--- TEXTE SOURCE ---
# EvoX Système d'évolution intelligente et pratique de recherche scientifique AI Native - Support de cours
Durée : 1 · Pages du support : 16
## Navigation de lecture
- [Leçon 3｜Thème : Complexité du monde réel et compromis multi-objectifs](#lecture-lesson-1)
---
## Leçon 3｜Thème : Complexité du monde réel et compromis multi-objectifs
### Complexité du monde réel et compromis multi-objectifs
*Page 1*
> **Objectif de la page :** Explorer les objectifs complexes et les contraintes qui s'entravent mutuellement dans le monde physique réel, et apprendre à utiliser EvoX pour générer un ensemble de solutions candidates présentant diverses relations de compromis.
> **Objectif de la page**
>
> Cette page fait passer la perspective de problèmes d'optimisation idéalisés au monde physique réel, en soulignant que les objectifs d'ingénierie sont souvent en tension mutuelle et que les retours sont rares, et introduit l'idée de générer avec EvoX un ensemble de solutions candidates reflétant différentes relations de compromis.
> **Ordre de présentation**
>
> D'abord expliquer pourquoi les « conflits d'objectifs » sont omniprésents, par exemple dans la conception de profils d'aile où la portance, la traînée, la résistance structurelle et le bruit sont difficiles à optimiser simultanément ; ensuite expliquer que les « retours rares » signifient que l'évaluation est coûteuse et que les échantillons valides sont peu nombreux, ce qui empêche de recourir à un grand nombre d'essais-erreurs ; enfin introduire l'exploration multi-candidates, pour qu'EvoX ne retourne pas seulement une solution optimale unique, mais un ensemble de solutions ayant chacune des avantages dans différentes directions de compromis, pour la prise de décision ultérieure.
**Points clés de l'enseignement**
- Les systèmes réels sont soumis aux lois physiques, aux procédés de fabrication, aux normes de sécurité, etc., et les variables s'influencent mutuellement. L'amélioration d'un indicateur se fait souvent au détriment d'un autre, il n'existe donc pas de « meilleur » unique, seulement des compromis selon différentes préférences. Les simulations ou expériences réelles sont coûteuses, les retours ne sont pas denses, et l'algorithme doit utiliser plus efficacement les informations d'évaluation déjà disponibles. Générer un ensemble de solutions candidates permet de présenter la frontière des compromis, aidant les ingénieurs à choisir selon le scénario, plutôt que d'être bloqués par une solution unique. On peut l'utiliser pour illustrer concrètement comment trouver plusieurs ensembles de conceptions réalisables parmi des objectifs tels que l'efficacité aérodynamique, la fiabilité structurelle et le bruit.
**Couverture des mots-clés**
- Complexité du monde réel, compromis multi-objectifs, conflits d'objectifs, retours rares, exploration multi-candidates, EvoX, optimisation de profils d'aile.
**Vérification de la compréhension**
Demander aux étudiants de donner un exemple d'ingénierie ou de la vie quotidienne où « améliorer A sacrifie B », et d'expliquer en quoi la prise de décision diffère si l'on ne peut obtenir qu'une seule solution par rapport à un ensemble de solutions candidates.
> **Indication de transition**
>
> Une fois que les étudiants savent distinguer « l'optimum mono-objectif » et « l'ensemble de candidats sous compromis multi-objectifs », passer à la page suivante sur les méthodes concrètes ou les études de cas.
### Conflits multi-objectifs et complexité du monde réel
*Page 2*
> **Objectif de la page :** L'apprenant doit comprendre l'état actuel fondamental de la tension mutuelle entre objectifs multiples et de l'imbrication des contraintes dans le monde réel de l'ingénierie.
**Points clés de l'enseignement**
- L'optimisation en ingénierie réelle fait face à la complexité entrelacée d'objectifs multiples, de contraintes multiples et de retours coûteux. Les objectifs sont en tension mutuelle, il n'existe pas d'optimum unique idéal sans compromis, il faut donc d'abord identifier et accepter les conflits, plutôt que d'appliquer des hypothèses mono-objectif idéalisées. Les objectifs ne sont pas indépendants, améliorer un objectif peut en dégrader un autre, par exemple augmenter la portance s'accompagne souvent d'une augmentation de la traînée ou d'une baisse de stabilité
- Les contraintes sont imbriquées, l'ajustement d'une variable locale affecte d'autres sous-systèmes ou phases du cycle de vie, formant un domaine réalisable couplé et des frontières implicites
- Les retours sont coûteux, les évaluations par simulation haute fidélité, soufflerie, essais en vol, etc. sont onéreuses et ne peuvent supporter un nombre illimité d'essais-erreurs
- Les objectifs difficiles à quantifier, tels que la sécurité, la stabilité, le coût, la réglementation, la maintenabilité, etc., sont difficiles à unifier en un seul scalaire. Améliorer un indicateur peut en dégrader un autre. Dans la conception d'aéronefs, augmenter la portance augmente la traînée et réduit la stabilité
- Si l'on continue à optimiser un indicateur aérodynamique, cela peut déclencher des contraintes de charge structurelle, de protection thermique ou de complexité de contrôle. Cela montre que les problèmes réels ne peuvent être réduits à un optimum mono-objectif. Le système ne doit pas donner trop tôt une « réponse optimale » unique et isolée, mais explorer et conserver un ensemble de solutions candidates diversifiées, laissant les experts peser les bénéfices et les coûts.
**Traitement des exercices**
La cause fondamentale des conflits multi-objectifs (les objectifs sont en tension mutuelle, améliorer l'un peut dégrader l'autre) ; les conséquences de l'augmentation de la portance (augmentation de la traînée, baisse possible de la stabilité) ; les limites des retours coûteux (coût d'évaluation élevé, nombre d'évaluations limité) ; la bonne approche de l'optimisation multi-objectifs (explorer et conserver un ensemble de solutions candidates diversifiées) ; la signification de l'imbrication des contraintes (l'ajustement d'une variable locale affecte d'autres sous-systèmes ou phases du cycle de vie). Un retour correct peut souligner : les conflits multi-objectifs proviennent de compromis structurels ; portance et traînée, stabilité sont des conflits classiques ; les retours coûteux limitent les essais-erreurs ; l'optimum unique n'existe souvent pas dans les conflits réels ; les contraintes imbriquées forment un domaine réalisable couplé.
Optimisation multi-objectifs d'un aéronef. Le scénario est la conception d'un nouveau drone, nécessitant d'optimiser simultanément l'efficacité aérodynamique, le poids structurel, la stabilité et le coût de fabrication ; la simulation CFD haute fidélité prend plusieurs heures, les essais en soufflerie sont extrêmement coûteux ; les conflits d'objectifs comme l'augmentation de la portance accroît la traînée et les charges structurelles, la réduction du poids peut diminuer la stabilité ; les contraintes imbriquées comme la modification de la forme aérodynamique affecte les charges structurelles et la protection thermique, puis la conception des lois de contrôle. La question 1 demande d'identifier au moins deux conflits et d'expliquer pourquoi ils ne peuvent être simplement fusionnés en un objectif unique, référence : conflit portance-traînée, conflit poids-stabilité ; ils ne peuvent être simplement fusionnés car les dimensions et les priorités diffèrent, la fusion nécessite des pondérations subjectives, peut masquer les relations de compromis et conduire à une dégradation de la solution sur des dimensions non prévues.
La question 2 demande de décrire comment utiliser le calcul évolutionnaire pour conserver des solutions candidates diversifiées et expliquer comment les experts pèsent les compromis, référence : utiliser des algorithmes évolutionnaires multi-objectifs (comme NSGA-II) pour maintenir le front de Pareto, conserver un ensemble de solutions non dominées, chaque solution représentant un compromis différent ; les experts peuvent sélectionner la solution appropriée sur le front de Pareto selon les besoins de la mission, ou ajuster interactivement les pondérations.
**Activité en classe**
Demander de reformuler le contenu de cette page avec un exemple proche de l'expérience des étudiants, et leur faire expliquer la relation entre cet exemple et « identifier d'abord les conflits, puis modéliser ».
**Vérification de la compréhension**
Demander aléatoirement à un étudiant de résumer les points clés de cette page dans ses propres mots, l'enseignant complétant les mots-clés manquants selon la réponse.
> **Indication de transition**
>
> Après avoir confirmé que les étudiants peuvent énoncer les relations clés de cette page, passer à la page suivante avec des exemples, applications ou résumés.
### Compromis et exploration multi-objectifs dans le monde physique réel
*Page 3*
> **Objectif de la page :** L'apprenant doit maîtriser la raison fondamentale pour laquelle le système ne peut pas donner trop tôt une solution optimale unique et isolée.
**Points clés de l'enseignement**
- Face à toute « solution optimale », demandez d'abord sur quel objectif elle a fait des concessions. Ce n'est qu'en pouvant expliquer simultanément les bénéfices et les coûts que l'on comprend vraiment un problème multi-objectifs.
- L'ensemble de solutions candidates n'est pas une procrastination de la décision, mais laisse le jugement de préférence à celui qui comprend le mieux la tâche. Lors de la livraison, il faut fournir un ensemble de solutions ayant chacune des priorités différentes et leurs bases de comparaison, plutôt qu'un tas de points non classés.
- Chaque simulation ou expérience a un coût réel. Sous un budget limité, il faut évaluer en priorité les candidats dispersés et couvrant différentes directions de compromis, plutôt que de peaufiner répétitivement autour du même point, ce qui permet d'obtenir des informations plus complètes sur la frontière.
## Objectif de la page
Comprendre pourquoi les problèmes d'optimisation dans le monde physique réel n'ont généralement pas de « solution optimale unique sans coût », et maîtriser la logique centrale et la valeur de la conservation de solutions candidates diversifiées dans l'exploration multi-objectifs.
## Ordre de présentation
Les objectifs sont difficiles à quantifier complètement, les contraintes sont imbriquées, le coût des retours d'évaluation est élevé, et les objectifs multiples sont en tension mutuelle.
2. Utiliser l'exemple de la conception d'aéronefs pour illustrer que « l'augmentation de la portance s'accompagne souvent d'une augmentation de la traînée ou d'une baisse de stabilité ».
3. À l'aide du schéma du front de Pareto, expliquer pourquoi il ne faut pas converger trop tôt vers une réponse unique.
Explorer et conserver un ensemble de solutions candidates diversifiées, fournissant aux experts une base de comparaison bénéfices-coûts.
5. Enfin, distinguer les malentendus courants, et traiter les exercices et cas.
## Points clés de l'enseignement
**Trois faits clés**
Les objectifs ne peuvent souvent être que partiellement quantifiés (comme le « confort », la « marge de sécurité »), les contraintes sont imbriquées à plusieurs niveaux, et chaque évaluation réelle (simulation haute fidélité, essai au banc ou essai en vol) coûte un temps et un argent considérables.
Portance et traînée, performance et stabilité, précision et consommation d'énergie ne peuvent souvent pas être optimaux simultanément ; toute amélioration doit expliquer clairement ce qu'elle coûte.
On ne peut pas essayer un nombre infini de fois, donc conserver la diversité sous un budget d'évaluation limité est plus robuste que de verrouiller trop tôt un point unique.
**Pourquoi il ne faut pas converger trop tôt vers une réponse unique**
Si le système livre une « solution optimale » isolée au début de l'exploration, l'espace de décision est comprimé : les experts ne voient pas les autres possibilités et ne peuvent pas juger entre quels deux objectifs ce point a fait un compromis. L'approche plus appropriée est de conserver un ensemble de solutions candidates le long de la relation de non-domination, ayant chacune des priorités différentes sur les dimensions de portance, traînée, stabilité, etc., formant un front de Pareto disponible pour le compromis. Chaque point du front représente un compromis légitime — pour améliorer un objectif, il faut en sacrifier un autre ; donc la valeur du front ne réside pas dans « lequel est le meilleur », mais dans la présentation de la relation complète entre bénéfices et coûts, soutenant le jugement de préférence et la décision ultérieurs.
**Malentendus courants**
Réduire prématurément un problème multi-objectifs par une « somme pondérée » en un objectif scalaire équivaut à fixer les poids de préférence à la place de l'expert avant l'exploration, et l'information de compromis est perdue. La pondération devrait être la dernière étape de la phase de décision, et non la première hypothèse de la phase de modélisation.
## Pistes de matériel
L'axe horizontal est l'objectif A — la traînée (plus à gauche est mieux), l'axe vertical est l'objectif B — la stabilité (plus haut est mieux). La figure montre trois candidats diversifiés : candidat A (priorité faible traînée), candidat B (équilibré), candidat C (priorité haute stabilité), tous distribués sur le front de Pareto non dominé. La figure indique également la région dominée (espace d'amélioration existant), et un « point unique à convergence prématurée » tombant dans la région dominée. Une flèche annote « bénéfices ⟷ coûts : à l'expert de peser ».
## Traitement des exercices
Cette page contient 5 questions à choix multiples, utilisables pour une vérification immédiate de la compréhension. Les bonnes réponses et points de retour sont les suivants :
Choisir « Les objectifs sont souvent difficiles à quantifier, les contraintes sont imbriquées, le coût des retours d'évaluation est élevé, les objectifs multiples sont en tension mutuelle. » Retour : saisit avec précision les trois caractéristiques et la tension multi-objectifs.
C'est une manifestation typique des conflits multi-objectifs.
Choisir « Comprimer l'espace de décision et masquer les vraies relations de compromis, empêchant les experts de juger quel compromis ce point a fait. » Retour : la réponse à point unique comprime le compromis multidimensionnel en une conclusion boîte noire.
Choisir « Explorer et conserver un ensemble de solutions candidates diversifiées, comme base pour que les experts pèsent bénéfices et coûts. » Retour : le système ne doit pas décider à la place de l'expert, ni converger trop tôt.
Pour améliorer un objectif, il faut en sacrifier un autre. » Retour : la non-domination signifie qu'il n'existe pas de solution pouvant améliorer simultanément tous les objectifs sans dégrader aucun.
## Discussion de cas
La page fournit le cas « Conception multi-objectifs d'un profil d'aile d'aéronef hypersonique », suggérant une discussion en classe :
Objectifs difficiles à quantifier, contraintes imbriquées, retours coûteux, conflits multi-objectifs. Voir l'analyse de la page pour les réponses de référence.
Livrer un ensemble de solutions candidates diversifiées (comme type priorité faible traînée, type équilibré, type priorité haute stabilité), donnant les valeurs de chaque objectif, la satisfaction des contraintes et les explications des compromis clés, permettant aux décideurs de comparer sur la courbe bénéfices-coûts, et aux experts de choisir finalement en fonction des préférences.
## Vérification de la compréhension
Conclure avec trois points :
Face à toute « solution optimale », demandez d'abord sur quel objectif elle a fait des concessions.
L'ensemble de solutions candidates laisse le jugement de préférence à celui qui comprend le mieux la tâche ; lors de la livraison, il faut fournir un ensemble de solutions ayant chacune des priorités différentes et leurs bases de comparaison.
Sous un budget limité, évaluer en priorité les candidats dispersés et couvrant différentes directions de compromis, plutôt que de peaufiner répétitivement autour du même point.
## Couverture des mots-clés
Ensemble de solutions candidates, front de Pareto, non-domination, compromis multi-objectifs, budget d'évaluation, convergence prématurée.
## Indication de transition
Après avoir confirmé que l'apprenant peut expliquer dans ses propres mots « pourquoi il ne faut pas converger trop tôt vers un point unique » et « comment l'ensemble de solutions candidates soutient le compromis des experts », passer à la page suivante avec des exemples, applications ou résumés.
### Recherche de réponses utilisables et expériences de pensée
*Page 4*
> **Objectif de la page :** L'apprenant doit comprendre comment, face à un problème réel, transformer le problème en un processus systémique explorable et vérifiable.
**Points clés de l'enseignement**
- Face à un problème réel, écrire d'abord les quatre questions de l'expérience de pensée : que peut-on changer, comment évaluer, que doit-on satisfaire, comment juger ce qui est meilleur. Si les quatre questions ne sont pas claires, quel que soit l'algorithme choisi ensuite, il sera difficile d'obtenir une réponse utilisable.
- Chaque solution candidate doit au moins préciser quatre éléments : bénéfices, coûts, conditions d'application, risques. Une solution qui ne mentionne que « plus rapide, plus fort » sans coûts ni limites sera presque certainement interrogée sans fin en réunion d'évaluation.
- Pondérer plusieurs objectifs en un score puis prendre le maximum équivaut à supposer que les poids sont déjà déterminés. Si les poids eux-mêmes sont subjectifs, cette approche cache la décision de compromis dans le score. Conserver des candidats diversifiés et les comparer explicitement est plus proche d'une « réponse utilisable ».
> **Objectif de la page**
>
> Comprendre que face à un problème d'ingénierie réel, le premier travail n'est pas de choisir un algorithme, mais de transformer le problème en une expérience de pensée explorable, exécutable et vérifiable ; et d'explorer systématiquement dans différentes directions, en conservant un ensemble de solutions candidates diversifiées, plutôt que de converger trop tôt vers une prétendue « réponse optimale ».
> **Ordre de présentation**
>
> 1. D'abord parler de la tension multi-objectifs dans le monde réel. Augmenter la portance d'un aéronef peut modifier la traînée et la stabilité, réduire la latence du modèle peut nuire à la précision, améliorer les performances du système peut augmenter la consommation d'énergie, le coût et les risques de sécurité. Un progrès sur un indicateur se fait souvent au prix d'un recul sur un autre, donc la réponse à point unique « meilleure sur tous les indicateurs » n'existe généralement pas.
>
> Que peut-on changer ? Comment évaluer après le changement ? Quelles conditions doivent être satisfaites ? Comment juger quel résultat est meilleur ?
>
> Lister les éléments variables et les variables de décision, comme les paramètres, structures, stratégies, règles d'ordonnancement, et délimiter les conditions fixées.
>
> Déterminer les indicateurs et les critères d'évaluation, par exemple privilégier la rapidité ou la consommation d'énergie, le pic ou la moyenne, quelle plage de données utiliser.
>
> Clarifier les contraintes dures et les limites, comme les seuils de sécurité, les limites de latence, les plafonds d'énergie et de budget, la réglementation et les autorisations d'espace aérien ; les solutions hors limites sont directement éliminées.
>
> Définir les critères de comparaison et les préférences, en expliquant dans quel scénario quel objectif est privilégié, et la plage de coûts acceptables.
>
> 3. Parler de la forme de sortie. L'exploration doit se dérouler dans différentes directions, produisant un ensemble de solutions candidates diversifiées, chacune annotée avec bénéfices, coûts, conditions d'application et risques, permettant aux experts du domaine de comparer les choix selon différentes préférences.
>
> Exécutable, évaluable, satisfaisant les contraintes dures, capable d'expliquer les compromis, et pouvant soutenir des choix selon différentes préférences. Une réponse à point unique maximisant un seul indicateur ne satisfait généralement pas ces critères.
>
> Les axes horizontal et vertical peuvent représenter deux objectifs en tension mutuelle, la courbe ou le nuage de points représente le domaine des solutions atteignables, en dehors des contraintes dures se trouve la région hors limites. Les candidats A à D ont chacun des compromis, le point clé de la figure n'est pas de trouver l'unique point optimal, mais de conserver les différences et de les comparer explicitement.
> **Pistes d'exercices**
>
> - Définir les éléments variables, les critères d'évaluation, les contraintes dures et les critères de comparaison. Ne pas demander d'abord « quel algorithme utiliser » ou « collecter d'abord les données ». La deuxième question doit choisir « un progrès sur un indicateur se fait souvent au prix d'un recul sur un autre, donc il n'existe généralement pas d'optimum global unique ». Le conflit d'objectifs est la norme dans les problèmes réels, ce n'est pas une erreur de définition. La troisième question doit expliquer que la convergence prématurée vers un point unique fait perdre les solutions candidates diversifiées, affaiblissant l'espace de choix et de décision des experts selon différentes préférences. Dans la quatrième question, ce qui ne fait pas partie des critères de « réponse utilisable » est « atteindre le maximum global sur un indicateur isolé, les autres indicateurs pouvant être négligés ». La cinquième question doit expliquer que l'expérience de pensée expose avant l'exécution les conflits d'objectifs, les frontières de contraintes et les critères d'évaluation, établissant un cadre problématique utilisable pour l'exploration multi-objectifs ultérieure. Ordonnancement de livraison par drones urbains. On peut guider les étudiants à transformer le scénario en quatre questions : les éléments variables incluent les routes et niveaux d'altitude, le profil de vitesse, les points de décollage/atterrissage et de transfert, les moments de recharge ou d'échange de batterie, le lotissement et regroupement des tâches, l'affectation des types d'appareils, etc.
> - Les conditions fixées incluent la météo, les autorisations d'espace aérien, la géographie urbaine. Les indicateurs d'évaluation incluent le temps de livraison moyen, la consommation d'énergie par colis, la marge de sécurité, le taux d'achèvement des tâches et la distribution des temps d'attente, en précisant s'il s'agit des heures de pointe ou de la moyenne journalière. Les contraintes dures incluent au moins le seuil de marge de sécurité de la batterie, l'interdiction de vol ou le report en cas de vent excessif, l'interdiction de violer les zones interdites et les autorisations d'espace aérien, la charge unique ne dépassant pas la limite du modèle. Les critères de comparaison doivent préciser qu'en heures de pointe la rapidité est privilégiée, qu'en mauvais temps la marge de sécurité et le taux d'achèvement sont privilégiés, et clarifier la plage de coûts acceptables, en évitant une pondération grossière en un score unique. Les préférences des clients, la météo et les conditions d'espace aérien changent, l'optimum à point unique ne tient que sous un ensemble d'hypothèses
> - L'ensemble de candidats couvre différentes combinaisons bénéfices-coûts, les experts peuvent choisir selon les contraintes et préférences du jour, et connaître les limites d'application et risques de chaque solution. Chaque solution doit au moins annoter bénéfices, coûts, conditions d'application, risques, et les points de différence avec les autres solutions du même groupe. Premièrement, choisir d'abord l'algorithme, puis réfléchir au problème
> - Deuxièmement, forcer la pondération de plusieurs objectifs en un score puis prendre le maximum, équivaut à cacher le compromis subjectif dans le score
> - Troisièmement, n'écrire que « plus rapide, plus fort », sans coûts ni limites, difficile à répondre en évaluation.
**Vérification de la compréhension**
Demander aux étudiants de reformuler les quatre questions dans leurs propres mots, et de donner un exemple d'ingénierie ou de la vie quotidienne proche, expliquant comment les objectifs entrent en conflit, comment les candidats conservent les différences, et comment les contraintes dures éliminent les solutions hors limites. Après avoir confirmé que les étudiants peuvent énoncer les trois choses « transformation du problème, ensemble de candidats, critères de réponse utilisable », passer à la page suivante sur la façon dont EvoX porte l'exploration multi-objectifs.
### Transformation du problème : du choix de l'algorithme au processus d'exploration
*Page 5*
> **Objectif de la page :** L'apprenant doit maîtriser les objets variables, les critères d'évaluation et les conditions de contraintes à clarifier face à un problème réel.
**Points clés de l'enseignement**
- Face à toute nouvelle tâche, lister d'abord les objets variables : quels paramètres, structures, stratégies ou processus peuvent être ajustés ? Cette liste est le squelette de l'espace de recherche et de l'encodage. Une fois qu'elle est claire, discuter de l'algorithme.
- Ne pas attendre le dernier tour pour découvrir que la solution n'est pas déployable. Placer les exigences non négociables (comme la limite de latence, la limite de mémoire GPU, la compatibilité de déploiement) directement dans la phase de génération ou d'évaluation pour filtrer, afin que l'exploration ne se fasse que dans la région ne violant pas les contraintes.
- Lors du bilan, il faut utiliser le même ensemble de définitions du problème : d'abord fixer l'espace de recherche, les méthodes d'évaluation et les contraintes, puis comparer horizontalement les performances des différents algorithmes. C'est ainsi que l'on peut juger si les différences proviennent de l'algorithme ou de la définition du problème elle-même.
Objectif de la page
Face à un problème réel, ne pas demander d'emblée « utiliser DE ou PSO », mais d'abord transformer la tâche en un processus explorable. L'apprenant doit maîtriser trois choses : ce qui peut être changé, comment évaluer après le changement, quelles contraintes ne peuvent absolument pas être violées, et comprendre que le choix de l'algorithme n'est qu'un composant configurable dans cette boucle fermée.
Ordre de présentation
Face à une tâche, faire d'abord la sélection de l'algorithme ne répond qu'à « quel outil utiliser pour chercher », sans répondre à « chercher quoi, qu'est-ce qui est bon, qu'est-ce qui ne peut être violé ».
Problème réel → objets variables (paramètres·structures·stratégies→encodage) → méthodes d'évaluation (fonction objectif, indicateurs, préférences) → contraintes clés (contraintes dures et préférences souples) → boucle fermée du processus d'exploration (génération de candidats→évaluation→retour→régénération) → ensemble de solutions candidates.
Objets variables, méthodes d'évaluation, contraintes clés, processus d'exploration.
4. Comparer la différence entre « sélection d'algorithme en une fois » et « exploration en boucle fermée », en soulignant que la qualité de la définition du problème détermine la limite supérieure de l'exploration.
5. Consolider avec des questions à choix multiples et un cas de modèle de classement de recommandations.
Points clés de l'enseignement
Définir quels paramètres, structures, stratégies ou processus peuvent être ajustés, formant ainsi l'espace de recherche et les limites d'encodage. Sans cela, les solutions candidates ne peuvent être représentées ni générées.
Définir comment juger la qualité après le changement, incluant la fonction objectif, les indicateurs d'évaluation, la direction des préférences, ainsi que les mesures de faisabilité et de diversité. La méthode d'évaluation détermine essentiellement la direction de la recherche.
Distinguer les contraintes dures qui doivent être satisfaites des préférences souples qui peuvent être compromises. Mélanger les contraintes dures dans la fonction objectif en « faisant une remise » produit facilement des solutions apparemment très bien notées mais absolument non déployables.
Formaliser le problème en une boucle fermée « génération de candidats—évaluation—retour—régénération », pour que les résultats d'évaluation influencent en retour la génération suivante, plutôt que de figer une fois pour toutes l'approche de résolution.
Répondre successivement : quels paramètres sont ajustables ? Avec quels indicateurs ou quels indicateurs en conflit évaluer ? Quelles contraintes ne peuvent absolument pas être violées ? Une fois ces questions répondues, la tâche est déjà formalisée en un problème multi-objectifs connectable à un solveur évolutionnaire ; décider alors quel algorithme utiliser, avec quelle configuration d'opérateurs pour explorer, n'est qu'une décision d'ingénierie remplaçable à l'intérieur de la boucle fermée. En d'autres termes, l'algorithme n'est pas la réponse elle-même, il n'est qu'un maillon configurable du processus d'exploration, et c'est la qualité de la définition du problème qui détermine la limite supérieure de l'exploration.
Attribuer directement la « mauvaise performance de l'algorithme » à l'algorithme lui-même, en ignorant la définition vague de l'espace de recherche, l'écart entre les indicateurs d'évaluation et les objectifs métier réels, et l'absence de contraintes dures. Corriger d'abord la définition du problème, puis discuter du remplacement de l'algorithme, est souvent plus efficace que de changer d'algorithme à répétition.
Pistes de matériel
Le problème réel passe d'abord par les objets variables, les méthodes d'évaluation, les contraintes clés, puis entre dans la boucle fermée du processus d'exploration. La boucle fermée met en évidence les quatre étapes : génération de candidats, évaluation, retour, régénération, et souligne que le choix de l'algorithme n'est qu'un composant interne à la boucle fermée. Lors de la présentation, on peut suivre les flèches du schéma pour aider les étudiants à voir la relation d'ordre entre « définition du problème » et « exécution de l'algorithme ».
Traitement des exercices
La première étape doit définir quels paramètres, structures, stratégies ou processus peuvent être ajustés, formant l'espace de recherche et les limites d'encodage. Le retour souligne : les objets variables permettent de représenter les solutions candidates, l'évaluation et l'itération ultérieures ne sont possibles qu'à cette condition.
La méthode d'évaluation doit définir comment juger la qualité après le changement, incluant la fonction objectif, les indicateurs, les préférences, ainsi que les mesures de faisabilité et de diversité. Le retour explique qu'elle n'est pas un accessoire de l'algorithme, mais le « volant » du processus d'exploration, qui doit être déterminé par la tâche elle-même.
Une latence P99 ne dépassant pas 80 millisecondes est une contrainte dure qui doit être satisfaite. Le retour distingue « doit être satisfait » et « doit être satisfait autant que possible » : les exigences non négociables sont des contraintes dures, les tendances compromettables sont des préférences souples, les contraintes dures devant être filtrées en amont dans la phase de génération ou d'évaluation.
La différence clé entre la boucle fermée et la sélection en une fois est que les résultats d'évaluation modifient en retour la génération suivante, ajustant continuellement la direction de la recherche. Le retour souligne que le point clé n'est pas la vitesse ou le type d'algorithme, mais si les résultats d'évaluation peuvent revenir pour modifier la façon de générer ensuite.
L'algorithme n'est pas la réponse elle-même, car la qualité de la définition du problème détermine la limite supérieure de l'exploration, l'algorithme n'étant qu'un composant configurable et remplaçable du processus d'exploration. Le retour guide les étudiants à déplacer leur attention de « quel algorithme changer » vers « la définition du problème est-elle assez claire ».
Guide de cas
Le cas de l'optimisation multi-objectifs d'un modèle de classement de recommandations peut être organisé selon « objets variables—méthodes d'évaluation—contraintes clés ». Les objets variables incluent le taux d'apprentissage, le coefficient de régularisation, le nombre de couches du réseau, le nombre de têtes d'attention, la stratégie de combinaison de caractéristiques ; les méthodes d'évaluation sont la maximisation de l'AUC hors ligne, la minimisation de la latence d'inférence P99 en ligne et du nombre de paramètres du modèle, avec possibilité d'ajouter la diversité des candidats ; les contraintes clés sont une latence P99 ne dépassant pas 80 millisecondes, une mémoire GPU ne dépassant pas 12 Go, la possibilité de mise en ligne directe sur le framework d'inférence existant ; les préférences souples sont, sous réserve de satisfaire les contraintes dures, moins de paramètres et une latence plus faible.
La génération de candidats échantillonne les hyperparamètres et les configurations de structure, l'évaluation calcule l'AUC et mesure ou estime la latence et l'occupation mémoire, tout en vérifiant les contraintes dures, la phase de retour met à jour la distribution de recherche selon les performances multi-objectifs et les préférences, puis génère une nouvelle génération de candidats. La garantie de déployabilité consiste à traiter la latence, la mémoire GPU et la compatibilité de framework comme contraintes dures, en éliminant directement les solutions non réalisables lors de la génération ou de l'évaluation ; pour les indicateurs coûteux comme la latence, on peut d'abord utiliser un modèle substitut ou des tests à petite échelle pour filtrer, puis valider complètement un petit nombre de candidats. La sortie finale est un ensemble de solutions candidates bien réparties sur les compromis d'objectifs, remises aux décisions d'ingénierie et de produit pour choix.
Vérification de la compréhension
La définition du problème précède le choix de l'algorithme ; les objets variables déterminent l'espace de recherche et l'encodage ; les méthodes d'évaluation déterminent la direction de la recherche ; les contraintes dures doivent être filtrées en amont ; l'algorithme n'est qu'un composant remplaçable dans la boucle fermée. Si les étudiants ne font que répéter le nom de l'algorithme, on peut demander « à quelle étape l'algorithme entre-t-il ? Que faut-il encore déterminer avant lui ? »
Indication de transition
Après avoir confirmé que les étudiants peuvent expliquer « définir d'abord ce qui est variable, comment évaluer, ce qui ne peut être violé, puis organiser la résolution en boucle fermée », passer à la page suivante sur les méthodes concrètes, applications ou résumés.
### Optimisation des préférences et ensemble de solutions candidates diversifiées
*Page 6*
> **Objectif de la page :** L'apprenant doit comprendre le rôle pratique de la conservation d'un ensemble de solutions candidates diversifiées dans la décision des experts.
> **Objectif de la page**
>
> Comprendre que l'optimisation des préférences ne consiste pas à prendre la décision finale à la place de l'expert, mais à utiliser les préférences comme signal de guidage pour la recherche et le filtrage, et à faire produire à l'algorithme un ensemble de solutions candidates comparables et explicables sur la structure des compromis, laissant le choix aux experts du domaine.
**Points clés de l'enseignement**
- Ne pas comprimer à l'avance les objectifs multiples en un score scalaire unique
- Ne pas livrer seulement une « solution optimale », mais produire un ensemble de solutions candidates. Sous conflit multi-objectifs, il n'y a pas d'optimum unique naturel, les solutions comparables forment une frontière de compromis idéale. Si l'on pondère et somme à l'avance, c'est choisir un point de compromis implicite à la place du décideur
- Une fois les contraintes ou préférences modifiées, cette solution peut immédiatement perdre sa valeur. Points de référence, priorités d'objectifs, intervalles de pondération, retours interactifs. Ils servent ensemble à resserrer la zone d'attention et à améliorer l'efficacité de la recherche, sans faire s'effondrer l'espace des solutions en un point à l'avance. Valeur = Différenciation × Explicabilité. Une différence efficace n'est ni du bruit aléatoire, ni une copie perturbée autour de la même solution, mais une dispersion le long de la structure de compromis des objectifs, avec des représentants du côté conservateur, du segment de compromis et du côté agressif. L'évolution converge naturellement vers la région actuellement optimale, donc il faut des stratégies de maintien de la distribution, de contrôle de la congestion ou d'archivage, sinon l'ensemble de candidats dégénère en répétition d'une réponse unique.
**Couverture des mots-clés**
- Optimisation des préférences, ensemble de solutions candidates, frontière de compromis idéale, conservation de la diversité, explicabilité, contrôle de la congestion, stratégie d'archivage.
> **Pistes de matériel**
>
> - L'axe horizontal est le coût (plus petit est mieux), l'axe vertical est la latence (plus petit est mieux), la courbe est la frontière de compromis idéale, le point de référence de préférence guide la direction de recherche, les solutions candidates doivent être dispersées le long de la frontière
> - À droite, comparaison entre la somme pondérée traditionnelle donnant un seul point optimal et l'optimisation des préférences donnant un ensemble de solutions candidates.
> **Pistes d'exercices**
>
> - L'optimisation des préférences encode les préférences du décideur dans le processus de recherche et de filtrage, plutôt que de noter en une fois après la fin de la recherche. Le retour souligne le « moment d'intervention des préférences », et explique que les préférences n'éliminent pas les conflits d'objectifs. Différence efficace = distribution dispersée sur les compromis d'objectifs + chaque différence explicable par la structure de compromis. Indice aux étudiants : un grand nombre et de grandes différences ne signifient pas efficacité. Les formes de préférence comme le point de référence ou l'intervalle de pondération servent à resserrer la zone d'attention de la recherche et à améliorer l'efficacité, sans faire s'effondrer l'espace des solutions en un point à l'avance. Indice : les préférences ne remplacent pas la fonction objectif et ne garantissent pas automatiquement la diversité. En l'absence de maintien de la distribution, de contrôle de la congestion ou de stratégie d'archivage, l'évolution converge naturellement vers la région actuellement optimale, et l'ensemble de candidats devient des copies répétées autour de la même solution. Le changement de forme de sortie signifie un changement d'attribution du pouvoir de décision : l'algorithme fournit un ensemble de candidats comparables, les experts du domaine achèvent le compromis final en combinant les contraintes réelles, et peuvent utiliser le résultat du choix comme retour pour continuer à itérer. Dans la décision d'ordonnancement de flotte et de routage pour la livraison urbaine, l'optimisation des préférences utilise le point de référence, les priorités d'objectifs, les intervalles de pondération ou les retours interactifs comme signaux de sélection et de filtrage dans l'itération
> - En termes de forme de sortie, passer d'un « ordonnancement optimal » unique à un ensemble de solutions candidates le long de la frontière de compromis coût-latence, par exemple conservateur (priorité à la réduction des coûts), équilibré (coût et latence équilibrés), agressif (priorité à la réduction de la latence). Si toutes les solutions candidates sont très proches en coût et latence, il faut suspecter l'absence de mécanisme de maintien de la diversité
> - Pour juger si les différences sont efficaces, projeter les solutions sur le plan coût-latence, et voir si les points sont nettement dispersés le long de la frontière, et si la direction de compromis de chaque point peut être expliquée par la structure de compromis des objectifs.
**Vérification de la compréhension**
Demander aux étudiants de distinguer dans leurs propres mots « guider » et « remplacer », et d'expliquer pourquoi la valeur de l'ensemble de candidats est égale à différenciation × explicabilité. Si les étudiants ne soulignent que le grand nombre, demander : « Ces solutions peuvent-elles être expliquées comme différents modes de compromis sur les compromis d'objectifs ? »
> **Indication de transition**
>
> Après avoir confirmé que les étudiants peuvent dire que l'optimisation des préférences vise à conserver le pouvoir de compromis des experts, et que l'ensemble de candidats doit être comparable et explicable, passer à la page suivante sur les cas d'application ou les détails méthodologiques.
### Contexte pratique multi-objectifs de la conception de profils d'aile supercritiques
*Page 7*
> **Objectif de la page :** L'apprenant doit connaître le scénario d'application concret et les contraintes multiples de la conception de profils d'aile supercritiques en ingénierie aéronautique.
> **Objectif de la page**
>
> Comprendre le scénario d'ingénierie réel de la conception de profils d'aile supercritiques, saisir les conflits multi-objectifs et les contraintes, et savoir que la sortie raisonnable est un ensemble de solutions de compromis plutôt qu'une solution optimale unique.
**Points clés de l'enseignement**
- 1. Conditions de fonctionnement et origine physique. En croisière transsonique, l'air accélère jusqu'à une vitesse supersonique sur la surface supérieure du profil, puis ralentit à travers un choc
- La position et l'intensité du choc affectent simultanément le niveau de traînée et la frontière d'apparition du buffet. La conception ne consiste donc pas à pousser un indicateur à l'extrême, mais à faire en sorte que plusieurs indicateurs tombent simultanément dans des intervalles acceptables. 2. Triple contrainte. Le coefficient de portance critique de buffet donne la frontière de sécurité et de portance utilisable, un buffet se produisant trop tôt comprime la marge de buffet et l'enveloppe de vol, c'est un seuil qui ne peut être franchi
- Le rapport portance/traînée en croisière reflète l'efficacité aérodynamique et l'économie, détermine le rayon d'action, la consommation de carburant et les coûts d'exploitation, c'est le principal poste de bénéfice
- Les simulations haute précision sont coûteuses, une seule évaluation coûte cher, ce qui limite l'espace de conception explorable, constituant une contrainte de ressources. 3. Source des conflits. Augmenter le rapport portance/traînée en croisière nécessite généralement un plateau d'aspiration plus fort au bord d'attaque et un choc plus en arrière, mais cela affaiblit la frontière de buffet
- Adoucir le profil pour préserver la marge de buffet peut sacrifier l'efficacité en croisière. La manifestation typique est « améliorer un aspect, en dégrader un autre ». 4. Approche de résolution. Ce dont l'ingénierie a réellement besoin est un ensemble de solutions de compromis de Pareto valables sous différentes préférences, permettant aux décideurs de faire des choix explicables entre sécurité, efficacité et coût. On peut combiner un profil de base et des échantillons perturbés pour générer et prédire en continu, transformant le filtrage séquentiel en exploration multi-objectifs parallèle, produisant un ensemble diversifié de solutions candidates. 5. Points de jugement. Dès qu'apparaît « améliorer un indicateur dégrade un autre indicateur » et que l'indicateur a un plancher rigide, il faut traiter le problème comme un problème de contraintes multi-objectifs, et ne pas chercher une solution optimale unique inexistante.
**Couverture des mots-clés**
- Profil d'aile supercritique
- Coefficient de portance critique de buffet
- Rapport portance/traînée en croisière
- Coût des simulations haute précision
- Conflits et compromis multi-objectifs
- Front de Pareto
- Domaine de compromis réalisable.
> **Pistes de matériel**
>
> - On peut utiliser un schéma de section de profil pour illustrer la zone d'aspiration de la surface supérieure, le choc et la haute pression de la surface inférieure
> - Utiliser un diagramme de l'espace de compromis multi-objectifs pour illustrer l'arbitrage entre rapport portance/traînée en croisière et marge de buffet, le domaine de compromis réalisable, la région dominée et le front de Pareto.
**Traitement des exercices**
Les questions à choix multiples examinent successivement la nature de compromis multi-objectifs, le rôle de frontière de sécurité du coefficient de buffet, la relation entre rapport portance/traînée en croisière et efficacité économique, la limitation des essais-erreurs séquentiels par le budget de simulation, et l'approche raisonnable consistant à conserver des solutions de compromis de Pareto. Après réponse, demander aux étudiants d'énoncer leur justification, et en cas d'erreur, revenir au paragraphe correspondant pour vérifier les trois types d'informations « objectifs, contraintes, ressources ». Pour la question de cas, déterminer d'abord les objectifs comme la maximisation du rapport portance/traînée en croisière, les contraintes comme le seuil de sécurité du coefficient de buffet et la limite supérieure du budget de simulation ; puis expliquer l'utilisation d'un profil de base avec des échantillons perturbés pour la génération et la prédiction, l'exploration parallèle sous un nombre d'évaluations limité, et la production d'un ensemble de solutions candidates explicables, le critère d'évaluation étant les valeurs concrètes de chaque solution sur la frontière de buffet et le rapport portance/traînée en croisière.
**Vérification de la compréhension**
Dans cette page, quel élément est un objectif de bénéfice, quel élément est un seuil à ne pas franchir, et pourquoi les essais-erreurs point par point traditionnels sont inefficaces. Si les étudiants ne font que répéter les termes, demander « comment l'augmentation du rapport portance/traînée en croisière affecte-t-elle la marge de buffet ».
> **Indication de transition**
>
> Après avoir confirmé que les étudiants peuvent distinguer objectifs et contraintes, et expliquer le conflit « un monte, un descend », passer à la page suivante avec des exemples, applications ou résumés.
### Continuation du profil de base et des échantillons perturbés
*Page 8*
> **Objectif de la page :** L'apprenant doit maîtriser comment le système combine le profil de base et les échantillons perturbés pour une prédiction continue.
> **Objectif de la page**
>
> Comprendre la boucle fermée « profil de base—échantillons perturbés—prédiction/évaluation—retour évolutionnaire—génération continue » dans l'optimisation de profils d'aile, maîtriser comment le profil de base fournit un point d'ancrage stable, comment les échantillons perturbés fournissent la diversité, et comment le retour évolutionnaire rend l'exploration multi-objectifs continue et extensible.
> **Ordre de présentation**
>
> 1. D'abord établir la référence. Le profil de base doit d'abord satisfaire les contraintes de la tâche, il définit l'espace paramétrique, la plage de perturbation et les critères d'évaluation. Sans référence, l'espace de recherche dérive facilement de manière désordonnée, et les profils candidats sont difficiles à comparer équitablement.
>
> 2. Ensuite générer les perturbations. Autour du profil de base, appliquer des perturbations contrôlables à la distribution d'épaisseur, à la cambrure ou aux paramètres des points de contrôle, en générant continuellement des familles d'échantillons par lots ou en ligne. Les petites perturbations servent au raffinement local, les grandes perturbations à la couverture globale ; l'intensité, la direction et la distribution d'échantillonnage des perturbations doivent être contrôlables.
>
> 3. Prédiction/évaluation par lots. Envoyer chaque lot d'échantillons à l'étape de prédiction/évaluation, produire les performances des multiples candidats sur les objectifs. Ces performances ne sont pas le point final, mais la base directe pour la sélection, la mise à jour et le ré-échantillonnage évolutionnaires ultérieurs.
>
> 4. Fermer avec le retour. Ajuster selon le retour évolutionnaire l'intensité, la direction ou la distribution d'échantillonnage des perturbations du tour suivant, pour que la boucle fermée soit vraiment continue, plutôt que de répéter indépendamment l'échantillonnage à chaque tour.
**Points clés de l'enseignement**
- Sélection du profil de base
- Génération continue d'échantillons perturbés
- Combinaison de la prédiction multi-échantillons et de l'évolution
- Boucle fermée continue. Le profil de base est une référence stable, pas la réponse finale
- Il rend comparables différents échantillons perturbés sous le même critère d'évaluation. Les échantillons perturbés sont responsables de la diversité, il faut concilier local et global. Si à chaque tour on ne fait qu'une petite perturbation dans la même direction, la population mûrit facilement prématurément
- Si l'on fait des grandes perturbations complètement aléatoires, on peut gaspiller le budget d'évaluation. Plus prudent est de mélanger perturbations locales et globales, et d'utiliser le retour pour décider de la priorité d'échantillonnage du tour suivant. Le retour évolutionnaire doit agir sur la stratégie de génération des perturbations du tour suivant. Si l'on ne fait qu'enregistrer les résultats sans modifier l'échantillonnage, la boucle fermée dégénère en processus ouvert.
**Traitement des exercices**
Le rôle principal du profil de base est de servir de point d'ancrage stable pour la paramétrisation, la plage de perturbation et la référence d'évaluation. En cas de bonne réponse, souligner qu'il ancre l'espace de recherche, évite la dérive désordonnée des candidats, et permet une comparaison équitable des échantillons ; en cas de mauvaise réponse, revenir à la preuve « quelles conséquences entraîne l'absence de référence ».
Lors de la génération continue d'échantillons perturbés, il faut ajuster par lots ou en ligne l'intensité, la direction et la distribution d'échantillonnage des perturbations. Une petite perturbation dans une seule direction limite la diversité, des grandes perturbations complètement aléatoires gaspillent le budget, ni l'une ni l'autre ne permet de concilier raffinement local et couverture globale.
Après l'envoi par lots des échantillons perturbés à la prédiction/évaluation, la sortie principale est la performance des multiples candidats sur les objectifs, pour la sélection, la mise à jour et le ré-échantillonnage évolutionnaires. On peut indiquer : la prédiction/évaluation est une entrée du processus évolutionnaire, pas une étiquette codée en dur ni une réponse finale.
Le retour évolutionnaire soutient la génération « continue » en ajustant l'intensité, la direction ou la distribution d'échantillonnage des perturbations, puis en complétant le tour suivant d'échantillons. Si le retour ne fait qu'enregistrer sans modifier l'échantillonnage, la boucle fermée ne peut pas s'améliorer continuellement.
L'approche qui incarne le mieux la boucle fermée est de générer à chaque tour une famille d'échantillons de profils, de les faire passer par l'évaluation/prédiction puis dans l'évolution, puis de compléter le tour suivant de perturbations selon les résultats. L'absence de l'une des étapes de génération d'échantillons, d'évaluation/prédiction, de retour évolutionnaire ou de ré-échantillonnage empêche toute optimisation continue.
Piste de cas :
Dans l'optimisation d'un profil de base supercritique, les objectifs sont de maximiser le rapport portance/traînée, minimiser la divergence de traînée, maintenir la contrainte d'épaisseur structurelle ; chaque tour peut générer 256 échantillons, l'évaluation étant longue. Un cycle peut être conçu comme : en prenant le profil de base comme ancre, appliquer des perturbations contrôlables à la distribution d'épaisseur, à la cambrure ou aux points de contrôle, générer un lot d'échantillons de profils ; les envoyer par lots à la prédiction/évaluation pour obtenir les performances en rapport portance/traînée, divergence de traînée, contrainte d'épaisseur, etc. ; puis passer à la sélection, mise à jour et ré-échantillonnage évolutionnaires ; enfin ajuster selon le retour l'intensité, la direction ou la distribution d'échantillonnage des perturbations du tour suivant. Le profil de base ne peut pas être remplacé arbitrairement, car il définit l'espace paramétrique, la plage de perturbation et la référence d'évaluation ; le remplacer ferait dériver l'espace de recherche, rendrait les candidats incomparables, et la boucle fermée perdrait sa référence stable.
Si l'évolution stagne pendant plusieurs tours consécutifs, on peut utiliser le retour pour augmenter l'intensité des perturbations ou élargir la distribution d'échantillonnage, introduisant la diversité globale ; on peut aussi ajuster la direction des perturbations, en faisant une exploration ciblée sur des paramètres sensibles comme l'épaisseur, la cambrure ; on peut encore mélanger perturbations fines locales et perturbations globales, augmenter la taille des lots d'échantillons ou compléter en ligne, et conserver les candidats diversifiés sur le front de Pareto, évitant la maturation prématurée de la population.
Demander aux étudiants de reformuler en une phrase les quatre étapes de la boucle fermée, et d'expliquer pourquoi le profil de base ne peut pas être remplacé par les échantillons perturbés. Après avoir confirmé que les étudiants peuvent énoncer la relation « d'abord fixer l'ancre, puis contrôler les perturbations, évaluation dans l'évolution, retour ajustant le tour suivant », passer à la page suivante avec des exemples, applications ou résumés.
### Application des modèles substituts face aux coûts de simulation élevés
*Page 9*
> **Objectif de la page :** L'apprenant doit comprendre comment les modèles substituts surmontent efficacement le goulot d'étranglement des coûts élevés des simulations haute précision.
> **Objectif de la page**
>
> Comprendre pourquoi les modèles substituts peuvent efficacement répondre au goulot d'étranglement des coûts élevés des simulations haute fidélité, et maîtriser leur positionnement, mode d'intervention et contrôle des risques dans l'optimisation évolutionnaire multi-objectifs.
> **Ordre de présentation**
>
> D'abord souligner que l'intégration directe de simulations haute fidélité dans la boucle évolutionnaire épuise rapidement le budget ; ensuite expliquer comment le modèle substitut, en tant qu'« évaluateur approximatif bon marché », remplace l'évaluation point par point ; puis dérouler le mécanisme d'accélération par la comparaison entre optimisation haute fidélité directe et optimisation assistée par substitut ; puis se concentrer sur les quatre étapes : entraînement hors ligne, prédiction par lots en ligne, sélection assistée par substitut, correction par rétro-remplissage ; enfin discuter du compromis précision-coût, du risque hors distribution, des malentendus courants et de la liste d'auto-vérification.
**Points clés de l'enseignement**
- Dans des problèmes comme les profils d'aile supercritiques, la résistance structurelle, une seule simulation CFD ou par éléments finis prend de plusieurs dizaines de minutes à plusieurs heures. L'algorithme évolutionnaire doit évaluer toute la population à chaque génération, le nombre d'évaluations et le budget se consomment approximativement linéairement, le budget est épuisé par quelques générations. La taille de la population et le nombre de générations sont contraints à la baisse, le front multi-objectifs est difficile à explorer suffisamment, l'espace de conception est bloqué par « on ne peut pas se permettre l'évaluation »
- Apprendre la correspondance entrée-sortie à partir d'échantillons de simulation existants, pour prédire rapidement les valeurs d'objectifs et les performances de contraintes des solutions candidates
- Ce n'est pas une simulation plus précise, mais une approximation moins chère. Il remplace l'évaluation point par point, pas l'étape de validation. À gauche, l'optimisation haute fidélité directe a peu de candidats, un temps unitaire long, peu d'évaluations totales, une couverture de recherche étroite
- À droite, l'optimisation assistée par substitut a beaucoup de candidats, une prédiction unitaire très faible, beaucoup d'évaluations totales, une couverture plus large, le budget haute fidélité se concentre sur les candidats clés, avec un filtrage par seuil d'incertitude et un petit nombre de vérifications haute fidélité. L'entraînement hors ligne établit la correspondance initiale
- La prédiction par lots en ligne pour tous les candidats de chaque génération
- La sélection assistée par substitut combine la valeur prédite et l'incertitude pour choisir les candidats à fort potentiel ou à forte information
- La correction par rétro-remplissage réinjecte un petit nombre de résultats haute fidélité dans la base d'échantillons et met à jour le substitut de manière incrémentale. Un substitut plus complexe est généralement plus précis, mais les coûts d'entraînement et d'inférence augmentent. La contrainte clé est que le substitut doit être nettement plus rapide que la simulation haute fidélité, tout en étant suffisamment précis pour soutenir la pression de sélection, sinon il devient un nouveau goulot d'étranglement ou fait dévier l'évolution. Le substitut n'est fiable qu'à proximité de la distribution d'entraînement. Une prédiction hors distribution peut sembler raisonnable mais s'écarter gravement de la vraie valeur, induisant la recherche en erreur. Les approches réalisables incluent la production d'estimations d'incertitude, la fixation de seuils de confiance, la validation haute fidélité obligatoire des candidats hors limites, et la vérification régulière de la qualité du substitut par des statistiques d'erreur. Le modèle substitut ne supprime pas la validation, et ne résout pas le problème en comprimant la population
- Sa valeur est de concentrer le budget haute fidélité rare sur les candidats les plus critiques et les plus incertains.
**Couverture des mots-clés**
- Modèle substitut, simulation haute fidélité, évaluateur approximatif bon marché, entraînement hors ligne, prédiction par lots en ligne, sélection assistée par substitut, correction par rétro-remplissage, seuil d'incertitude, prédiction hors distribution, compromis précision-coût.
> **Pistes d'exercices**
>
> - Remplacer l'exécution d'une simulation haute fidélité pour chaque candidat par un filtrage approximatif par lots du substitut plus un petit nombre de vérifications haute fidélité. Les options erronées supposent souvent à tort une suppression de la validation ou une compression de la population. Le coût unitaire de simulation est élevé, évaluer toute la population à chaque génération épuise rapidement le budget. La limitation vient du coût, non de la différentiabilité ou de la capacité multi-objectifs. Un modèle plus complexe est généralement plus précis mais plus lent à entraîner et inférer, il doit être adapté à la vitesse de recherche évolutionnaire. On ne peut pas considérer la complexité comme sans coût ni le plus simple comme le plus précis. La prédiction peut gravement s'écarter de la vraie valeur et induire la recherche en erreur. Le substitut ne bascule pas automatiquement vers la haute fidélité et ne corrige pas automatiquement le biais, il faut le contrôler par l'incertitude et la vérification. Faire corriger continuellement le substitut vers la vraie surface de réponse, pour réduire le biais de prédiction ultérieur. Il ne sert pas à réduire le nombre de candidats ni à remplacer l'estimation d'incertitude. Le processus peut s'écrire : échantillonnage initial, entraînement hors ligne, prédiction par lots en ligne, filtrage, vérification haute fidélité, mise à jour par rétro-remplissage, itération en boucle
> - Le contrôle des risques souligne l'estimation d'incertitude, les seuils de confiance, la réservation d'un budget de ré-échantillonnage, la surveillance par statistiques d'erreur, et l'allocation prioritaire du budget haute fidélité aux candidats proches du front.
**Vérification de la compréhension**
Demander aux étudiants d'expliquer clairement cinq choses dans leurs propres mots — qui remplace qui, à quelle étape le substitut intervient, comment filtrer les prédictions non fiables, sur quels candidats se dépense le budget haute fidélité, comment les résultats de vérification reviennent corriger le substitut.
> **Indication de transition**
>
> Après avoir confirmé que les étudiants peuvent distinguer « filtrage approximatif » et « validation réelle », passer à la page suivante sur les applications ou le résumé.
### Sortie d'un ensemble diversifié de solutions candidates équilibrant les indicateurs
*Page 10*
> **Objectif de la page :** L'apprenant doit maîtriser comment le système produit finalement une combinaison de solutions candidates équilibrant plusieurs indicateurs.
> **Objectif de la page**
>
> Comprendre que dans l'optimisation d'ingénierie multi-objectifs, la sortie du système n'est pas une solution optimale unique, mais un ensemble diversifié de solutions candidates équilibrant plusieurs indicateurs ; maîtriser le mécanisme d'évaluation multi-indicateurs, le rôle du modèle substitut, la méthode de comparaison du front de Pareto et les exigences de reproductibilité.
> **Ordre de présentation**
>
> 1. Confirmer d'abord la forme de sortie. Dans un problème multi-objectifs comme la conception de profils d'aile, la livraison finale est un ensemble de solutions candidates, pas une réponse à point unique. Il faut observer la forme de compromis de tout l'ensemble de candidats sur des indicateurs comme le coefficient de portance critique de buffet, le rapport portance/traînée en croisière, le contrôle du poids structurel, la robustesse aux perturbations.
>
> 2. Expliquer pourquoi ce n'est pas une réponse à point unique. Quand les objectifs sont en conflit, par exemple augmenter le coefficient de portance critique de buffet s'accompagne souvent d'une baisse du rapport portance/traînée en croisière, il n'existe pas de solution réalisable dominante sur tous les indicateurs simultanément. Si l'évaluation est dominée par un seul indicateur, la recherche converge vers une solution de compromis passable en moyenne mais sans indicateur clé saillant, voire perd des directions de conception à préférence claire.
>
> 3. Clarifier le mécanisme de génération et de prédiction. Le mécanisme d'évaluation multi-indicateurs intègre contraintes et objectifs multiples dans un même espace d'évaluation ; la génération et la prédiction continues produisent sans cesse de nouveaux candidats autour du profil de base et des échantillons perturbés, et utilisent le modèle substitut pour estimer rapidement les indicateurs, atténuant ainsi le goulot d'étranglement des coûts élevés des simulations haute précision.
>
> 4. Expliquer la forme de sortie et la méthode de comparaison. Les solutions candidates couvrent différentes préférences d'indicateurs et positions de compromis. En traçant deux indicateurs clés en nuage de points, les points sur le bord extérieur non dépassés simultanément par d'autres candidats sur tous les indicateurs constituent le front de Pareto, les points à l'intérieur étant dominés. L'évaluation en ingénierie commence généralement par sélectionner des solutions sur le front, puis revient à la simulation haute précision pour confirmer ; différentes positions sur le front correspondent à des orientations comme la priorité à la suppression du buffet ou la priorité à l'efficacité en croisière.
>
> 5. Souligner la reproductibilité. Chaque candidat doit pouvoir être tracé jusqu'au profil de base et à la source de perturbation, aux résultats d'évaluation sur ces indicateurs, et à sa position sur le front de Pareto. L'absence de l'un de ces éléments rend la comparaison des solutions difficile à vérifier.
**Points clés de l'enseignement**
- Mécanisme d'évaluation multi-indicateurs, génération et prédiction continues, forme de sortie diversifiée, comparabilité. Le modèle substitut est un tamis, pas un juge final, il est responsable de la prédiction rapide et du filtrage guidé, et ne peut remplacer la vérification par simulation haute précision sur les candidats clés.
> **Pistes de matériel**
>
> - Le diagramme radar utilise des courbes fermées pour représenter les préférences d'indicateurs des différents profils candidats
> - Dans le nuage de points, plus vers le haut à droite signifie que les deux indicateurs sont simultanément meilleurs
> - La ligne pointillée marque les candidats non dominés, les points gris indiquent les candidats dominés.
**Traitement des exercices**
Les exercices de cette page portent sur la forme de sortie, la responsabilité du modèle substitut, la valeur de la diversité, la traçabilité reproductible et la relation entre deux indicateurs. Orientations de référence : le système livre un ensemble de solutions candidates équilibrant différents compromis ; le modèle substitut fait une prédiction rapide et guide le filtrage, une vérification haute précision des candidats clés restant nécessaire au final ; la valeur de la diversité réside dans la conservation explicite des positions de compromis entre indicateurs en conflit, soutenant la comparaison et la décision ; il faut conserver les résultats multi-indicateurs de chaque candidat et la source de perturbation génératrice ; le coefficient de portance critique de buffet et le rapport portance/traînée en croisière évoluent généralement en sens inverse sur le front. Dans la question de cas, on n'exécute pas de simulation haute précision pour chaque solution car le nombre de candidats est grand et croît continuellement, et une seule simulation coûte cher ; le modèle substitut resserre d'abord la plage, puis un petit nombre de solutions clés sont vérifiées.
Si l'évaluation doit choisir entre priorité à la suppression du buffet et priorité à l'efficacité en croisière, l'ensemble de candidats fournit les options, le front de Pareto marque les positions de compromis optimales, et la traçabilité comparable garantit la reproductibilité et la vérifiabilité.
**Vérification de la compréhension**
Demander aux étudiants d'expliquer dans leurs propres mots pourquoi le système produit un ensemble de solutions candidates plutôt qu'une réponse à point unique, et d'énoncer au moins trois enregistrements soutenant la reproductibilité.
> **Indication de transition**
>
> Après avoir confirmé que les étudiants peuvent distinguer les rôles du filtrage par modèle substitut et de la confirmation par simulation haute précision, passer à la page suivante.
### Réponse aux conflits d'objectifs et aux retours rares dans l'ingénierie complexe
*Page 11*
> **Objectif de la page :** L'apprenant doit comprendre les méthodes pour répondre aux retours rares et aux conflits d'objectifs dans la pratique de l'ingénierie.
> **Objectif de la page**
>
> Comprendre la normalité des conflits d'objectifs et des retours rares dans l'optimisation d'ingénierie complexe, et maîtriser l'approche consistant à remplacer l'optimum mono-objectif par un compromis multi-objectifs dynamique.
**Points clés de l'enseignement**
- L'ingénierie réelle recherche souvent simultanément performance, coût, fiabilité, consommation d'énergie et contraintes de fabrication, ces indicateurs se conditionnant mutuellement. Par exemple dans la conception de profils d'aile supercritiques, augmenter le rapport portance/traînée peut aggraver la divergence de traînée, renforcer la structure augmente le poids et la difficulté de fabrication. Le point clé n'est pas de classer les indicateurs, mais d'identifier sur quel segment du front de Pareto on se trouve actuellement, et de clarifier ce qui peut être échangé. Les moyens d'évaluation comme la simulation haute fidélité, les expériences physiques ont un coût élevé, un cycle long, un bruit important, et renvoient souvent des échantillons d'échec. Les signaux d'évaluation valides sont peu nombreux, retardés, discontinus, le budget d'évaluation devient une contrainte dure. Le biais du modèle substitut est amplifié, les risques de surapprentissage et de convergence prématurée augmentent, l'équilibre exploration-exploitation est facilement rompu, les préférences fixes s'adaptent difficilement aux découvertes par étapes. Utiliser des modèles substituts et une évaluation multi-fidélité pour réduire le coût unitaire du retour
- Utiliser l'échantillonnage actif et les expériences par lots pour améliorer l'efficacité des échantillons
- Utiliser l'évolution multi-objectifs pour maintenir plusieurs candidats non dominés, préserver la diversité du front de Pareto
- Mettre à jour dynamiquement les préférences et contraintes selon les résultats d'évaluation, produire un ensemble diversifié de candidats pour l'évaluation des experts. L'objectif n'est pas d'éliminer les conflits, mais de rendre les conflits, risques et relations de compromis explicables, sans dépendre de la connaissance préalable d'une réponse unique.
> **Pistes d'exercices**
>
> - Les 5 questions à choix multiples de cette page examinent respectivement (1) l'identification des conflits d'objectifs
> - (2) les caractéristiques des retours rares
> - (3) l'impact du biais du modèle substitut sous retours rares
> - (4) les pratiques d'amélioration de l'efficacité des échantillons
> - (5) la compréhension raisonnable de la mise à jour des préférences et contraintes. Lors de la réponse, il faut saisir les mots-clés « peu, cher, lent, bruité, échantillons d'échec », et distinguer conflits d'objectifs et retours rares. Conception multi-objectifs de plaques à refroidissement liquide. Les conflits d'objectifs se manifestent par la tension mutuelle entre performance thermique, chute de pression, poids, coût et usinabilité
> - Les retours rares se manifestent par une CFD haute fidélité nécessitant des dizaines d'heures, des expériences au banc nécessitant des semaines avec fluctuations, les échantillons non réalisables en fabrication échouant directement. Réponse : côté évaluation, utiliser des modèles substituts et une évaluation multi-fidélité, l'échantillonnage actif
> - Côté recherche, utiliser l'évolution multi-objectifs pour maintenir la diversité
> - Côté préférences, mettre à jour par étapes les pondérations, contraintes et points de référence, pour éviter d'être verrouillé par des pondérations fixes précoces.
**Vérification de la compréhension**
Demander aux étudiants de résumer dans leurs propres mots la différence entre conflits d'objectifs et retours rares, et d'illustrer par un exemple le rôle de chaque maillon de la boucle fermée d'ajustement dynamique.
> **Indication de transition**
>
> Après avoir confirmé que les étudiants peuvent énoncer la relation centrale « conflits d'objectifs + retours rares → compromis multi-objectifs dynamique », passer à la page suivante.
### Rôle décisionnel de l'expert du domaine et évaluation des solutions
*Page 12*
> **Objectif de la page :** L'apprenant doit comprendre la répartition des responsabilités entre experts humains et systèmes automatisés dans l'exploration multi-objectifs.
> **Objectif de la page**
>
> Comprendre comment les systèmes automatisés et les experts du domaine collaborent dans le processus d'exploration multi-objectifs, et comment les experts transforment l'expérience du domaine en logique d'évaluation et de décision vérifiable et traçable.
> **Ordre de présentation**
>
> D'abord souligner que « le système déploie les possibilités, l'expert les resserre », puis expliquer la frontière des responsabilités entre le côté système et le côté expert ; ensuite expliquer pourquoi l'optimum mono-objectif n'est pas égal à une solution livrable, introduisant la matrice d'évaluation bénéfices-coûts ; puis donner l'ordre de décision : veto par seuil, compromis bénéfices-coûts, analyse de sensibilité ; enfin parler de la vérification, du ré-échantillonnage ou de la décision d'arrêt sous retours rares, et du retour des raisons de choix formant une boucle fermée de responsabilité.
**Points clés de l'enseignement**
- Le côté système réalise la génération de candidats à grande échelle, la prédiction par modèle substitut, la caractérisation du front de Pareto et le maintien de la diversité, répondant à « quelles sont les possibilités »
- Le côté expert injecte les priorités d'objectifs, les contraintes dures et la tolérance au risque, juge l'adaptabilité au scénario réel, fait le choix final et en assume la responsabilité, répondant à « lequel choisir, pourquoi ». La frontière est : le système fournit un ensemble comparable de candidats et des prédictions quantifiées, mais ne décide pas à la place de l'expert des seuils et préférences
- L'expert fournit les préférences, contraintes et critères de décision, mais ne réalise pas lui-même la génération et le filtrage de candidats en masse. L'évaluation des solutions doit transformer les bénéfices de performance et les coûts d'ingénierie en bases explicables et auditables. Outre les bénéfices de performance, il faut examiner simultanément les coûts de calcul et de fabrication, la robustesse, la maintenabilité, l'incertitude, et la crédibilité des conclusions sous retours rares. L'optimum mono-objectif est souvent non livrable, seule l'évaluation multidimensionnelle fait apparaître les scénarios d'application propres à chaque candidat. Exprimer l'expérience du domaine en préférences explicites, évaluation hiérarchique, matrice de décision, critères de veto par seuil et analyse de sensibilité. L'ordre courant est d'abord d'éliminer par contrainte dure « veto » les candidats violant les exigences de seuil, puis de faire un compromis bénéfices-coûts sur les candidats restants, et enfin de confirmer par analyse de sensibilité si la conclusion est robuste aux perturbations de pondération. Compenser un défaut critique par un score pondéré total est le malentendu le plus courant. Quand l'évaluation haute fidélité est coûteuse et les retours rares, l'expert doit, selon la confiance du modèle substitut, la diversité des candidats et les modes d'échec observés, décider de vérifier, de ré-échantillonner ou d'arrêter la recherche, plutôt que de croire aveuglément à la « solution optimale » donnée par le modèle substitut. Le choix final et la prise de risque appartiennent à l'expert du domaine
- Les raisons de choix doivent revenir comme préférences, contraintes ou signaux d'évaluation, guidant la prochaine recherche évolutionnaire, formant une boucle fermée de responsabilité. Dans la conception multi-objectifs d'un profil d'aile supercritique, le système produit des candidats équilibrant traînée, portance et stabilité
- L'expert, combinant les coûts de soufflerie et de simulation, les tolérances de fabrication et le profil de mission, élimine d'abord ceux violant les contraintes dures, puis fait un compromis bénéfices-coûts sur les solutions restantes, en choisit quelques-unes pour la validation haute fidélité, et renvoie les raisons de ce tour comme préférences et contraintes du tour suivant.
**Couverture des mots-clés**
- Exploration multi-objectifs, génération et filtrage, jugement et décision, front de Pareto, matrice d'évaluation bénéfices-coûts, veto par seuil, analyse de sensibilité, retours rares, boucle fermée de responsabilité.
> **Pistes d'exercices**
>
> - 1. Le côté système est responsable de la génération de candidats à grande échelle, de la prédiction par modèle substitut et de la caractérisation du front de Pareto
> - Si l'on choisit la détermination des contraintes dures, les priorités d'objectifs ou la prise de risque, rappeler que cela relève du côté expert. 2. Il faut intégrer les bénéfices de performance, les coûts de calcul et de fabrication, la robustesse, la maintenabilité et l'incertitude
> - L'optimum mono-objectif n'est pas égal à livrable. 3. En cas de retours rares, il faut décider de vérifier, ré-échantillonner ou arrêter selon la confiance du modèle substitut, la diversité des candidats et les modes d'échec. 4. Le critère de veto par seuil sert d'abord à éliminer d'un veto les candidats violant les contraintes dures, puis à faire un compromis sur les candidats restants, pas à faire une notation pondérée unifiée. 5. Le but du retour des raisons de choix est de transformer les raisons de choix en préférences, contraintes ou signaux d'évaluation, guidant la prochaine recherche évolutionnaire. D'abord expliquer la frontière entre « génération et filtrage » du côté système et « jugement et décision » du côté expert
> - Puis, selon « veto par seuil→matrice bénéfices-coûts→analyse de sensibilité », décider quels candidats entrent en validation haute fidélité
> - Si la confiance est insuffisante ou la diversité faible, choisir le ré-échantillonnage ou la vérification
> - Enfin, enregistrer explicitement les raisons de ce tour comme préférences, contraintes ou signaux d'évaluation, pour la recherche du tour suivant.
**Vérification de la compréhension**
Demander aux étudiants de distinguer dans leurs propres mots « élargir les options » et « resserrer les options », et d'illustrer par un exemple les actions respectives du côté système et du côté expert dans une décision d'ingénierie. Si les étudiants attribuent au côté système la décision finale, la prise de risque ou la détermination des contraintes dures, revenir à la répartition des responsabilités pour rediscuter.
> **Indication de transition**
>
> Après avoir confirmé que les étudiants peuvent expliquer clairement la relation en boucle fermée « génération—évaluation—sélection—retour », passer à la page suivante avec des exemples, applications ou résumés.
### Activité en classe : Conception d'un plan d'évaluation pour l'optimisation multi-objectifs de paramètres
*Page 13*
> **Objectif de la page :** L'apprenant doit concevoir par la pratique un plan d'évaluation pour l'optimisation de paramètres incluant le compromis portance-traînée.
**Points clés de l'enseignement**
- Portance et traînée sont les objectifs en conflit originels, les indicateurs composites comme le rapport portance/traînée ne peuvent servir qu'à l'explication et à la présentation. Méthode d'auto-vérification : si l'on retire l'indicateur composite, la solution peut-elle encore comparer les gains et pertes de compromis de deux candidats ? Si non, cela signifie que les objectifs originels sont masqués.
- Les contraintes d'ingénierie comme l'épaisseur, le moment de tangage, une fois violées, rendent la solution inutilisable ; ne pas les adoucir par pondération en scores pouvant s'annuler mutuellement. Lors de la rédaction du plan, annoter un par un : cette ligne est une contrainte dure ou une préférence souple, et rapporter la satisfaction des contraintes dans les résultats.
- Le seuil de qualification des résultats d'évaluation est : un ensemble de candidats couvrant différents compromis portance/traînée + preuves d'indicateurs + satisfaction des contraintes + description de l'incertitude + enregistrements (graine, budget, raisons d'élimination). Ne livrer qu'une « solution optimale » signifie généralement que vous avez déjà fait le compromis à la place de l'expert.
Objectif de la page
Cette page est une conception d'activité en classe, la tâche est de transformer le groupe d'objectifs en tension mutuelle « portance—traînée » en un plan d'évaluation pour l'optimisation multi-objectifs de paramètres, reproductible, comparable et remettable à l'expert pour décision. Le point clé de l'activité n'est pas de faire donner directement une réponse optimale au modèle, mais de concevoir un mécanisme d'évaluation pouvant être vérifié de manière répétée : qui participe à l'évaluation, avec quels indicateurs, sous quelles contraintes et quel budget, selon quelles règles conserver les candidats. Finalement, il faut écrire le « conflit » comme des « règles d'évaluation exécutables ».
Ordre de présentation
Générer des candidats → entrer en évaluation → comparer bénéfices, coûts et contraintes selon le retour → conserver les solutions valides → enregistrer et passer au tour suivant.
Objectifs et contraintes, boucle fermée d'évaluation en six étapes, ensemble de candidats de sortie et interface de décision, enregistrements reproductibles.
Portance et traînée sont les objectifs en conflit originels, les indicateurs composites comme le rapport portance/traînée ne servent qu'à l'explication et à la présentation.
Les candidats doivent couvrir différentes régions de compromis portance/traînée ; le résultat du filtrage ne peut pas ne garder qu'un seul score le plus élevé.
5. Donner un modèle de livrable, et conclure avec les malentendus courants.
Points clés de l'enseignement
L'objectif A est de maximiser le coefficient de portance, l'objectif B est de minimiser le coefficient de traînée, les deux doivent être des colonnes indépendantes. Ne pas les remplacer par le rapport portance/traînée, sinon le compromis serait « aplati » à l'avance par un ratio.
Les limites de paramètres, l'épaisseur relative, la plage de moment de tangage sont généralement fixées comme contraintes dures, violées signifie éliminé ; le coût, la fabricabilité en ingénierie sont fixés comme préférences souples, pour le classement. Lors de la rédaction du plan, annoter un par un « contrainte dure » ou « préférence souple », et rapporter la satisfaction des contraintes dans les résultats.
Indiquer le nombre d'appels de simulation ou de modèle substitut, le temps, la limite de puissance de calcul, et distinguer les quotas d'« évaluation par substitut » et de « vérification haute fidélité », sinon les différentes solutions ne peuvent être comparées équitablement.
Représentation des paramètres → génération de candidats → calcul d'évaluation → synthèse des indicateurs → comparaison des solutions → enregistrement et archivage.
L'échantillonnage initial déploie le global, les perturbations, croisements et mutations font le raffinement local, le guidage par préférences densifie dans la région d'intérêt de l'expert ; exiger que les candidats se distribuent dans différentes régions de compromis portance/traînée, évitant que toute la génération ne s'effondre vers une seule direction « haute portance » ou « faible traînée ».
On peut utiliser la non-domination de Pareto, la somme pondérée, le filtrage par seuil, le point de référence ou le classement par préférence ; mais la sortie doit être un ensemble de candidats couvrant différents compromis, accompagné de preuves d'indicateurs, de satisfaction des contraintes, des différences entre candidats et des plages d'incertitude, pour faciliter le jugement de l'expert.
Combiner portance et traînée en un score total puis prendre le maximum semble simplifier, mais utilise en réalité la sélection du poids pour faire le compromis à la place de l'expert à l'avance, et fait perdre la diversité des candidats. La bonne approche est de conserver plusieurs groupes de candidats, et de laisser le pouvoir de jugement « lequel choisir » après l'interface d'évaluation.
Modèle de plan d'évaluation d'une page, incluant le tableau d'indicateurs (objectifs originels et indicateurs auxiliaires), le schéma du processus en six étapes, les règles de génération de candidats, les règles de filtrage, l'ensemble de candidats de sortie, la description des risques et incertitudes ; enregistrer simultanément les paramètres, les définitions d'indicateurs, le budget d'évaluation, la graine aléatoire, les bases de filtrage et les raisons d'élimination.
Activité en classe
Demander aux apprenants de concevoir un plan d'évaluation multi-objectifs concis pour un objet paramétré (comme des paramètres de profil d'aile), en rendant explicitement visible le compromis portance-traînée. On peut remplir en quatre blocs : ① objectifs et contraintes ; ② boucle fermée d'évaluation en six étapes ; ③ ensemble de candidats de sortie et interface de décision ; ④ enregistrements reproductibles. Après l'achèvement, faire évaluer mutuellement les groupes : si l'on retire l'indicateur composite, la solution peut-elle encore comparer les gains et pertes de compromis de deux candidats ? Les contraintes dures sont-elles prises à tort pour des scores pouvant s'annuler par pondération ? La sortie ne garde-t-elle qu'une seule « solution optimale » ?
Traitement des exercices
Le jugement de base peut être commenté autour des points suivants :
Maximiser le coefficient de portance, minimiser le coefficient de traînée ; la bonne option souligne que les deux sont indépendants, le rapport portance/traînée ne peut qu'aider à l'explication.
2. L'épaisseur et la plage de moment de tangage doivent être fixées comme contraintes dures, violées signifie éliminé ; le budget doit indiquer à l'avance le nombre d'appels, le temps, la limite de puissance de calcul, on ne peut pas relâcher les contraintes dures par manque de budget.
3. La génération de candidats doit inclure l'échantillonnage global initial, puis des perturbations, croisements et mutations et un guidage par préférences, pour que les candidats se distribuent dans plusieurs régions de compromis.
4. La comparaison des solutions doit produire un ensemble de candidats non dominés couvrant différents compromis portance/traînée, accompagné des divergences et des bases ; ne garder que le score pondéré le plus élevé ou ne lister qu'un long classement ne satisfait pas les exigences de l'activité.
5. L'enregistrement et l'archivage doivent au moins inclure la représentation et les limites des paramètres, les définitions d'indicateurs, le budget d'évaluation, la graine aléatoire, les bases de filtrage et les raisons d'élimination, pour que le tour suivant puisse juger si le changement de résultat vient d'un changement de solution ou d'un changement de conditions d'évaluation.
Commentaire de cas
Dans le cas du profil d'aile supercritique, l'équipe ne conserve que le premier par classement par somme pondérée, le problème est qu'elle dissout à l'avance le conflit entre portance et traînée, fait perdre la diversité de Pareto, et les experts ne voient pas la plage de compromis. Direction de modification : passer au filtrage par non-domination de Pareto, conserver plusieurs candidats couvrant différentes régions de compromis sur le front ; si l'on conserve la somme pondérée, donner plusieurs groupes de pondérations ou points de référence et enregistrer les bases. Si l'on veut que le deuxième tour hérite des résultats de ce tour, il faut aussi compléter les paramètres et limites, les unités d'indicateurs, la division contraintes dures/préférences souples, le budget et le nombre réel d'appels, la version du modèle substitut, la graine aléatoire, les bases de filtrage et les raisons d'élimination ; chaque candidat doit être accompagné de preuves d'indicateurs, de satisfaction des contraintes, de plage d'incertitude et d'explication des différences entre candidats, et fournir une interface de compromis pour les experts.
Vérification de la compréhension
Pourquoi le rapport portance/traînée ne peut-il pas remplacer les objectifs indépendants de portance et de traînée ? Pourquoi les contraintes dures ne peuvent-elles pas participer à l'annulation par pondération ? Pourquoi l'ensemble de candidats est-il plus adapté à être remis aux experts que la solution optimale unique ? Il suffit que la réponse puisse relier indicateurs, contraintes, budget, diversité des candidats et exigences d'enregistrement.
Indication de transition
Après avoir confirmé que l'apprenant peut expliquer clairement la ligne principale « objectifs en conflit originels—contraintes dures/préférences souples—génération de candidats—sortie diversifiée—enregistrements reproductibles », passer à la page suivante avec des exemples, applications ou résumés.
### Bilan de l'activité en classe : Vérification de la rationalité des solutions de compromis
*Page 14*
> **Objectif de la page :** L'apprenant doit comprendre comment vérifier et réfléchir à la scientificité et à l'efficacité du plan d'évaluation de compromis conçu.
> **Objectif de la page**
>
> Cette page est un bilan de l'activité en classe « Conception d'un plan d'évaluation pour l'optimisation multi-objectifs de paramètres », le cœur est de vérifier si le plan d'évaluation de compromis conçu est raisonnable. L'apprenant doit pouvoir identifier les indicateurs clés et conflits d'objectifs omis, et clarifier la direction d'ajustement de la configuration des paramètres, pour que le plan soit proche des besoins réels de décision en ingénierie.
> **Ordre de présentation**
>
> Il est suggéré de clarifier d'abord la question première du bilan « le plan caractérise-t-il la vraie décision », puis de dérouler selon sept dimensions : ① couverture des objectifs ② conflits et redondances ③ contraintes et préférences ④ configuration des paramètres ⑤ modèle substitut ⑥ diversité des candidats ⑦ soutien aux experts ; ensuite, en se référant au diagnostic du bilan, dériver la direction d'ajustement ; enfin, juger si le plan est qualifié selon les trois critères : comparable, compromettable, reproductible.
**Points clés de l'enseignement**
- Quand les objectifs, contraintes et préférences sont incomplets, tout réglage de paramètres n'est qu'un raffinement sur un modèle erroné. Les quantités qui intéressent vraiment le décideur (performance, coût, fiabilité, fabricabilité) sont-elles toutes entrées dans le plan ? Les limites rigides sont-elles écrites comme contraintes ? Les préférences sont-elles exprimées explicitement par pondérations ou points de référence ? L'arbitrage est un conflit, à conserver comme multi-objectifs, et à exprimer par pondérations ou points de référence
- Un changement dans le même sens avec chevauchement d'informations est une redondance, à fusionner ou supprimer l'un des deux, pour éviter qu'une même exigence soit doublement pondérée. Formule de jugement : regarder la direction, et aussi si la pondération est répétée. Vérifier simultanément si une contrainte est prise à tort pour un objectif. La taille de la population et le nombre de candidats couvrent-ils la plage de compromis
- Le budget d'itération est-il adapté à la précision du modèle substitut
- Les mutations, croisements, pressions de sélection déséquilibrent-ils exploration et exploitation
- La stratégie d'échantillonnage dirige-t-elle le budget de simulation vers les régions à forte information. Tout désaccord se manifeste par « il y a des résultats, mais ils sont inutilisables ». Diversité insuffisante→élargir la taille de la population et le groupe de candidats de sortie
- Convergence trop rapide→réduire la pression de sélection, augmenter l'intensité de mutation, relâcher la conservation des élites
- Coût d'évaluation trop élevé→améliorer la précision du modèle substitut, optimiser les points d'ajout et la stratégie d'échantillonnage
- Déviation des préférences→corriger les pondérations ou déplacer les points de référence
- Indicateurs omis ou en conflit→compléter les indicateurs, conserver la relation d'arbitrage comme structure multi-objectifs. Comparable — les experts du domaine peuvent voir clairement les compromis entre candidats
- Compromettable — pouvoir sélectionner une solution sur le front selon les préférences
- Reproductible — paramètres, graine aléatoire et processus enregistrés de manière complète. La sortie finale doit être un ensemble diversifié de candidats équilibrant les indicateurs, pas une « solution optimale » unique. Bilan de la conception de profil d'aile supercritique. Si l'on ne regarde que le rapport portance/traînée en omettant la résistance structurelle ou le coût de fabrication, il faut d'abord compléter les indicateurs, conserver explicitement le conflit comme multi-objectifs
- Puis inscrire le budget d'évaluation, la taille de la population, le nombre de candidats de sortie dans la liste d'ajustement des paramètres
- Enfin, vérifier si l'ajustement est efficace avec « le front est-il plus large, les experts peuvent-ils comparer les compromis, les résultats sont-ils reproductibles ».
**Couverture des mots-clés**
- Vérification de couverture, couverture des objectifs, conflits et redondances, conservation multi-objectifs, pondérations/points de référence, taille de la population, pression de sélection, intensité de mutation, modèle substitut, stratégie d'échantillonnage, front de compromis, comparable, compromettable, reproductible.
> **Pistes d'exercices**
>
> - Vérifier si les objectifs, contraintes et préférences sont complets, découvrir en priorité les indicateurs clés omis. Analyse : l'omission d'indicateurs déforme systématiquement tous les compromis ultérieurs, il faut d'abord faire la vérification de couverture, puis discuter de l'ajustement des paramètres. Deux indicateurs évoluent dans le même sens avec un fort chevauchement d'informations, comment les traiter ? Réponse : c'est une mesure redondante, il faut fusionner ou supprimer l'un des deux, pour éviter que la pondération soit doublement amplifiée. Analyse : le conflit est un arbitrage, la redondance est un même sens avec chevauchement d'informations
> - La redondance conduit à une double pondération de la même exigence. L'optimisation converge en très peu d'itérations, les candidats sont très similaires, quel ajustement de paramètres correspond le mieux ? Réponse : élargir la taille de la population et le groupe de candidats de sortie, et augmenter l'intensité de mutation, réduire la pression de sélection. Analyse : une convergence trop rapide est généralement due à une pression de sélection excessive et une mutation insuffisante, entraînant l'effondrement de la diversité. Face à des conflits réels comme le rapport portance/traînée et la résistance structurelle, comment les traiter ? Réponse : les conserver comme multi-objectifs, exprimer les préférences par pondérations ou points de référence, et produire le front de compromis pour le choix des experts. Analyse : les conflits réels ne doivent pas être masqués par une réduction mono-objectif, conserver les multi-objectifs et exprimer explicitement les préférences permet de soutenir la décision. Le coût des évaluations par simulation haute fidélité est trop élevé, le budget d'itération insuffisant, quel est l'ajustement le plus raisonnable ? Réponse : améliorer la précision du modèle substitut et optimiser la stratégie d'échantillonnage, concentrer le budget sur les régions à forte information. Analyse : il faut laisser le modèle substitut et la stratégie d'échantillonnage porter le coût d'évaluation, plutôt que de sacrifier l'échelle d'exploration ou de réécrire la définition du problème. Bilan de la conception de profil d'aile supercritique. Question 1 : indiquer les problèmes de couverture des objectifs—conflits/redondances—contraintes et préférences. Points de référence : omission d'indicateurs (résistance structurelle, coût de fabrication)
> - conflit non traité explicitement (rapport portance/traînée et résistance structurelle)
> - contraintes et préférences non explicitées (géométrie, procédé, marge de sécurité)
> - élargir la taille de la population à plus de 100, sortir 20~50 candidats
> - réduire la pression de sélection, augmenter l'intensité de mutation
> - améliorer la précision du substitut, améliorer l'échantillonnage (comme l'ajout de points par incertitude)
> - corriger les pondérations ou déplacer les points de référence
> - les candidats couvrent plus largement, la congestion diminue, la couverture du front et la qualité de la distribution s'améliorent, l'erreur du substitut diminue, les experts peuvent comparer clairement les compromis, les résultats sont reproductibles.
**Vérification de la compréhension**
Demander aléatoirement à un étudiant de résumer les points clés de cette page dans ses propres mots, l'enseignant complétant les mots-clés manquants selon la réponse. On peut demander : « Si l'ensemble des objectifs lui-même est incomplet, que se passera-t-il lors du réglage ultérieur des paramètres ? » Guider les étudiants à dire « on ne fait qu'optimiser sur un modèle erroné ».
> **Indication de transition**
>
> Après avoir confirmé que les étudiants peuvent dire « d'abord la vérification de couverture, puis l'ajustement des paramètres » et « conserver les conflits comme multi-objectifs, fusionner ou supprimer les redondances », passer à la page suivante avec des exemples, applications ou résumés.
> **Pistes de matériel**
>
> - Cette page est accompagnée d'un schéma « Liste de vérification de la rationalité du plan », la partie gauche liste sept dimensions de vérification, la partie droite correspond aux directions d'ajustement, le bas donne les preuves de validation attendues. Lors de la présentation, on peut dérouler progressivement en se référant à ce schéma.
### Récapitulatif des concepts clés de cette leçon
*Page 15*
> **Objectif de la page :** L'apprenant doit systématiquement passer en revue les compromis multi-objectifs, les modèles substituts et le cas du profil d'aile supercritique abordés dans cette leçon.
> **Objectif de la page**
>
> Aider l'apprenant à revoir systématiquement les trois concepts clés de cette leçon — compromis multi-objectifs, réduction des coûts par modèle substitut et pratique multi-objectifs du profil d'aile supercritique, et à relier la ligne principale « conflit—candidats non dominés—décision de préférence ».
> **Ordre de présentation**
>
> D'abord souligner que cette page est une page de conclusion, la ligne principale de la leçon étant que le calcul évolutionnaire fournit une voie de résolution sans réponse unique prédéterminée, s'appuyant sur la génération parallèle de candidats en population et la diversité pour répondre aux conflits d'objectifs et aux contraintes complexes. Ensuite, réviser selon trois lignes principales : premièrement les conflits d'objectifs et le compromis de Pareto ; deuxièmement la réduction des coûts et la validation par modèle substitut ; troisièmement l'ensemble de solutions candidates et la décision des experts. Enfin, ancrer les connaissances dans la boucle fermée d'ingénierie avec des cas et une chaîne mnémotechnique.
**Points clés de l'enseignement**
- Dans l'ingénierie réelle, l'efficacité en croisière, l'épaisseur structurelle, les contraintes de manœuvrabilité sont souvent en tension mutuelle. Ne pas pondérer et comprimer trop tôt en un objectif unique, sinon on masque les conflits, fige les préférences, fait perdre l'information de compromis. Conserver les candidats de Pareto permet aux décisions ultérieures d'avoir une marge de manœuvre. Quand une seule évaluation CFD haute fidélité, en soufflerie ou expérimentale coûte cher, et que la recherche nécessite de nombreuses évaluations, le modèle substitut échange la précision contre la vitesse, accélérant la recherche, le filtrage et l'analyse de sensibilité. Mais sa crédibilité vient d'échantillons de validation indépendants, de l'évaluation d'erreur et de la quantification de l'incertitude
- La précision d'ajustement sur l'ensemble d'entraînement ne peut pas prouver directement la fiabilité de généralisation. Perturbation du profil de base→recherche assistée par substitut→sortie de candidats diversifiés→évaluation et décision des experts forment une boucle fermée. Le point clé n'est pas la réponse unique, mais la production d'un ensemble de solutions comparables, explicables et décidables. Les experts font les compromis selon les préférences de mission et les contraintes, et les nouveaux échantillons sont réinjectés pour mettre à jour le modèle substitut. Si l'on n'optimise que le rapport portance/traînée, on peut obtenir des solutions à divergence de traînée ou moment de tangage inacceptables
- Après avoir conservé l'ensemble de candidats, on peut faire un compromis selon les préférences de mission entre efficacité en croisière, épaisseur structurelle et contraintes de manœuvrabilité, et il est aussi plus facile de répondre aux changements de préférence, à la comparaison de robustesse et à la traçabilité des décisions. Échantillons/simulation → modèle substitut → recherche multi-objectifs → évaluation des candidats → décision de préférence → réinjection de nouveaux échantillons. On peut demander aux étudiants de reformuler chaque étape et d'ajouter « pourquoi est-ce nécessaire ».
**Traitement des exercices**
Les questions à choix multiples de cette page peuvent servir de vérification rapide. La question 1 doit choisir « une compression prématurée masque les conflits entre objectifs, réduit l'espace de conception compromettable », soulignant que l'approche multi-objectifs conserve explicitement la relation de non-domination ; la question 2 doit choisir « quand une seule évaluation par simulation haute fidélité ou soufflerie coûte cher et que la recherche nécessite de nombreuses évaluations », soulignant que la valeur du modèle substitut dépend du coût et du nombre d'évaluations ; la question 3 doit choisir « évaluer l'erreur de prédiction avec des échantillons de validation indépendants, et quantifier et surveiller l'incertitude de prédiction », soulignant la généralisation et la crédibilité ; la question 4 doit choisir « perturbation du profil de base→recherche assistée par substitut→sortie de candidats diversifiés→évaluation et décision des experts », soulignant la boucle fermée produisant un ensemble de solutions ;
la question 5 doit choisir « soutenir les changements de préférence, la comparaison de robustesse et la traçabilité des décisions, réduire le risque de verrouillage sur un chemin unique », soulignant que l'ensemble de candidats conserve l'espace de compromis.
Premièrement, ne pas faire directement une optimisation mono-objectif pondérée haute fidélité, mais construire d'abord un modèle substitut et conserver l'ensemble de candidats de Pareto, pour « réduire les coûts » et « conserver l'espace de compromis » ; deuxièmement, si le modèle substitut a un biais local important, il faut d'abord localiser les régions à forte erreur ou forte incertitude avec des échantillons de validation indépendants, puis compléter par une vérification haute fidélité les candidats sélectionnés, avec échantillonnage adaptatif si nécessaire, et enfin vérifier si le front de Pareto conserve la relation de non-domination sous les données de validation.
**Vérification de la compréhension**
Demander aux étudiants d'expliquer dans leurs propres mots « pourquoi conserver un ensemble de candidats plutôt qu'une seule solution optimale », et d'expliquer pourquoi le modèle substitut doit être validé. Si les étudiants ne font que réciter les termes, on peut demander « le rôle de chaque étape dans conflit → candidats non dominés → décision de préférence ».
> **Indication de transition**
>
> Après avoir confirmé que les étudiants peuvent énoncer les trois lignes principales de cette page et leur relation en boucle fermée, passer à la page suivante de résumé, application ou nouveau thème.
### Résumé et perspectives : La valeur scientifique dans le monde réel complexe
*Page 16*
> **Objectif de la page :** L'apprenant doit saisir la valeur scientifique profonde de la conservation de solutions diversifiées utilisables face à la complexité du réel.
> **Objectif de la page**
>
> La valeur scientifique dans l'ingénierie et le monde physique réels ne réside pas dans la convergence rapide vers une « réponse optimale » par un algorithme unique, mais dans la transformation des conflits multi-objectifs, des contraintes physiques et des retours rares en un processus problématique explorable de manière durable. L'idée centrale d'EvoX et de la pratique AI Native est de générer et conserver des solutions diversifiées utilisables, offrant un espace pour les compromis, les décisions et l'évolution méthodologique ultérieurs.
> **Ordre de présentation**
>
> 1. Commencer par le « monde réel complexe » à gauche, expliquer que les conflits multi-objectifs, les contraintes physiques et les retours rares sont la norme, pas l'exception.
>
> 2. Expliquer pourquoi l'optimum mono-objectif fait perdre des informations clés. On peut utiliser l'exemple de la conception de profil d'aile supercritique : le rapport portance/traînée, les caractéristiques de divergence de traînée, l'épaisseur structurelle sont en tension mutuelle, augmenter le rapport portance/traînée peut sacrifier la performance de divergence de traînée ou augmenter l'épaisseur structurelle. Si l'on ne poursuit que l'optimum mono-objectif, on perd la relation de compromis, et face à de nouvelles contraintes ou changements de préférence, on manque de marge d'ajustement.
>
> Ce ne doit pas être une solution unique, mais un ensemble de solutions candidates contenant plusieurs relations de compromis. Avec EvoX, on peut générer en parallèle un grand nombre de profils candidats, et utiliser le modèle substitut pour aider l'évaluation quand le coût de simulation est élevé, couvrant ainsi différentes préférences et contraintes.
>
> Soutenir la décision des experts du domaine ; réduire le risque de convergence erronée précoce ; conserver la possibilité de reconstruction du problème et d'évolution continue ultérieure.
>
> La direction de la recherche AI Native est de faire passer « choisir un algorithme pour une réponse » à « concevoir un processus d'exploration réutilisable, vérifiable et héritable », faisant de la complexité réelle une source d'innovation méthodologique.
**Points clés de l'enseignement**
- Dans les problèmes réels, les objectifs sont souvent en tension mutuelle, il ne faut pas chercher habituellement la solution optimale unique, mais d'abord demander : ai-je ignoré certaines relations de compromis ? L'exploration évolutionnaire doit produire un ensemble de solutions candidates contenant différentes relations de compromis. Un ensemble diversifié de solutions couvre plus de préférences et de contraintes, conservant un espace pour la décision des experts et l'évolution ultérieure. À gauche le monde réel complexe, au milieu l'exploration pilotée par EvoX, à droite la valeur scientifique
- En bas se trouve aussi une boucle de « retour évolutionnaire continu », montrant que le processus d'exploration ne se termine pas en une fois, mais est cumulable et héritable. La valeur scientifique dans le monde réel complexe est de transformer les conflits multi-objectifs, les contraintes physiques et les retours rares en un processus problématique explorable durablement
- EvoX et la pratique AI Native, en générant et conservant des solutions diversifiées utilisables, offrent un espace pour les compromis, les décisions et l'évolution méthodologique ultérieurs. Pistes et traitement des exercices : les questions à choix multiples portent sur les « concepts clés », la « valeur scientifique de l'exploration montrée par la conception de profils d'aile », la « signification à long terme de la conservation de solutions diversifiées utilisables », etc. La bonne réponse doit pointer vers : la conservation de solutions diversifiées utilisables a une valeur scientifique profonde face à la complexité du réel. Si l'étudiant se trompe, le guider à revenir à l'explication de cette page, trouver les preuves ou exemples clés avant de juger
- S'il a juste, reconnaître qu'il sait relier les concepts de cette page et expliquer les bases. Première question, les conflits multi-objectifs se manifestent par des conflits entre le rapport portance/traînée, les caractéristiques de divergence de traînée, l'épaisseur structurelle, par exemple augmenter le rapport portance/traînée peut se faire au prix d'une augmentation de l'épaisseur structurelle ou d'un sacrifice de la performance de divergence de traînée. Deuxième question, l'ensemble diversifié de solutions candidates couvre différentes préférences et contraintes, facilitant l'évaluation des compromis par les experts, tout en réduisant le risque de convergence erronée précoce, et en conservant un espace d'exploration héritable pour la reconstruction du problème, les changements de contraintes ou l'évolution méthodologique ultérieurs. En cas de bonne réponse, on peut dire « cette réponse sait relier les concepts de cette page et expliquer les bases »
- En cas de réponse incomplète, on peut dire « veuillez revenir à l'explication de cette page, trouver les preuves ou exemples clés avant de juger ».
**Vérification de la compréhension**
Pourquoi la conservation de solutions diversifiées utilisables a-t-elle plus de valeur scientifique que la production d'une seule solution optimale ? Exiger au moins un exemple de cette page (conception de profil d'aile supercritique) et une signification à long terme (soutenir la décision des experts ou l'évolution continue). Si les étudiants ne font que répéter les termes, demander s'ils peuvent illustrer par un exemple la relation entre « conflits multi-objectifs » et « ensemble de solutions candidates ».
> **Indication de transition**
>
> Après avoir confirmé que les étudiants peuvent énoncer la relation entre « conflits multi-objectifs—ensemble de solutions candidates—valeur scientifique », passer à la page suivante ou au résumé du cours.
--- FIN DU TEXTE SOURCE ---