centrales son que la latencia P99 no supere los 80 milisegundos, que la memoria de GPU no supere los 12 GB y que pueda desplegarse directamente en el framework de inferencia existente; las preferencias blandas son menos parámetros y menor latencia bajo el cumplimiento de las restricciones duras.
La generación de candidatos muestrea hiperparámetros y configuraciones de estructura; en la evaluación se calcula el AUC y se mide o estima la latencia y el uso de memoria, verificando simultáneamente las restricciones duras; en la etapa de retroalimentación se actualiza la distribución de búsqueda según la calidad multiobjetivo y las preferencias, y se genera una nueva generación de candidatos. La garantía de desplegabilidad es tratar la latencia, la memoria y la compatibilidad del framework como restricciones duras, eliminando directamente las soluciones inviables en la etapa de generación o evaluación; para indicadores costosos como la latencia, se puede usar primero un modelo sustituto o pruebas a pequeña escala para filtrar, y luego hacer una verificación completa de un pequeño número de candidatos. La salida final es un conjunto de soluciones candidatas bien distribuidas en las compensaciones de objetivos, para que la ingeniería y el producto decidan la selección.
Verificación de comprensión
La definición del problema precede a la selección del algoritmo; los objetos variables determinan el espacio de búsqueda y la codificación; el método de evaluación determina la dirección de búsqueda; las restricciones duras deben filtrarse previamente; el algoritmo es solo un componente reemplazable dentro del ciclo cerrado. Si los estudiantes solo repiten el nombre del algoritmo, se puede preguntar "¿en qué etapa entra el algoritmo? ¿Qué más necesita determinarse antes?"
Indicación de transición
Después de confirmar que los estudiantes pueden explicar "primero definir qué es variable, cómo evaluar, qué no se puede violar, y luego organizar la solución en un ciclo cerrado", pasar a la siguiente página con métodos específicos, aplicaciones o resumen.
### Optimización de Preferencias y Grupo de Soluciones Candidatas Múltiples
*Página 6*
> **Objetivo de la página:** Los estudiantes deben comprender el papel práctico de retener un conjunto de soluciones candidatas diversificadas en la decisión de expertos.
> **Objetivo de la página**
>
> Comprender que la optimización de preferencias no es tomar la decisión final en nombre del experto, sino usar las preferencias como señales guía para la búsqueda y el filtrado, y hacer que el algoritmo produzca un conjunto de soluciones candidatas comparables y explicables en la estructura de compromiso, dejando el poder de decisión al experto del dominio.
**Puntos clave de la enseñanza**
- No comprimir prematuramente múltiples objetivos en una única puntuación escalar.
- No entregar solo una "solución óptima", sino producir un conjunto de soluciones candidatas. Bajo conflictos multiobjetivo no existe una solución óptima única natural; las soluciones comparables se conectan formando una frontera de compromiso ideal. Si se pondera y suma prematuramente, equivale a seleccionar un punto de equilibrio implícito en nombre del decisor.
- Una vez que las restricciones o preferencias cambian, esa solución puede perder valor inmediatamente. Puntos de referencia, prioridades de objetivos, intervalos de pesos, retroalimentación interactiva. Todos ellos se utilizan conjuntamente para estrechar la región de interés y mejorar la eficiencia de búsqueda, no para colapsar el espacio de soluciones en un solo punto de antemano. Valor = Diferenciación × Explicabilidad. Una diferencia efectiva no es ruido aleatorio ni copias perturbadas cerca de la misma solución, sino que se distribuye a lo largo de la estructura de compensación de objetivos, con representantes en el extremo conservador, el segmento de equilibrio y el extremo agresivo. La evolución converge espontáneamente hacia la región actualmente óptima, por lo que se necesitan estrategias de mantenimiento de distribución, control de congestión o conjuntos de archivo; de lo contrario, el grupo de candidatos degenerará en expresiones repetidas de una única respuesta.
**Cobertura de palabras clave**
- Optimización de preferencias, grupo de soluciones candidatas, frontera de compromiso ideal, retención de diversidad, explicabilidad, control de congestión, estrategia de conjunto de archivo.
> **Pistas de material**
>
> - El eje horizontal es el costo (menor es mejor), el eje vertical es la latencia (menor es mejor), la curva es la frontera de compromiso ideal, el punto de referencia de preferencia guía la dirección de búsqueda, y las soluciones candidatas deben distribuirse a lo largo de la frontera.
> - A la derecha se compara la suma ponderada tradicional que da un único punto óptimo con la optimización de preferencias que da un grupo de soluciones candidatas.
> **Pistas de ejercicios**
>
> - La optimización de preferencias codifica las preferencias del decisor en el proceso de búsqueda y filtrado, en lugar de puntuar una sola vez después de terminar la búsqueda. En la retroalimentación, enfatizar el "momento de intervención de las preferencias" y explicar que las preferencias no eliminan los conflictos entre objetivos. Diferencia efectiva = distribución dispersa en las compensaciones de objetivos + cada diferencia explicable por la estructura de compromiso. Sugerir a los estudiantes: cantidad y diferencia grandes no equivalen a efectividad. Formas de preferencia como puntos de referencia o intervalos de pesos se utilizan para estrechar la región de interés de búsqueda y mejorar la eficiencia, sin colapsar prematuramente el espacio de soluciones en un punto. Sugerencia: las preferencias no reemplazan la función objetivo ni garantizan automáticamente la diversidad. Sin mantenimiento de distribución, control de congestión o estrategias de conjunto de archivo, la evolución converge naturalmente hacia la región actualmente óptima, y el grupo de candidatos se convierte en copias repetidas cerca de la misma solución. Un cambio en la forma de salida implica un cambio en la atribución del poder de decisión: el algoritmo proporciona un grupo de candidatos comparables, y el experto del dominio completa el compromiso final combinando las restricciones reales, pudiendo usar el resultado de la selección como retroalimentación para continuar iterando. En la programación de turnos y decisiones de rutas de una flota de entregas urbanas, la optimización de preferencias utiliza puntos de referencia, prioridades de objetivos, intervalos de pesos o retroalimentación interactiva como señales de selección y filtrado durante la iteración.
> - En la forma de salida, se pasa de una única "programación óptima" a un grupo de soluciones candidatas a lo largo de la frontera de compromiso costo-latencia, por ejemplo, conservador (prioridad en reducir costos), equilibrado (balance entre costo y latencia), agresivo (prioridad en reducir latencia). Si todas las soluciones candidatas son muy cercanas en costo y latencia, se debe sospechar que falta un mecanismo de mantenimiento de diversidad.
> - Para juzgar si las diferencias son efectivas, proyectar las soluciones en el plano costo-latencia y ver si los puntos se distribuyen claramente a lo largo de la frontera, y si la dirección de compromiso de cada punto puede explicarse por la estructura de compensación de objetivos.
**Verificación de comprensión**
Pida a los estudiantes que distingan con sus propias palabras entre "guiar" y "reemplazar", y que expliquen por qué el valor del grupo de candidatos es igual a diferenciación × explicabilidad. Si los estudiantes solo enfatizan la cantidad, preguntar: "¿Pueden estas soluciones ser explicadas como diferentes patrones de compromiso en las compensaciones de objetivos?"
> **Indicación de transición**
>
> Después de confirmar que los estudiantes pueden explicar que la optimización de preferencias es para retener el poder de decisión del experto y que el grupo de candidatos debe ser comparable y explicable, pasar a la siguiente página sobre casos de aplicación o detalles de métodos.
### Contexto Práctico Multiobjetivo del Diseño de Perfiles Supercríticos
*Página 7*
> **Objetivo de la página:** Los estudiantes deben conocer los escenarios de aplicación específicos y las múltiples restricciones del diseño de perfiles supercríticos en ingeniería aeronáutica.
> **Objetivo de la página**
>
> Comprender el escenario de ingeniería real del diseño de perfiles supercríticos, captar los conflictos multiobjetivo y las restricciones, y saber que la salida razonable es un conjunto de soluciones de compromiso en lugar de una única solución óptima.
**Puntos clave de la enseñanza**
- 1. Condiciones de operación y origen físico. En crucero transónico, el flujo se acelera a velocidad supersónica sobre la superficie superior del perfil y luego se desacelera a través de la onda de choque.
- La posición e intensidad de la onda de choque afectan simultáneamente el nivel de resistencia y el límite de inicio del buffeting. Por lo tanto, el diseño no consiste en llevar un indicador al extremo, sino en hacer que múltiples indicadores caigan simultáneamente dentro de rangos aceptables. 2. Triple restricción. El coeficiente de sustentación crítico de buffeting define el límite de seguridad y sustentación utilizable; la ocurrencia anticipada de buffeting comprime el margen de buffeting y la envolvente de vuelo, y es un umbral que no puede traspasarse.
- La relación sustentación-resistencia de crucero refleja la eficiencia aerodinámica y la economía, determina el alcance, el consumo de combustible y el costo operativo, y es el principal término de beneficio.
- La simulación de alta precisión tiene un costo elevado y una sola evaluación es costosa, lo que limita el espacio de diseño explorable y constituye una restricción de recursos. 3. Fuente de conflicto. Aumentar la relación sustentación-resistencia de crucero generalmente requiere una plataforma de succión más fuerte en el borde de ataque y una onda de choque más retrasada, pero esto debilita el límite de buffeting.
- Suavizar el perfil para preservar el margen de buffeting puede sacrificar la eficiencia de crucero. La manifestación típica es "mejorar uno, empeorar otro". 4. Enfoque de solución. Lo que realmente se necesita en ingeniería es un conjunto de soluciones de compromiso de Pareto que sean válidas bajo diferentes preferencias, permitiendo a los decisores hacer elecciones explicables entre seguridad, eficiencia y costo. Se pueden combinar perfiles base y muestras de perturbación para generar y predecir continuamente, transformando el filtrado secuencial en exploración multiobjetivo paralela, produciendo soluciones candidatas diversificadas. 5. Punto clave de juicio. Siempre que aparezca "mejorar un indicador empeora otro" y el indicador tenga un límite inferior obligatorio, debe tratarse como un problema de restricciones multiobjetivo, sin buscar una solución óptima única que no existe.
**Cobertura de palabras clave**
- Perfil supercrítico
- Coeficiente de sustentación crítico de buffeting
- Relación sustentación-resistencia de crucero
- Costo de simulación de alta precisión
- Conflicto y compensación multiobjetivo
- Frontera de Pareto
- Dominio de compromiso factible.
> **Pistas de material**
>
> - Se puede usar un diagrama esquemático de la sección del perfil para ilustrar la zona de succión en la superficie superior, la onda de choque y la alta presión en la superficie inferior.
> - Usar un diagrama del espacio de compensación multiobjetivo para ilustrar la relación inversa entre la relación sustentación-resistencia de crucero y el margen de buffeting, el dominio de compromiso factible, la región dominada y la frontera de Pareto.
**Tratamiento de ejercicios**
Las preguntas de opción múltiple examinan sucesivamente la esencia del compromiso multiobjetivo, el papel del coeficiente de buffeting como límite de seguridad, la relación entre la relación sustentación-resistencia de crucero y la eficiencia económica, la limitación del prueba y error secuencial por el presupuesto de simulación, y que el enfoque razonable es retener soluciones de compromiso de Pareto. Después de responder, pedir a los estudiantes que expliquen su razonamiento; si hay errores, volver al párrafo correspondiente para verificar los tres tipos de información: "objetivo, restricción, recurso". En la pregunta de caso, primero determinar que el objetivo es maximizar la relación sustentación-resistencia de crucero, y las restricciones son el umbral de seguridad del coeficiente de buffeting y el límite superior del presupuesto de simulación; luego explicar que se utiliza el perfil base más muestras de perturbación para generar y predecir, explorando en paralelo bajo un número limitado de evaluaciones, produciendo un conjunto de soluciones candidatas explicables, y el criterio de evaluación es el valor específico de cada solución en el límite de buffeting y la relación sustentación-resistencia de crucero.
**Verificación de comprensión**
¿Cuál es el objetivo de beneficio y cuál es el umbral que no puede traspasarse en esta página? ¿Por qué el prueba y error punto por punto tradicional es difícil de eficaz? Si los estudiantes solo pueden repetir los términos, preguntar "¿cómo afecta el aumento de la relación sustentación-resistencia de crucero al margen de buffeting?"
> **Indicación de transición**
>
> Después de confirmar que los estudiantes pueden distinguir entre objetivos y restricciones, y explicar el conflicto de "uno sube, otro baja", pasar a la siguiente página con ejercicios de ejemplo, aplicaciones o resumen.
### Continuidad del Perfil Base y las Muestras de Perturbación
*Página 8*
> **Objetivo de la página:** Los estudiantes deben dominar cómo el sistema combina perfiles base y muestras de perturbación para realizar predicciones continuas.
> **Objetivo de la página**
>
> Comprender el ciclo cerrado de "perfil base—muestras de perturbación—predicción/evaluación—retroalimentación evolutiva—generación continua" en la optimización de perfiles, dominar cómo el perfil base proporciona un ancla estable, cómo las muestras de perturbación proporcionan diversidad, y cómo la retroalimentación evolutiva hace que la exploración multiobjetivo sea continua y escalable.
> **Secuencia de explicación**
>
> 1. Primero establecer la referencia. El perfil base debe cumplir primero las restricciones de la tarea; define el espacio de parametrización, el rango de perturbación y los criterios de evaluación. Sin una referencia, el espacio de búsqueda tiende a derivar sin orden, y los perfiles candidatos difícilmente pueden compararse de manera justa.
>
> 2. Luego generar perturbaciones. Alrededor del perfil base, aplicar perturbaciones controlables a la distribución de espesor, la curvatura o los parámetros de los puntos de control, generando continuamente familias de muestras por lotes o en línea. Las perturbaciones pequeñas se usan para refinamiento local, las grandes para cobertura global; la intensidad, dirección y distribución de muestreo de las perturbaciones deben ser controlables.
>
> 3. Predicción/evaluación por lotes. Enviar cada ronda de muestras a la etapa de predicción/evaluación, produciendo el rendimiento de múltiples candidatos en los objetivos. Este rendimiento no es el punto final, sino la base directa para la selección, actualización y remuestreo evolutivos posteriores.
>
> 4. Cerrar con retroalimentación. Ajustar la intensidad, dirección o distribución de muestreo de la siguiente ronda de perturbaciones según la retroalimentación evolutiva, haciendo que el ciclo cerrado sea verdaderamente continuo, en lugar de repetir independientemente el muestreo en cada ronda.
**Puntos clave de la enseñanza**
- Selección del perfil base
- Generación continua de muestras de perturbación
- Predicción multi-muestra combinada con evolución
- Ciclo cerrado continuo. El perfil base es una referencia estable, no la respuesta final.
- Permite que diferentes muestras de perturbación sean comparables bajo el mismo criterio de evaluación. Las muestras de perturbación se encargan de la diversidad; se deben considerar tanto lo local como lo global. Si en cada ronda solo se hacen pequeñas perturbaciones en la misma dirección, la población tiende a madurar prematuramente.
- Si se hacen perturbaciones grandes completamente aleatorias, se puede desperdiciar el presupuesto de evaluación. Lo más robusto es mezclar perturbaciones locales y globales, y usar la retroalimentación para decidir el enfoque de muestreo de la siguiente ronda. La retroalimentación evolutiva debe actuar sobre la estrategia de generación de perturbaciones de la siguiente ronda. Si solo se registran los resultados sin cambiar el muestreo, el ciclo cerrado degenera en un proceso de lazo abierto.
**Tratamiento de ejercicios**
La función principal del perfil base es servir como ancla estable para la parametrización, el rango de perturbación y la referencia de evaluación. Al responder correctamente, enfatizar que puede anclar el espacio de búsqueda, evitando que los candidatos deriven sin orden y permitiendo una comparación justa de las muestras; si hay error, volver a la evidencia de "¿qué consecuencias tendría la falta de una referencia?".
Al generar continuamente muestras de perturbación, se debe ajustar la intensidad, dirección y distribución de muestreo de las perturbaciones por lotes o en línea. Las perturbaciones pequeñas en una sola dirección limitan la diversidad; las perturbaciones grandes completamente aleatorias desperdician el presupuesto; ninguna de las dos es suficiente para considerar tanto el refinamiento local como la cobertura global.
Después de enviar las muestras de perturbación por lotes a la predicción/evaluación, la salida principal es el rendimiento de múltiples candidatos en los objetivos, para uso en la selección, actualización y remuestreo evolutivos. Se puede señalar: la predicción/evaluación es la entrada del flujo evolutivo, no una etiqueta codificada ni la respuesta final.
La retroalimentación evolutiva apoya la generación "continua" ajustando la intensidad, dirección o distribución de muestreo de las perturbaciones y complementando la siguiente ronda de muestras. Si la retroalimentación solo registra sin cambiar el muestreo, el ciclo cerrado no puede mejorar continuamente.
La práctica que mejor refleja el ciclo cerrado es generar una familia de muestras de perfiles en cada ronda, que tras la evaluación/predicción entra en la evolución, y luego complementa la siguiente ronda de muestras de perturbación según los resultados. Sin cualquiera de los pasos de generación de muestras, evaluación/predicción, retroalimentación evolutiva o remuestreo, no se puede formar una optimización continua.
Pistas de caso:
En la optimización de perfiles supercríticos base, el objetivo es maximizar la relación sustentación-resistencia, minimizar la divergencia de resistencia y mantener la restricción de espesor estructural; se pueden generar 256 muestras por ronda, y la evaluación tarda bastante. Un flujo de una ronda puede diseñarse así: usando el perfil base como ancla, aplicar perturbaciones controlables a la distribución de espesor, la curvatura o los puntos de control, generando un lote de muestras de perfiles; enviar por lotes a predicción/evaluación para obtener el rendimiento en relación sustentación-resistencia, divergencia de resistencia, restricción de espesor, etc.; luego entrar en la selección, actualización y remuestreo evolutivos; finalmente ajustar la intensidad, dirección o distribución de muestreo de la siguiente ronda de perturbaciones según la retroalimentación. El perfil base no puede reemplazarse arbitrariamente porque define el espacio de parametrización, el rango de perturbación y la referencia de evaluación; reemplazarlo haría que el espacio de búsqueda derive, los candidatos sean incomparables y el ciclo cerrado pierda su referencia estable.
Si la evolución se estanca durante varias rondas consecutivas, se puede usar la retroalimentación para aumentar la intensidad de las perturbaciones o ampliar la distribución de muestreo, introduciendo diversidad global; también se puede ajustar la dirección de las perturbaciones, haciendo exploración dirigida en parámetros sensibles como el espesor y la curvatura; además, se pueden mezclar perturbaciones locales finas con perturbaciones globales, aumentar el lote de muestras o complementar en línea, y retener candidatos diversos en la frontera de Pareto para evitar la maduración prematura de la población.
Pida a los estudiantes que repitan en una frase las cuatro etapas del ciclo cerrado y expliquen por qué el perfil base no puede ser reemplazado por las muestras de perturbación. Después de confirmar que los estudiantes pueden expresar la relación "primero fijar el ancla, luego controlar las perturbaciones, la evaluación entra en la evolución, la retroalimentación ajusta la siguiente ronda", pasar a la siguiente página con ejercicios de ejemplo, aplicaciones o resumen.
### Aplicación de Modelos Sustitutos para Enfrentar el Alto Costo de Simulación
*Página 9*
> **Objetivo de la página:** Los estudiantes deben comprender cómo los modelos sustitutos superan eficazmente el cuello de botella del alto costo de la simulación de alta precisión.
> **Objetivo de la página**
>
> Comprender por qué los modelos sustitutos pueden enfrentar eficazmente el cuello de botella del alto costo de la simulación de alta fidelidad, y dominar su posicionamiento, forma de intervención y control de riesgos en la optimización evolutiva multiobjetivo.
> **Secuencia de explicación**
>
> Primero señalar que insertar directamente la simulación de alta fidelidad en el ciclo evolutivo agota rápidamente el presupuesto; luego explicar cómo el modelo sustituto, como "evaluador aproximado de bajo costo", reemplaza la evaluación punto por punto; después desarrollar el mecanismo de aceleración comparando la optimización directa de alta fidelidad con la optimización asistida por sustituto; luego explicar en detalle las cuatro etapas de entrenamiento offline, predicción por lotes en línea, selección asistida por sustituto y corrección por retroalimentación; finalmente discutir el equilibrio entre precisión y costo, el riesgo fuera de distribución, los errores comunes y la lista de autoverificación.
**Puntos clave de la enseñanza**
- En problemas como perfiles supercríticos y resistencia estructural, una sola simulación CFD o de elementos finitos tarda desde decenas de minutos hasta varias horas. El algoritmo evolutivo debe evaluar toda la población en cada generación, y el número de evaluaciones y el presupuesto se consumen de manera aproximadamente lineal; el presupuesto se agota en unas pocas generaciones. El tamaño de la población y el número de iteraciones se ven forzados a comprimirse, la frontera multiobjetivo es difícil de explorar suficientemente, y el espacio de diseño queda bloqueado por "no poder costear la evaluación".
- Aprender el mapeo entrada-salida a partir de muestras de simulación existentes, prediciendo rápidamente los valores de objetivos y el rendimiento de restricciones de las soluciones candidatas.
- No es una simulación más precisa, sino una aproximación más barata. Reemplaza la evaluación punto por punto, no la etapa de verificación. A la izquierda, la optimización directa de alta fidelidad tiene pocos candidatos, cada evaluación tarda mucho, el número total de evaluaciones es bajo y la cobertura de búsqueda es estrecha.
- A la derecha, la optimización asistida por sustituto tiene muchos candidatos, predicción individual extremadamente rápida, mayor número total de evaluaciones y cobertura más amplia; el presupuesto de alta fidelidad se concentra en candidatos clave, acompañado de filtrado por umbral de incertidumbre y un pequeño número de verificaciones de alta fidelidad. El entrenamiento offline establece el mapeo inicial.
- La predicción por lotes en línea evalúa todos los candidatos de cada generación.
- La selección asistida por sustituto combina valores predichos e incertidumbre para elegir candidatos de alto potencial o alta información.
- La corrección por retroalimentación escribe un pequeño número de resultados de alta fidelidad de vuelta en la biblioteca de muestras y actualiza incrementalmente el sustituto. Un sustituto más complejo suele ser más preciso, pero aumenta el costo de entrenamiento e inferencia. La restricción clave es que el sustituto debe ser significativamente más rápido que la simulación de alta fidelidad, y su precisión debe ser suficiente para soportar la presión de selección; de lo contrario, se convierte en un nuevo cuello de botella o desvía la evolución. El sustituto solo es confiable cerca de la distribución de entrenamiento. Las predicciones fuera de distribución pueden parecer razonables pero desviarse gravemente de los valores reales, induciendo a error en la búsqueda. Las prácticas viables incluyen producir estimaciones de incertidumbre, establecer umbrales de confianza, forzar verificación de alta fidelidad para candidatos fuera de límites y verificar periódicamente la calidad del sustituto con estadísticas de error. El modelo sustituto no elimina la verificación ni resuelve el problema comprimiendo la población.
- Su valor es concentrar el escaso presupuesto de alta fidelidad en los candidatos más críticos e inciertos.
**Cobertura de palabras clave**
- Modelo sustituto, simulación de alta fidelidad, evaluador aproximado de bajo costo, entrenamiento offline, predicción por lotes en línea, selección asistida por sustituto, corrección por retroalimentación, umbral de incertidumbre, predicción fuera de distribución, equilibrio entre precisión y costo.
> **Pistas de ejercicios**
>
> - Ejecutar simulación de alta fidelidad para cada candidato, cambiando a filtrado aproximado por lotes con el sustituto más un pequeño número de verificaciones de alta fidelidad. Las opciones incorrectas a menudo asumen erróneamente que se elimina la verificación o se comprime la población. El costo de una sola simulación es alto, y evaluar toda la población en cada generación agota rápidamente el presupuesto. La limitación proviene del costo, no de la diferenciabilidad o la capacidad multiobjetivo. Un modelo más complejo suele ser más preciso pero más lento en entrenamiento e inferencia, y debe coincidir con la velocidad de búsqueda evolutiva. No se puede considerar que la complejidad no tiene costo o que más simple es más preciso. Las predicciones pueden desviarse gravemente de los valores reales e inducir a error en la búsqueda. El sustituto no cambia automáticamente a alta fidelidad ni corrige automáticamente las desviaciones; se necesita control mediante incertidumbre y verificación. Hacer que el sustituto se corrija continuamente hacia la superficie de respuesta real, reduciendo el sesgo de predicciones posteriores. No se utiliza para reducir el número de candidatos ni para reemplazar la estimación de incertidumbre. El flujo puede escribirse como muestreo inicial, entrenamiento offline, predicción por lotes en línea, filtrado, verificación de alta fidelidad, actualización por retroalimentación, iteración en ciclo.
> - El control de riesgos enfatiza la estimación de incertidumbre, los umbrales de confianza, la reserva de presupuesto para muestreo complementario, el monitoreo de estadísticas de error, y la asignación prioritaria del presupuesto de alta fidelidad a candidatos cercanos a la frontera.
**Verificación de comprensión**
Pida a los estudiantes que expliquen con sus propias palabras cinco cosas: quién reemplazó a quién, en qué paso interviene el sustituto, cómo se filtran las predicciones no confiables, en qué candidatos se gasta el presupuesto de alta fidelidad, y cómo los resultados de verificación se retroalimentan para corregir el sustituto.
> **Indicación de transición**
>
> Después de confirmar que los estudiantes pueden distinguir entre "filtrado aproximado" y "verificación real", pasar a la siguiente página de aplicación o resumen.
### Salida de Soluciones Candidatas Diversificadas que Consideran Todos los Indicadores
*Página 10*
> **Objetivo de la página:** Los estudiantes deben dominar cómo el sistema finalmente produce una combinación de soluciones candidatas que considera múltiples indicadores.
> **Objetivo de la página**
>
> Comprender que en la optimización de ingeniería multiobjetivo, el sistema no produce una única solución óptima, sino un conjunto de soluciones candidatas diversificadas que consideran múltiples indicadores; dominar el mecanismo de evaluación multi-indicador, el papel del modelo sustituto, el método de comparación de la frontera de Pareto y los requisitos de reproducibilidad.
> **Secuencia de explicación**
>
> 1. Primero confirmar la forma de salida. En problemas multiobjetivo como el diseño de perfiles, lo que se entrega finalmente es un conjunto de soluciones candidatas, no una respuesta de un solo punto. Se necesita observar la forma de compromiso de todo el grupo de candidatos en indicadores como el coeficiente de sustentación crítico de buffeting, la relación sustentación-resistencia de crucero, el control del peso estructural y la robustez ante perturbaciones.
>
> 2. Explicar por qué no es una respuesta de un solo punto. Cuando los objetivos entran en conflicto mutuo, por ejemplo, aumentar el coeficiente de sustentación crítico de buffeting a menudo va acompañado de una disminución de la relación sustentación-resistencia de crucero, no existe una solución factible que domine simultáneamente en todos los indicadores. Si la evaluación está dominada por un solo indicador, la búsqueda convergerá a una solución de compromiso aceptable en promedio pero sin ningún indicador clave destacado, o incluso perderá direcciones de diseño con preferencias claras.
>
> 3. Explicar claramente el mecanismo de generación y predicción. El mecanismo de evaluación que considera múltiples indicadores incorpora múltiples restricciones y objetivos en el mismo espacio de evaluación; la generación y predicción continuas producen nuevos candidatos alrededor del perfil base y las muestras de perturbación, y utilizan el modelo sustituto para estimar rápidamente los indicadores, aliviando así el cuello de botella del alto costo de la simulación de alta precisión.
>
> 4. Explicar la forma de salida y comparación. Las soluciones candidatas cubren diferentes preferencias de indicadores y posiciones de compromiso. Al graficar dos indicadores clave como puntos dispersos, los puntos en el borde exterior que no son superados simultáneamente por otros candidatos en todos los indicadores constituyen la frontera de Pareto, y los puntos hacia el interior están dominados. La revisión de ingeniería generalmente selecciona primero soluciones de la frontera y luego vuelve a la simulación de alta precisión para confirmar; diferentes posiciones en la frontera corresponden a orientaciones como prioridad en la supresión de buffeting o prioridad en la eficiencia de crucero.
>
> 5. Enfatizar la reproducibilidad. Cada candidato debe poder rastrearse hasta el perfil base y la fuente de perturbación, los resultados de evaluación en estos indicadores, y su posición en la frontera de Pareto. Si falta cualquiera de estos, la comparación de soluciones es difícil de verificar.
**Puntos clave de la enseñanza**
- Mecanismo de evaluación que considera múltiples indicadores, generación y predicción continuas, forma de salida diversificada, comparabilidad. El modelo sustituto es un filtro, no la decisión final; se encarga de la estimación rápida y el filtrado orientativo, y no puede reemplazar la verificación de simulación de alta precisión en candidatos clave.
> **Pistas de material**
>
> - El gráfico de radar usa curvas cerradas para representar las preferencias de indicadores de diferentes perfiles candidatos.
> - En el gráfico de dispersión, más hacia arriba y a la derecha significa que ambos indicadores son mejores simultáneamente.
> - Las líneas discontinuas marcan los candidatos no dominados, y los puntos grises representan candidatos dominados.
**Tratamiento de ejercicios**
Los ejercicios de esta página giran en torno a la forma de salida, la responsabilidad del modelo sustituto, el valor de la diversificación, los registros de reproducibilidad y la relación entre dos indicadores. Dirección de referencia: el sistema entrega un conjunto de soluciones candidatas que consideran diferentes compensaciones; el modelo sustituto hace estimaciones rápidas y guía el filtrado, pero finalmente se necesita la verificación de alta precisión de los candidatos clave; el valor de la diversificación radica en retener explícitamente las posiciones de compromiso entre indicadores en conflicto, apoyando la comparación y la decisión; se deben retener los resultados multi-dimensionales de cada candidato y la fuente de perturbación generada; el coeficiente de sustentación crítico de buffeting y la relación sustentación-resistencia de crucero generalmente tienen una relación inversa en la frontera. En la pregunta de caso, no se ejecuta simulación de alta precisión para cada uno porque el número de candidatos es grande y crece continuamente, y una sola simulación es costosa; el modelo sustituto primero reduce el rango, y un pequeño número de soluciones clave se verifica después.
Si la revisión debe elegir entre prioridad en la supresión de buffeting y prioridad en la eficiencia de crucero, el grupo de candidatos proporciona opciones, la frontera de Pareto marca las posiciones de compromiso óptimas, y los registros comparables garantizan la reproducibilidad y verificabilidad.
**Verificación de comprensión**
Pida a los estudiantes que expliquen con sus propias palabras por qué el sistema produce un grupo de soluciones candidatas en lugar de una respuesta de un solo punto, y que mencionen al menos tres registros que apoyan la reproducibilidad.
> **Indicación de transición**
>
> Después de confirmar que los estudiantes pueden distinguir los roles del filtrado por modelo sustituto y la verificación por simulación de alta precisión, pasar a la siguiente página.
### Manejo de Conflictos entre Objetivos y Retroalimentación Escasa en Ingeniería Compleja
*Página 11*
> **Objetivo de la página:** Los estudiantes deben comprender los métodos para manejar la retroalimentación escasa y los conflictos entre objetivos en la práctica de la ingeniería.
> **Objetivo de la página**
>
> Comprender la normalidad de los conflictos entre objetivos y la retroalimentación escasa en la optimización de ingeniería compleja, y dominar el enfoque de sustituir el óptimo de un solo objetivo por un compromiso multiobjetivo dinámico.
**Puntos clave de la enseñanza**
- La ingeniería real a menudo persigue simultáneamente rendimiento, costo, confiabilidad, consumo de energía y restricciones de fabricación, y estos indicadores se limitan mutuamente. Por ejemplo, en el diseño de perfiles supercríticos, aumentar la relación sustentación-resistencia puede agravar la divergencia de resistencia, y reforzar la estructura aumenta el peso y la dificultad de fabricación. La clave no es ordenar los indicadores, sino identificar en qué segmento de la frontera de Pareto se está actualmente y aclarar qué se puede intercambiar. Las evaluaciones como la simulación de alta fidelidad y los experimentos físicos tienen alto costo, ciclos largos, mucho ruido, y a menudo devuelven muestras fallidas. Las señales de evaluación efectivas son pocas, con retraso y discontinuas, y el presupuesto de evaluación se convierte en una restricción dura. El sesgo del modelo sustituto se amplifica, aumentan los riesgos de sobreajuste y convergencia prematura, el equilibrio entre exploración y explotación tiende a desequilibrarse, y las preferencias fijas difícilmente se adaptan a los descubrimientos por etapas. Usar modelos sustitutos y evaluación multi-fidelidad para reducir el costo de cada retroalimentación.
- Usar muestreo activo y experimentos por lotes para mejorar la eficiencia de las muestras.
- Usar evolución multiobjetivo para mantener múltiples candidatos no dominados y preservar la diversidad de la frontera de Pareto.
- Actualizar dinámicamente las preferencias y restricciones según los resultados de evaluación, produciendo conjuntos de candidatos diversificados para la evaluación de expertos. El objetivo no es eliminar los conflictos, sino hacer que los conflictos, riesgos y relaciones de compromiso sean explicables, sin depender de conocer de antemano la única respuesta.
> **Pistas de ejercicios**
>
> - Las 5 preguntas de opción múltiple de esta página examinan respectivamente (1) la identificación de conflictos entre objetivos.
> - (2) las características de la retroalimentación escasa.
> - (3) el impacto del sesgo del modelo sustituto bajo retroalimentación escasa.
> - (4) las prácticas para mejorar la eficiencia de las muestras.
> - (5) la comprensión razonable de la actualización de preferencias y restricciones. Al responder, se deben captar palabras clave como "pocas, caras, lentas, con ruido, muestras fallidas", y distinguir entre conflictos entre objetivos y retroalimentación escasa. Diseño multiobjetivo de placas de enfriamiento líquido. Los conflictos entre objetivos se manifiestan en que el rendimiento de disipación de calor, la caída de presión, el peso, el costo y la fabricabilidad se limitan mutuamente.
> - La retroalimentación escasa se manifiesta en que la CFD de alta fidelidad requiere decenas de horas, los experimentos en banco requieren semanas y tienen fluctuaciones, y las muestras con procesos inviables fallan directamente. Respuesta: en el lado de la evaluación, usar modelos sustitutos y evaluación multi-fidelidad, muestreo activo.
> - En el lado de la búsqueda, usar evolución multiobjetivo para mantener la diversidad.
> - En el lado de las preferencias, actualizar por etapas los pesos, restricciones y puntos de referencia, evitando quedar bloqueado por pesos fijos tempranos.
**Verificación de comprensión**
Pida a los estudiantes que resuman con sus propias palabras la diferencia entre conflictos entre objetivos y retroalimentación escasa, y que den un ejemplo del papel de cualquier eslabón del ciclo cerrado de ajuste dinámico.
> **Indicación de transición**
>
> Después de confirmar que los estudiantes pueden expresar la relación central "conflicto entre objetivos + retroalimentación escasa → compromiso multiobjetivo dinámico", pasar a la siguiente página.
### El Papel Decisorio del Experto del Dominio y la Evaluación de Soluciones
*Página 12*
> **Objetivo de la página:** Los estudiantes deben comprender la división de responsabilidades entre los expertos humanos y los sistemas automatizados en la exploración multiobjetivo.
> **Objetivo de la página**
>
> Comprender cómo los sistemas automatizados y los expertos del dominio dividen y colaboran en el flujo de exploración multiobjetivo, y cómo los expertos transforman la experiencia del dominio en lógica de evaluación y decisión verificable y rastreable.
> **Secuencia de explicación**
>
> Primero señalar que "el sistema despliega las posibilidades, el experto las converge", luego explicar los límites de responsabilidad del lado del sistema y del lado del experto; después explicar por qué el óptimo de un solo objetivo no equivale a una solución entregable, introduciendo la matriz de evaluación beneficio-costo; luego presentar el orden de decisión de veto por umbral, compensación beneficio-costo y análisis de sensibilidad; finalmente explicar el juicio de verificación, remuestreo o terminación bajo retroalimentación escasa, y cómo las razones de selección retroalimentan formando un ciclo cerrado de responsabilidad.
**Puntos clave de la enseñanza**
- El lado del sistema completa la generación masiva de candidatos, la predicción con modelos sustitutos, la caracterización de la frontera de Pareto y el mantenimiento de la diversidad, respondiendo "qué posibilidades hay".
- El lado del experto inyecta prioridades de objetivos, restricciones duras y tolerancia al riesgo, juzga la adaptabilidad al escenario real, toma la decisión final y asume la responsabilidad, respondiendo "cuál elegir y por qué". El límite es: el sistema proporciona un conjunto de candidatos comparables y predicciones cuantificadas, pero no decide los mínimos y preferencias en nombre del experto.
- El experto proporciona preferencias, restricciones y criterios de decisión, pero no completa personalmente la generación y el filtrado de candidatos masivos. La evaluación de soluciones debe transformar los beneficios de rendimiento y los costos de ingeniería en bases explicables y auditables. Además de los beneficios de rendimiento, también se deben considerar simultáneamente los costos computacionales y de fabricación, la robustez, la mantenibilidad, la incertidumbre, y la credibilidad de las conclusiones bajo retroalimentación escasa. El óptimo de un solo objetivo a menudo no es entregable; la evaluación multidimensional permite que diferentes candidatos muestren sus escenarios de aplicabilidad. Expresar la experiencia del dominio como preferencias explícitas, evaluación jerárquica, matrices de decisión, elementos de veto por umbral y análisis de sensibilidad. El orden común es primero usar restricciones duras para "vetar con un voto" los candidatos que violen los requisitos mínimos, luego hacer la compensación beneficio-costo de los candidatos restantes, y finalmente usar el análisis de sensibilidad para confirmar si las conclusiones son robustas ante perturbaciones de pesos. Compensar defectos graves con una puntuación ponderada total es el error más común. Cuando la evaluación de alta fidelidad es costosa y la retroalimentación escasa, el experto debe decidir si verificar, remuestrear o terminar la búsqueda según la confianza del modelo sustituto, la diversidad de candidatos y los patrones de fallo observados, en lugar de confiar ciegamente en la "solución óptima" que da el modelo sustituto. La selección final y la asunción de riesgos pertenecen al experto del dominio.
- Las razones de la selección deben retroalimentarse como preferencias, restricciones o señales de evaluación, guiando la siguiente búsqueda evolutiva, formando un ciclo cerrado de responsabilidad. En el diseño multiobjetivo de perfiles supercríticos, el sistema produce candidatos que consideran resistencia, sustentación y estabilidad.
- El experto combina los costos de túnel de viento y simulación, las tolerancias de fabricación y el perfil de misión, elimina primero los que violan restricciones duras, luego hace la compensación beneficio-costo de las soluciones restantes, selecciona unas pocas para verificación de alta fidelidad, y retroalimenta las razones de esta ronda como preferencias y restricciones para la siguiente.
**Cobertura de palabras clave**
- Exploración multiobjetivo, generación y filtrado, juicio y decisión, frontera de Pareto, matriz de evaluación beneficio-costo, veto por umbral, análisis de sensibilidad, retroalimentación escasa, ciclo cerrado de responsabilidad.
> **Pistas de ejercicios**
>
> - 1. El lado del sistema se encarga de la generación masiva de candidatos, la predicción con modelos sustitutos y la caracterización de la frontera de Pareto.
> - Si se selecciona la determinación de restricciones duras, las prioridades de objetivos o la asunción de riesgos, recordar que estas pertenecen al lado del experto. 2. Se deben considerar integralmente los beneficios de rendimiento, los costos computacionales y de fabricación, la robustez, la mantenibilidad y la incertidumbre.
> - El óptimo de un solo objetivo no equivale a entregable. 3. Cuando la retroalimentación es escasa, se debe decidir si verificar, remuestrear o terminar según la confianza del modelo sustituto, la diversidad de candidatos y los patrones de fallo. 4. Los elementos de veto por umbral se usan para vetar con un voto los candidatos que violan restricciones duras, y luego ponderar los candidatos restantes; no es una puntuación ponderada unificada. 5. El propósito de la retroalimentación de las razones de selección es transformar las razones de selección en preferencias, restricciones o señales de evaluación, guiando la siguiente búsqueda evolutiva. Primero explicar los límites entre "generación y filtrado" del lado del sistema y "juicio y decisión" del lado del experto.
> - Luego decidir según "veto por umbral→matriz beneficio-costo→análisis de sensibilidad" qué candidatos entran a verificación de alta fidelidad.
> - Si la confianza es insuficiente o la diversidad es baja, elegir remuestrear o verificar.
> - Finalmente registrar explícitamente las razones de esta ronda como preferencias, restricciones o señales de evaluación, para la siguiente ronda de búsqueda.
**Verificación de comprensión**
Pida a los estudiantes que distingan con sus propias palabras entre "ampliar opciones" y "converger opciones", y que den un ejemplo de las acciones del lado del sistema y del lado del experto en una decisión de ingeniería. Si los estudiantes atribuyen la decisión final, la asunción de riesgos o la determinación de restricciones duras al lado del sistema, volver a la división de responsabilidades para aclarar.
> **Indicación de transición**
>
> Después de confirmar que los estudiantes pueden explicar la relación del ciclo cerrado "generación—evaluación—selección—retroalimentación", pasar a la siguiente página con ejercicios de ejemplo, aplicaciones o resumen.
### Actividad en Clase: Diseño de un Esquema de Evaluación para la Optimización Multiobjetivo de Parámetros
*Página 13*
> **Objetivo de la página:** Los estudiantes deben diseñar mediante la práctica un esquema de evaluación de optimización de parámetros que incluya la compensación entre sustentación y resistencia.
**Puntos clave de la enseñanza**
- La sustentación y la resistencia son los objetivos en conflicto originales; los indicadores compuestos como la relación sustentación-resistencia solo pueden usarse para explicación y presentación. Método de autoverificación: si se elimina el indicador compuesto, ¿el esquema aún puede comparar las ganancias y pérdidas de compromiso de dos candidatos? Si no puede, significa que los objetivos originales están ocultos.
- Restricciones de ingeniería como el espesor y el momento de cabeceo, una vez violadas, hacen que la solución sea inutilizable; no usar ponderaciones para suavizarlas en puntuaciones que puedan compensarse mutuamente. Al escribir el esquema, etiquetar cada elemento: ¿es una restricción dura o una preferencia blanda?, y reportar el cumplimiento de restricciones en los resultados.
- La línea de aprobación de los resultados de evaluación es: un conjunto de candidatos que cubren diferentes compensaciones sustentación-resistencia + evidencia de indicadores + cumplimiento de restricciones + descripción de incertidumbre + registro (semilla, presupuesto, razones de eliminación). Entregar solo una "solución óptima" generalmente significa que ya has completado el compromiso en nombre del experto.
Objetivo de la página
Esta página es un diseño de actividad en clase; la tarea es transformar el par de objetivos en tensión "sustentación—resistencia" en un esquema de evaluación de optimización multiobjetivo de parámetros reproducible, comparable y entregable para la decisión de expertos. El enfoque de la actividad no es hacer que el modelo dé directamente una respuesta óptima, sino diseñar un mecanismo de evaluación que pueda ser verificado repetidamente: quién participa en la evaluación, con qué indicadores, bajo qué restricciones y presupuesto, y con qué reglas se retienen candidatos. Finalmente, se debe escribir el "conflicto" como "reglas de revisión ejecutables".
Secuencia de explicación
Generar candidatos → Entrar en evaluación → Comparar beneficios, costos y restricciones según la retroalimentación → Retener soluciones efectivas → Registrar y pasar a la siguiente ronda.
Objetivos y restricciones, ciclo cerrado de evaluación de seis pasos, salida de grupo de candidatos e interfaz de decisión, registros reproducibles.
La sustentación y la resistencia son los objetivos en conflicto originales; los indicadores compuestos como la relación sustentación-resistencia solo se usan para explicación y presentación.
Los candidatos deben cubrir diferentes regiones de compensación sustentación-resistencia; el resultado del filtrado no puede dejar solo la puntuación más alta.
5. Proporcionar la plantilla de entregables y cerrar con errores comunes.
Puntos clave de la enseñanza
El objetivo A es maximizar el coeficiente de sustentación, y el objetivo B es minimizar el coeficiente de resistencia; ambos deben figurar en columnas independientes. No usar la relación sustentación-resistencia para reemplazarlos, de lo contrario el compromiso se "aplana" prematuramente con un cociente.
Los límites de parámetros, el espesor relativo, el rango de momento de cabeceo, etc., generalmente se establecen como restricciones duras, y su violación implica eliminación; el costo, la fabricabilidad en ingeniería, etc., se establecen como preferencias blandas, usadas para ordenar. Al escribir el esquema, etiquetar cada elemento como "restricción dura" o "preferencia blanda", y reportar el cumplimiento de restricciones en los resultados.
Especificar el número de llamadas a simulación o modelo sustituto, el tiempo, el límite de cómputo, y distinguir las cuotas de "evaluación por sustituto" y "verificación de alta fidelidad"; de lo contrario, diferentes esquemas no pueden compararse de manera justa.
Representación de parámetros → Generación de candidatos → Cálculo de evaluación → Resumen de indicadores → Comparación de soluciones → Registro y archivo.
El muestreo inicial despliega el panorama global, las perturbaciones, el cruce y la mutación hacen el refinamiento local, la guía de preferencias densifica en las regiones de interés del experto; se requiere que los candidatos se distribuyan en diferentes regiones de compensación sustentación-resistencia, evitando que toda la generación colapse hacia una sola dirección de "alta sustentación" o "baja resistencia".
Se pueden usar no dominancia de Pareto, suma ponderada, filtrado por umbral, puntos de referencia u ordenamiento por preferencias; pero la salida debe ser un conjunto de candidatos que cubran diferentes compensaciones, con evidencia de indicadores, cumplimiento de restricciones, diferencias entre candidatos y rangos de incertidumbre, para facilitar el juicio del experto.
Combinar sustentación y resistencia en una puntuación total y luego tomar el máximo parece una simplificación, pero en realidad usa la selección de pesos para hacer el compromiso en nombre del experto de antemano, y también pierde la diversidad de candidatos. La práctica correcta es retener múltiples grupos de candidatos, dejando el poder de decidir "cuál elegir" después de la interfaz de evaluación.
Plantilla de esquema de evaluación de una página, que incluye tabla de indicadores (objetivos originales e indicadores auxiliares), diagrama de flujo de seis pasos, reglas de generación de candidatos, reglas de filtrado, grupo de candidatos de salida, descripción de riesgos e incertidumbre; también registrar parámetros, definiciones de indicadores, presupuesto de evaluación, semillas aleatorias, bases de filtrado y razones de eliminación.
Actividad en clase
Pida a los estudiantes que diseñen un esquema de evaluación multiobjetivo simplificado para un objeto parametrizado (como parámetros de perfil aerodinámico), que debe hacer visible explícitamente la compensación entre sustentación y resistencia. Se puede completar en cuatro bloques: ①Objetivos y restricciones; ②Ciclo cerrado de evaluación de seis pasos; ③Salida del grupo de candidatos e interfaz de decisión; ④Registros reproducibles. Después de completar, hacer evaluación cruzada por grupos: si se elimina el indicador compuesto, ¿el esquema aún puede comparar las ganancias y pérdidas de compromiso de dos candidatos? ¿Se están tratando las restricciones duras erróneamente como puntuaciones que pueden compensarse con ponderaciones? ¿La salida deja solo una "solución óptima"?
Tratamiento de ejercicios
El juicio básico puede comentarse en torno a los siguientes puntos:
Maximizar el coeficiente de sustentación, minimizar el coeficiente de resistencia; la opción correcta enfatiza que ambos son independientes, y la relación sustentación-resistencia solo puede ayudar en la explicación.
2. El espesor y el rango de momento de cabeceo deben establecerse como restricciones duras, y su violación implica eliminación; el presupuesto debe especificar de antemano el número de llamadas, el tiempo y el límite de cómputo, y no se pueden relajar las restricciones duras por falta de presupuesto.
3. La generación de candidatos debe incluir muestreo global inicial, complementado con perturbaciones, cruce y mutación, y guía de preferencias, para que los candidatos se distribuyan en múltiples regiones de compromiso.
4. La comparación de soluciones debe producir un conjunto de candidatos no dominados que cubran diferentes compensaciones sustentación-resistencia, con divergencias y bases; retener solo la puntuación más alta de la suma ponderada o solo listar un ranking largo no cumple con los requisitos de la actividad.
5. El registro y archivo debe incluir al menos la representación y límites de parámetros, las definiciones de indicadores, el presupuesto de evaluación, las semillas aleatorias, las bases de filtrado y las razones de eliminación, para que en la siguiente ronda se pueda determinar si los cambios en los resultados provienen de cambios en el esquema o de cambios en las condiciones de evaluación.
Comentario del caso
En el esquema del perfil supercrítico, el equipo ordenó por suma ponderada y solo retuvo el primer lugar; el problema es que se resolvió prematuramente el conflicto entre sustentación y resistencia, se perdió la diversidad de Pareto, y los expertos no pueden ver el rango de compensación. Dirección de modificación: cambiar a filtrado no dominado de Pareto, reteniendo varios candidatos en la frontera que cubran diferentes regiones de compromiso; si se retiene la suma ponderada, proporcionar múltiples grupos de pesos o puntos de referencia y registrar las bases. Si se quiere que la segunda ronda herede los resultados de esta ronda, también se deben complementar la representación y límites de parámetros, las unidades de los indicadores, la división restricción dura/preferencia blanda, el presupuesto y el número real de llamadas, la versión del modelo sustituto, las semillas aleatorias, las bases de filtrado y las razones de eliminación; cada candidato debe incluir evidencia de indicadores, cumplimiento de restricciones, rango de incertidumbre y descripción de diferencias entre candidatos, y proporcionar una interfaz de compensación para el experto.
Verificación de comprensión
¿Por qué la relación sustentación-resistencia no puede reemplazar a los objetivos independientes de sustentación y resistencia? ¿Por qué las restricciones duras no pueden participar en la compensación ponderada? ¿Por qué el grupo de candidatos es más adecuado para entregar al experto que una única solución óptima? Basta con que la respuesta pueda vincular indicadores, restricciones, presupuesto, diversidad de candidatos y requisitos de registro.
Indicación de transición
Después de confirmar que los estudiantes pueden explicar la línea principal "objetivos en conflicto originales—restricciones duras/preferencias blandas—generación de candidatos—salida diversificada—registros reproducibles", pasar a la siguiente página con ejercicios de ejemplo, aplicaciones o resumen.
### Revisión de la Actividad en Clase: Verificación de la Razonabilidad del Esquema de Compensación
*Página 14*
> **Objetivo de la página:** Los estudiantes deben comprender cómo verificar y reflexionar sobre si el esquema de evaluación de compensaciones diseñado es científico y efectivo.
> **Objetivo de la página**
>
> Esta página es una revisión de la actividad en clase "Diseño de un esquema de evaluación para la optimización multiobjetivo de parámetros"; el núcleo es verificar si el esquema de evaluación de compensaciones diseñado es razonable. Los estudiantes deben poder identificar indicadores clave omitidos y conflictos entre objetivos, y aclarar la dirección de ajuste de la configuración de parámetros, haciendo que el esquema se acerque a las necesidades reales de decisión en ingeniería.
> **Secuencia de explicación**
>
> Se sugiere primero aclarar que la pregunta de primer principio de la revisión es "¿el esquema describe la decisión real?", luego desarrollar las siete dimensiones: ①Cobertura de objetivos ②Conflictos y redundancia ③Restricciones y preferencias ④Configuración de parámetros ⑤Modelo sustituto ⑥Diversidad de candidatos ⑦Apoyo al experto; después, derivar la dirección de ajuste según el diagnóstico de la revisión; finalmente, usar los tres criterios de comparable, compensable y reproducible para determinar si el esquema es aceptable.
**Puntos clave de la enseñanza**
- Cuando los objetivos, restricciones y preferencias están incompletos, cualquier ajuste de parámetros solo está refinando sobre un modelo erróneo. ¿Están todos incluidos en el esquema los valores que realmente le importan al decisor (rendimiento, costo, confiabilidad, fabricabilidad)? ¿Están escritos los límites duros como restricciones? ¿Están expresadas las preferencias explícitamente como pesos o puntos de referencia? La relación inversa es conflicto, y debe retenerse como multiobjetivo, expresando las preferencias con pesos o puntos de referencia.
- Cambio en la misma dirección y superposición de información es redundancia, y se debe fusionar o eliminar uno, evitando que la misma demanda se cuente doblemente. Regla mnemotécnica: mirar la dirección y también si hay doble conteo. También verificar si alguna restricción se ha tratado erróneamente como objetivo. ¿El tamaño de la población y el número de candidatos cubren el rango de compromiso?
- ¿El presupuesto de iteraciones coincide con la precisión del modelo sustituto?
- ¿La mutación, el cruce y la presión de selección hacen que la exploración y la explotación se desequilibren?
- ¿La estrategia de muestreo dirige el presupuesto de simulación a las regiones de mayor información? Cualquier desajuste se manifestará como "hay resultados, pero no son utilizables". Diversidad insuficiente→ampliar el tamaño de la población y el grupo de candidatos de salida.
- Convergencia demasiado rápida→reducir la presión de selección, aumentar la intensidad de mutación, relajar la retención de élites.
- Costo de evaluación demasiado alto→mejorar la precisión del modelo sustituto, optimizar la adición de puntos y la estrategia de muestreo.
- Desviación de preferencias→corregir los pesos o mover los puntos de referencia.
- Indicadores omitidos o en conflicto→complementar indicadores, retener la relación inversa como estructura multiobjetivo. Comparable—el experto del dominio puede ver claramente los compromisos entre candidatos.
- Compensable—se puede seleccionar una solución de la frontera según las preferencias.
- Reproducible—parámetros, semillas aleatorias y flujo registrados completamente. El producto final debe ser candidatos diversificados que consideren todos los indicadores, no una única "solución óptima". Revisión del diseño del perfil supercrítico. Si solo se presta atención a la relación sustentación-resistencia y se omite la resistencia estructural o el costo de fabricación, primero se deben complementar los indicadores y retener explícitamente el conflicto como multiobjetivo.
- Luego incluir el presupuesto de evaluación, el tamaño de la población y el número de candidatos de salida en la lista de ajuste de parámetros.
- Finalmente, verificar si el ajuste es efectivo con "¿es más ancha la frontera?, ¿pueden los expertos comparar y compensar?, ¿se pueden reproducir los resultados?".
**Cobertura de palabras clave**
- Verificación de cobertura, cobertura de objetivos, conflictos y redundancia, retención multiobjetivo, pesos/puntos de referencia, tamaño de población, presión de selección, intensidad de mutación, modelo sustituto, estrategia de muestreo, frontera de compromiso, comparable, compensable, reproducible.
> **Pistas de ejercicios**
>
> - Verificar si los objetivos, restricciones y preferencias están completos, priorizando el descubrimiento de indicadores clave omitidos. Análisis: la omisión de indicadores distorsiona sistemáticamente todas las compensaciones posteriores, por lo que primero se debe hacer la verificación de cobertura y luego discutir el ajuste de parámetros. ¿Dos indicadores cambian en la misma dirección y su información se superpone altamente, cómo manejarlos? Respuesta: son métricas redundantes, se deben fusionar o eliminar uno, evitando que los pesos se amplifiquen doblemente. Análisis: el conflicto es relación inversa, la redundancia es misma dirección con superposición de información.
> - La redundancia causa que la misma demanda se cuente doblemente. La optimización converge en pocas iteraciones, los candidatos son muy similares, ¿el ajuste de parámetros más adecuado? Respuesta: ampliar el tamaño de la población y el grupo de candidatos de salida, y aumentar la intensidad de mutación, reducir la presión de selección. Análisis: la convergencia demasiado rápida generalmente se debe a una presión de selección excesiva y una mutación insuficiente, causando colapso de diversidad. Ante conflictos reales como la relación sustentación-resistencia y la resistencia estructural, ¿cómo manejarlos? Respuesta: retenerlos como multiobjetivo, expresar las preferencias con pesos o puntos de referencia, y producir la frontera de compromiso para que el experto compense. Análisis: los conflictos reales no deben ocultarse con un solo objetivo; retener multiobjetivo y expresar preferencias explícitamente es lo que apoya la decisión. El costo de evaluación de simulación de alta fidelidad es demasiado alto y el presupuesto de iteraciones insuficiente, ¿el ajuste más razonable? Respuesta: mejorar la precisión del modelo sustituto y optimizar la estrategia de muestreo, concentrando el presupuesto en las regiones de mayor información. Análisis: se debe hacer que el modelo sustituto y la estrategia de muestreo asuman el costo de evaluación, en lugar de sacrificar la escala de exploración o reescribir la definición del problema. Revisión del diseño del perfil supercrítico. Pregunta 1: señalar problemas de cobertura de objetivos—conflictos/redundancia—restricciones y preferencias. Puntos de referencia: omisión de indicadores (resistencia estructural, costo de fabricación).
> - Conflicto no tratado explícitamente (relación sustentación-resistencia vs. resistencia estructural).
> - Restricciones y preferencias no explicitadas (geometría, proceso, margen de seguridad).
> - Ampliar el tamaño de la población a más de 100, con 20~50 candidatos de salida.
> - Reducir la presión de selección, aumentar la intensidad de mutación.
> - Mejorar la precisión del sustituto, mejorar el muestreo (como adición de puntos por incertidumbre).
> - Corregir pesos o mover puntos de referencia.
> - Candidatos con cobertura más amplia, menor congestión, mejor cobertura y calidad de distribución de la frontera, menor error del sustituto, expertos que pueden comparar y compensar claramente, resultados reproducibles.
**Verificación de comprensión**
Seleccione aleatoriamente a un estudiante para que resuma los puntos clave de esta página con sus propias palabras, y el instructor complementa las palabras clave faltantes según la respuesta. Se puede preguntar: "Si el conjunto de objetivos en sí está incompleto, ¿qué pasará con el ajuste de parámetros posterior?" Guiar a los estudiantes a decir "solo se está optimizando sobre un modelo erróneo".
> **Indicación de transición**
>
> Después de confirmar que los estudiantes pueden decir "primero verificación de cobertura, luego ajuste de parámetros" y "conflictos se retienen como multiobjetivo, redundancia se fusiona o elimina", pasar a la siguiente página con ejercicios de ejemplo, aplicaciones o resumen.
> **Pistas de material**
>
> - Esta página incluye un diagrama esquemático de "Lista de verificación de razonabilidad del esquema", con siete dimensiones de verificación a la izquierda, las direcciones de ajuste correspondientes a la derecha, y la evidencia de verificación esperada en la parte inferior. Al explicar, se puede desarrollar paso a paso siguiendo este diagrama.
### Repaso de los Conceptos Centrales de Esta Lección
*Página 15*
> **Objetivo de la página:** Los estudiantes deben revisar sistemáticamente las compensaciones multiobjetivo, los modelos sustitutos y el caso del perfil supercrítico tratados en esta lección.
> **Objetivo de la página**
>
> Ayudar a los estudiantes a repasar sistemáticamente los tres conceptos centrales de esta lección—compensaciones multiobjetivo, reducción de costos con modelos sustitutos y práctica multiobjetivo del perfil supercrítico—y poder conectar la línea principal "conflicto—candidatos no dominados—decisión por preferencias".
> **Secuencia de explicación**
>
> Primero señalar que esta página es de cierre, y que la línea principal de la lección es que la computación evolutiva proporciona una ruta de solución que no especifica de antemano una respuesta única, apoyándose en la generación paralela de candidatos poblacionales y la diversidad para enfrentar conflictos entre objetivos y restricciones complejas. Luego repasar con tres líneas principales: primero, conflictos entre objetivos y compensaciones de Pareto; segundo, reducción de costos con modelos sustitutos y verificación; tercero, grupo de múltiples soluciones candidatas y decisión de expertos. Finalmente, usar casos y cadenas mnemotécnicas para aterrizar el conocimiento en el ciclo cerrado de ingeniería.
**Puntos clave de la enseñanza**
- En la ingeniería real, la eficiencia de crucero, el espesor estructural y las restricciones de estabilidad y control a menudo se condicionan mutuamente. No ponderar y comprimir prematuramente en un solo objetivo, de lo contrario se ocultan conflictos, se fijan preferencias y se pierde información de compromiso. Retener candidatos de Pareto es lo que permite tener margen de maniobra en decisiones posteriores. Cuando una sola evaluación de CFD de alta fidelidad, túnel de viento o experimento es costosa, y la búsqueda requiere muchas evaluaciones, el modelo sustituto intercambia velocidad por aproximación, acelerando la búsqueda, el filtrado y el análisis de sensibilidad. Pero su credibilidad proviene de muestras de verificación independientes, evaluación de errores y cuantificación de incertidumbre.
- La precisión de ajuste del conjunto de entrenamiento no puede probar directamente la confiabilidad de la generalización. Perturbación del perfil base→búsqueda asistida por sustituto→salida de candidatos diversificados→evaluación y decisión de expertos constituyen el ciclo cerrado. El punto clave no es la respuesta única, sino producir un grupo de soluciones comparable, explicable y decidible. El experto hace el compromiso según las preferencias y restricciones de la tarea, y las nuevas muestras se reinyectan para actualizar el modelo sustituto. Si solo se optimiza la relación sustentación-resistencia, se pueden obtener soluciones con características de divergencia de resistencia o momento de cabeceo inaceptables.
- Después de retener el grupo de candidatos, se puede compensar entre eficiencia de crucero, espesor estructural y restricciones de estabilidad y control según las preferencias de la tarea, y también facilita responder a cambios de preferencias, comparación de robustez y trazabilidad de decisiones. Muestras/simulación → modelo sustituto → búsqueda multiobjetivo → evaluación de candidatos → decisión por preferencias → reinyección de nuevas muestras. Se puede pedir a los estudiantes que repitan cada paso y añadan una frase sobre "por qué es necesario".
**Tratamiento de ejercicios**
Las preguntas de opción múltiple de esta página pueden usarse para verificación rápida. La pregunta 1 debe elegir "La compresión prematura oculta los conflictos entre objetivos y reduce el espacio de diseño compensable", enfatizando que el método multiobjetivo retiene explícitamente las relaciones no dominadas; la pregunta 2 debe elegir "Cuando una sola evaluación de simulación de alta fidelidad o túnel de viento es costosa y la búsqueda requiere muchas evaluaciones", enfatizando que el valor del modelo sustituto depende del costo y el número de evaluaciones; la pregunta 3 debe elegir "Usar muestras de verificación independientes para evaluar el error de predicción, y cuantificar y monitorear la incertidumbre de predicción", enfatizando la generalización y la credibilidad; la pregunta 4 debe elegir "Perturbación del perfil base→búsqueda asistida por sustituto→salida de candidatos diversificados→evaluación y decisión de expertos", enfatizando que el ciclo cerrado produce un grupo de soluciones;
La pregunta 5 debe elegir "Apoyar cambios de preferencias, comparación de robustez y trazabilidad de decisiones, reduciendo el riesgo de bloqueo en una única ruta", enfatizando que el grupo de candidatos retiene espacio de compromiso.
Primero, no hacer directamente optimización de alta fidelidad con un único ponderado, sino construir primero un modelo sustituto y retener el grupo de candidatos de Pareto, por razones de "reducción de costos" y "retención de espacio de compromiso"; segundo, si el modelo sustituto tiene gran desviación local, primero usar muestras de verificación independientes para localizar regiones de alto error o alta incertidumbre, luego complementar la verificación de alta fidelidad para los candidatos seleccionados, y si es necesario, hacer muestreo adaptativo, y finalmente verificar si la frontera de Pareto sigue manteniendo relaciones no dominadas bajo los datos de verificación.
**Verificación de comprensión**
Pida a los estudiantes que expliquen con sus propias palabras "por qué retener el grupo de candidatos en lugar de dejar solo una solución óptima", y que expliquen por qué el modelo sustituto debe verificarse. Si los estudiantes solo pueden recitar términos, preguntar por el papel de cada paso en "conflicto → candidatos no dominados → decisión por preferencias".
> **Indicación de transición**
>
> Después de confirmar que los estudiantes pueden explicar las tres líneas principales de esta página y su relación de ciclo cerrado, pasar a la siguiente página de resumen, aplicación o nuevo tema.
### Resumen y Perspectivas: El Valor Científico en el Mundo Real Complejo
*Página 16*
> **Objetivo de la página:** Los estudiantes deben comprender el profundo valor científico de retener soluciones utilizables diversificadas al enfrentar la complejidad del mundo real.
> **Objetivo de la página**
>
> El valor científico en la ingeniería real y el mundo físico no radica en usar un único algoritmo para converger rápidamente a una "respuesta óptima", sino en transformar los conflictos multiobjetivo, las restricciones físicas y la retroalimentación escasa en un proceso de problema con exploración sostenible. La idea central de EvoX y la práctica AI Native es, mediante la generación y retención de soluciones utilizables diversificadas, proporcionar espacio para compensaciones, decisiones y evolución de métodos posteriores.
> **Secuencia de explicación**
>
> 1. Primero entrar desde el "mundo real complejo" de la izquierda, explicando que los conflictos multiobjetivo, las restricciones físicas y la retroalimentación escasa son la norma, no la excepción.
>
> 2. Explicar por qué el óptimo de un solo objetivo pierde información clave. Se puede usar como ejemplo el diseño de perfiles supercríticos: la relación sustentación-resistencia, las características de divergencia de resistencia y el espesor estructural se condicionan mutuamente; aumentar la relación sustentación-resistencia puede sacrificar el rendimiento de divergencia de resistencia o aumentar el espesor estructural. Si solo se persigue el óptimo de un solo objetivo, se pierden las relaciones de compromiso y no hay margen de ajuste ante nuevas restricciones o cambios de preferencias.
>
> No debe ser solo una solución individual, sino un grupo de soluciones candidatas que contenga múltiples relaciones de compromiso. Con EvoX se pueden generar en paralelo una gran cantidad de perfiles candidatos, y usar modelos sustitutos para asistir la evaluación cuando el costo de simulación es elevado, cubriendo así diferentes preferencias y restricciones.
>
> Apoyar la decisión de expertos del dominio; reducir el riesgo de convergencia errónea temprana; retener posibilidades para la reestructuración del problema y la evolución continua posterior.
>
> La dirección de la investigación AI Native es avanzar de "elegir un algoritmo para buscar respuestas" a "diseñar un proceso de exploración reutilizable, verificable y heredable", haciendo que la complejidad real sea la fuente de innovación metodológica.
**Puntos clave de la enseñanza**
- En problemas reales, los objetivos a menudo se condicionan mutuamente; no buscar habitualmente la única solución óptima, sino preguntar primero: ¿he ignorado algunas relaciones de compromiso? La exploración evolutiva debe producir un conjunto de soluciones candidatas que contengan diferentes relaciones de compromiso. El grupo de soluciones diversificadas puede cubrir más preferencias y restricciones, reteniendo espacio para la decisión del experto y la evolución posterior. A la izquierda está el mundo real complejo, en el medio la exploración impulsada por EvoX, a la derecha el valor científico.
- En la parte inferior también hay un circuito de "retroalimentación evolutiva continua", que refleja que el proceso de exploración no termina de una vez, sino que es acumulable y heredable. El valor científico en el mundo real complejo radica en transformar los conflictos multiobjetivo, las restricciones físicas y la retroalimentación escasa en un proceso de problema con exploración sostenible.
- EvoX y la práctica AI Native, mediante la generación y retención de soluciones utilizables diversificadas, proporcionan espacio para compensaciones, decisiones y evolución de métodos posteriores. Pistas y tratamiento de ejercicios: las preguntas de opción múltiple giran en torno a "conceptos centrales", "el valor de exploración científica que muestra el diseño de perfiles" y "el significado a largo plazo de retener soluciones utilizables diversificadas". La respuesta correcta debe apuntar a: retener soluciones utilizables diversificadas tiene un profundo valor científico al enfrentar la complejidad real. Si los estudiantes responden incorrectamente, guiarlos de vuelta a la explicación de esta página para encontrar la evidencia clave o el ejemplo antes de juzgar.
- Si responden correctamente, afirmar que pueden conectar con los conceptos de esta página y explicar las bases. Primera pregunta: los conflictos multiobjetivo se manifiestan en que objetivos como la relación sustentación-resistencia, las características de divergencia de resistencia y el espesor estructural están en conflicto; por ejemplo, aumentar la relación sustentación-resistencia puede tener como costo aumentar el espesor estructural o sacrificar el rendimiento de divergencia de resistencia. Segunda pregunta: el grupo de soluciones candidatas diversificadas cubre diferentes preferencias y restricciones, facilitando la evaluación y el compromiso de los expertos, al mismo tiempo que reduce el riesgo de convergencia errónea temprana y retiene espacio de exploración heredable para la reestructuración del problema, los cambios de restricciones o la evolución de métodos posteriores. Si es correcto, se puede decir "esta respuesta conecta con los conceptos de esta página y explica las bases".
- Si es incompleto, se puede decir "por favor vuelve a la explicación de esta página, encuentra la evidencia clave o el ejemplo y luego juzga".
**Verificación de comprensión**
¿Por qué retener soluciones utilizables diversificadas tiene más valor científico que producir solo una única solución óptima? Se requiere conectar al menos un ejemplo de esta página (diseño de perfil supercrítico) y un significado a largo plazo (apoyar la decisión de expertos o la evolución continua). Si los estudiantes solo pueden repetir términos, preguntar si pueden dar un ejemplo de la relación entre "conflictos multiobjetivo" y "grupo de soluciones candidatas".
> **Indicación de transición**
>
> Después de confirmar que los estudiantes pueden explicar la relación entre "conflictos multiobjetivo—grupo de soluciones candidatas—valor científico", pasar a la siguiente página o al resumen del curso.
--- FIN DEL TEXTO FUENTE ---
Idioma de origen: Chino (Simplificado) 中文 (简体)
Idioma de destino: Español español
Por favor, traduzca el texto anterior al español mientras preserva la estructura y el formato originales.
Devuelva directamente el texto traducido sin envoltorios ni explicaciones adicionales.