# Sistem Evolusi Cerdas EvoX dan Praktik Penelitian Ilmiah AI Native — Materi Kuliah

Durasi: 1 · Halaman materi: 16

## Navigasi Bacaan

- [Pelajaran 3｜Topik: Kompleksitas Dunia Nyata dan Trade-off Multi-Objektif](#lecture-lesson-1)

---

<a id="lecture-lesson-1"></a>

## Pelajaran 3｜Topik: Kompleksitas Dunia Nyata dan Trade-off Multi-Objektif

<a id="lecture-page-1"></a>

### Kompleksitas Dunia Nyata dan Trade-off Multi-Objektif

*Halaman 1*

> **Tujuan Halaman:** Mengeksplorasi tujuan dan kendala kompleks yang saling membatasi di dunia fisik nyata, serta mempelajari cara menggunakan EvoX untuk menghasilkan sekelompok solusi kandidat yang mencakup berbagai hubungan trade-off.

> **Tujuan Halaman**
>
> Halaman ini mengalihkan perspektif dari masalah optimasi ideal ke dunia fisik nyata, menunjukkan bahwa tujuan rekayasa sering kali saling membatasi dengan umpan balik yang jarang, dan memperkenalkan gagasan menggunakan EvoX untuk menghasilkan sekelompok solusi kandidat yang mencerminkan berbagai hubungan trade-off.

> **Urutan Penjelasan**
>
> Pertama, jelaskan mengapa "konflik tujuan" bersifat universal, misalnya dalam desain airfoil di mana gaya angkat, gaya hambat, kekuatan struktur, dan kebisingan sulit dioptimalkan secara bersamaan; kemudian jelaskan bahwa "umpan balik jarang" berarti biaya evaluasi tinggi dan sampel efektif sedikit, sehingga tidak dapat mengandalkan trial-and-error massal; terakhir, perkenalkan eksplorasi multi-kandidat, di mana EvoX tidak hanya mengembalikan solusi optimal tunggal, tetapi memberikan sekelompok solusi yang masing-masing unggul dalam arah trade-off yang berbeda, untuk pengambilan keputusan selanjutnya.

**Poin Pengajaran**

- Sistem nyata dibatasi oleh hukum fisika, proses manufaktur, standar keselamatan, dll., di mana variabel-variabel saling mempengaruhi. Peningkatan satu indikator sering kali mengorbankan indikator lain, sehingga tidak ada satu "terbaik" tunggal, hanya kompromi di bawah preferensi yang berbeda. Biaya simulasi atau eksperimen nyata tinggi, umpan balik tidak padat, dan algoritma perlu memanfaatkan informasi evaluasi yang ada secara lebih efisien. Menghasilkan sekelompok solusi kandidat dapat menampilkan front trade-off, membantu insinyur memilih sesuai skenario, bukan terkunci oleh solusi tunggal. Dapat digunakan untuk menjelaskan secara konkret bagaimana mencari beberapa kelompok desain yang layak di antara tujuan efisiensi aerodinamis, keandalan struktural, dan kebisingan.

**Cakupan Kata Kunci**

- Kompleksitas dunia nyata, trade-off multi-objektif, konflik tujuan, umpan balik jarang, eksplorasi multi-kandidat, EvoX, optimasi airfoil.

**Pemeriksaan Pemahaman**

Minta siswa memberikan contoh rekayasa atau kehidupan sehari-hari di mana "memperbaiki A mengorbankan B", dan jelaskan bagaimana cara pengambilan keputusan akan berbeda jika hanya mendapatkan satu solusi versus mendapatkan sekelompok solusi kandidat.

> **Petunjuk Transisi**
>
> Setelah siswa dapat membedakan "optimalisasi tujuan tunggal" dan "himpunan kandidat di bawah trade-off multi-objektif", lanjut ke halaman berikutnya tentang metode atau kasus spesifik.

<a id="lecture-page-2"></a>

### Konflik Multi-Objektif dan Kompleksitas Dunia Nyata

*Halaman 2*

> **Tujuan Halaman:** Pembelajar harus memahami situasi dasar di dunia rekayasa nyata di mana berbagai tujuan saling membatasi dan kendala bersarang.

**Poin Pengajaran**

- Optimasi rekayasa nyata menghadapi kompleksitas yang terjalin antara multi-objektif, multi-kendala, dan umpan balik yang mahal. Tujuan-tujuan saling membatasi, tidak ada optimum tunggal yang ideal tanpa trade-off, sehingga pertama-tama harus mengidentifikasi dan menerima konflik, bukan menerapkan asumsi idealisasi tujuan tunggal. Tujuan tidak independen, memperbaiki satu tujuan dapat memperburuk yang lain, misalnya meningkatkan gaya angkat sering kali disertai peningkatan gaya hambat atau penurunan stabilitas
- Kendala bersarang, penyesuaian variabel lokal akan mempengaruhi subsistem atau fase siklus hidup lainnya, membentuk domain layak yang tergandeng dan batas implisit
- Umpan balik mahal, simulasi berfidelitas tinggi, terowongan angin, uji terbang, dll. memiliki biaya evaluasi tinggi, tidak dapat mendukung trial-and-error tanpa batas
- Tujuan yang sulit dikuantifikasi, seperti keselamatan, stabilitas, biaya, regulasi, kemudahan perawatan, dll. sulit disatukan menjadi skalar tunggal. Memperbaiki satu indikator dapat memperburuk yang lain. Dalam desain pesawat, meningkatkan gaya angkat akan meningkatkan gaya hambat dan menurunkan stabilitas
- Jika terus mengoptimalkan suatu indikator aerodinamis, mungkin akan memicu kendala beban struktural, perlindungan termal, atau kompleksitas kontrol. Ini menunjukkan bahwa masalah nyata tidak dapat direduksi menjadi optimasi tujuan tunggal. Sistem tidak boleh terlalu dini memberikan "jawaban optimal" tunggal yang terisolasi, melainkan harus mengeksplorasi dan mempertahankan sekelompok solusi kandidat yang berbeda, agar para ahli dapat menimbang manfaat dan biaya.

**Penanganan Latihan**

Akar penyebab konflik multi-objektif (tujuan saling membatasi, memperbaiki satu dapat memperburuk yang lain); konsekuensi meningkatkan gaya angkat (gaya hambat meningkat, stabilitas mungkin menurun); batasan umpan balik mahal (biaya umpan balik tinggi, jumlah evaluasi terbatas); pendekatan yang benar untuk optimasi multi-objektif (mengeksplorasi dan mempertahankan sekelompok solusi kandidat yang berbeda); makna kendala bersarang (penyesuaian variabel lokal akan mempengaruhi subsistem atau fase siklus hidup lainnya). Umpan balik yang benar dapat menekankan: konflik multi-objektif berasal dari trade-off struktural; gaya angkat dan gaya hambat, stabilitas adalah konflik klasik; umpan balik mahal membatasi trial-and-error; optimum tunggal sering kali tidak ada dalam konflik nyata; kendala bersarang membentuk domain layak yang tergandeng.

Optimasi multi-objektif pesawat terbang. Skenario merancang drone baru, perlu mengoptimalkan efisiensi aerodinamis, berat struktur, stabilitas, dan biaya manufaktur secara bersamaan; simulasi CFD berfidelitas tinggi memakan waktu berjam-jam, biaya uji terowongan angin sangat tinggi; konflik tujuan seperti meningkatkan gaya angkat meningkatkan gaya hambat dan beban struktural, mengurangi berat dapat menurunkan stabilitas; kendala bersarang seperti perubahan bentuk aerodinamis mempengaruhi beban struktural dan perlindungan termal, yang selanjutnya mempengaruhi desain hukum kontrol. Pertanyaan 1 meminta mengidentifikasi setidaknya dua konflik dan menjelaskan mengapa tidak dapat digabungkan menjadi tujuan tunggal, referensi: konflik gaya angkat dan gaya hambat, konflik berat dan stabilitas; tidak dapat digabungkan karena dimensi dan prioritas berbeda, penggabungan memerlukan bobot subjektif, dapat menutupi hubungan trade-off, menyebabkan solusi memburuk pada dimensi yang tidak diharapkan.

Pertanyaan 2 meminta menjelaskan bagaimana menggunakan komputasi evolusioner untuk mempertahankan solusi kandidat yang berbeda dan menjelaskan bagaimana ahli menimbang, referensi: menggunakan algoritma evolusi multi-objektif (seperti NSGA-II) untuk memelihara front Pareto, mempertahankan sekelompok solusi non-dominan, setiap solusi mewakili trade-off yang berbeda; ahli dapat memilih solusi yang sesuai dari front Pareto berdasarkan kebutuhan tugas, atau menyesuaikan bobot secara interaktif.

**Aktivitas Kelas**

Minta siswa menceritakan kembali konten halaman ini menggunakan contoh yang dekat dengan pengalaman siswa, dan minta siswa menjelaskan hubungan antara contoh tersebut dan "identifikasi konflik terlebih dahulu, baru pemodelan".

**Pemeriksaan Pemahaman**

Minta seorang siswa secara acak merangkum poin utama halaman ini dengan kata-katanya sendiri, pengajar melengkapi kata kunci yang terlewat berdasarkan jawaban.

> **Petunjuk Transisi**
>
> Setelah memastikan siswa dapat menyebutkan hubungan inti halaman ini, lanjut ke halaman berikutnya tentang contoh soal, aplikasi, atau ringkasan.

<a id="lecture-page-3"></a>

### Trade-off dan Eksplorasi Multi-Objektif di Dunia Fisik Nyata

*Halaman 3*

> **Tujuan Halaman:** Pembelajar harus menguasai alasan inti mengapa sistem tidak boleh terlalu dini memberikan solusi optimal tunggal yang terisolasi.

**Poin Pengajaran**

- Saat melihat "solusi optimal" apa pun, pertama-tama tanyakan pada tujuan mana ia berkompromi. Hanya ketika dapat menjelaskan manfaat dan biaya secara bersamaan, barulah benar-benar memahami masalah multi-objektif.
- Sekelompok solusi kandidat bukan menunda keputusan, melainkan menyerahkan penilaian preferensi kepada pihak yang paling memahami tugas. Saat pengiriman, harus memberikan sekelompok solusi dengan penekanan masing-masing beserta dasar perbandingannya, bukan sekumpulan titik yang tidak diurutkan.
- Setiap simulasi atau eksperimen memerlukan biaya nyata. Di bawah anggaran terbatas, prioritaskan mengevaluasi kandidat yang tersebar dan mencakup arah trade-off yang berbeda, bukan berulang kali menyempurnakan di sekitar titik yang sama, sehingga dapat memperoleh informasi front yang lebih lengkap.

## Tujuan Halaman

Memahami mengapa masalah optimasi di dunia fisik nyata biasanya tidak memiliki "solusi optimal tunggal tanpa biaya", dan menguasai logika inti serta nilai dari mempertahankan solusi kandidat yang berbeda dalam eksplorasi multi-objektif.

## Urutan Penjelasan

Tujuan sulit dikuantifikasi sepenuhnya, kendala saling bersarang, biaya umpan balik evaluasi tinggi, beberapa tujuan saling membatasi.

2. Gunakan contoh desain pesawat untuk menjelaskan "meningkatkan gaya angkat sering kali disertai peningkatan gaya hambat atau penurunan stabilitas".

3. Dengan bantuan diagram front Pareto, jelaskan mengapa tidak boleh terlalu dini konvergen ke jawaban tunggal.

Mengeksplorasi dan mempertahankan sekelompok solusi kandidat yang berbeda, memberikan dasar perbandingan manfaat-biaya bagi para ahli.

5. Terakhir, identifikasi kesalahpahaman umum, dan tangani latihan serta kasus.

## Poin Pengajaran

Tiga fakta kunci**

Tujuan sering hanya dapat dikuantifikasi sebagian (seperti "kenyamanan" "margin keamanan"), kendala bersarang berlapis-lapis, setiap evaluasi nyata (simulasi berfidelitas tinggi, uji bangku, atau uji terbang) memerlukan waktu dan uang yang cukup besar.

Gaya angkat dan gaya hambat, kinerja dan stabilitas, presisi dan konsumsi energi sering kali tidak dapat mencapai optimal secara bersamaan; setiap langkah perbaikan harus menjelaskan biaya apa yang dikorbankan.

Tidak dapat mencoba tanpa batas, sehingga mempertahankan keragaman di bawah anggaran evaluasi yang terbatas lebih robust daripada terlalu dini mengunci satu titik.

Mengapa tidak boleh terlalu dini konvergen ke jawaban tunggal**

Jika sistem menyerahkan "solusi optimal" yang terisolasi pada tahap awal eksplorasi, ruang keputusan akan terkompresi: ahli tidak dapat melihat kemungkinan lain, juga tidak dapat menilai trade-off apa yang dilakukan titik ini di antara dua tujuan. Pendekatan yang lebih tepat adalah mempertahankan sekelompok solusi kandidat berdasarkan hubungan non-dominan, yang masing-masing memiliki penekanan berbeda pada dimensi gaya angkat, gaya hambat, stabilitas, dll., membentuk front Pareto yang dapat ditimbang. Setiap titik pada front mewakili trade-off yang sah — untuk memperbaiki satu tujuan, harus mengorbankan yang lain; oleh karena itu nilai front bukan pada "mana yang terbaik", melainkan menyajikan hubungan lengkap antara manfaat dan biaya, mendukung penilaian preferensi dan pengambilan keputusan selanjutnya.

Kesalahpahaman umum**

Menggabungkan masalah multi-objektif menjadi satu tujuan skalar melalui "penjumlahan berbobot" di awal sama dengan menetapkan bobot preferensi untuk ahli sebelum eksplorasi, dan informasi trade-off akan hilang. Bobot harus menjadi langkah terakhir dalam tahap pengambilan keputusan, bukan asumsi pertama dalam tahap pemodelan.

## Petunjuk Materi

Sumbu horizontal adalah Tujuan A — gaya hambat (semakin ke kiri semakin baik), sumbu vertikal adalah Tujuan B — stabilitas (semakin tinggi semakin baik). Gambar menunjukkan tiga kandidat yang berbeda: Kandidat A (prioritas hambat rendah), Kandidat B (tipe seimbang), Kandidat C (prioritas stabilitas tinggi), semuanya tersebar pada front Pareto non-dominan. Gambar juga menunjukkan wilayah terdominasi (ada ruang perbaikan), dan satu "titik tunggal yang konvergen terlalu dini" yang jatuh di wilayah terdominasi. Panah berlabel "manfaat ⟷ biaya: diserahkan kepada ahli untuk menimbang".

## Penanganan Latihan

Halaman ini berisi 5 soal pilihan ganda, dapat digunakan untuk pemeriksaan pemahaman langsung. Jawaban benar dan poin umpan balik sebagai berikut:

Pilih "Tujuan sering sulit dikuantifikasi, kendala saling bersarang, biaya umpan balik evaluasi tinggi, multi-objektif saling membatasi." Umpan balik: menangkap dengan tepat tiga karakteristik dan saling membatasi multi-objektif.

Ini adalah manifestasi tipikal konflik multi-objektif.

Pilih "Mengompresi ruang keputusan dan menutupi hubungan trade-off yang sebenarnya, sehingga ahli tidak dapat menilai trade-off apa yang dilakukan titik tersebut." Umpan balik: jawaban titik tunggal mengompres trade-off multi-dimensi menjadi kesimpulan kotak hitam.

Pilih "Mengeksplorasi dan mempertahankan sekelompok solusi kandidat yang berbeda, sebagai dasar bagi ahli untuk menimbang manfaat dan biaya." Umpan balik: sistem tidak boleh melampaui wewenang mengambil keputusan untuk ahli, juga tidak boleh terlalu dini konvergen.

Untuk memperbaiki salah satu tujuan, harus mengorbankan tujuan lainnya." Umpan balik: non-dominan berarti tidak ada solusi yang dapat memperbaiki semua tujuan secara bersamaan tanpa memperburuk tujuan mana pun.

## Diskusi Kasus

Halaman menyediakan kasus "Desain multi-objektif airfoil kendaraan hipersonik", saran diskusi kelas:

Tujuan sulit dikuantifikasi, kendala saling bersarang, umpan balik mahal, konflik multi-objektif. Jawaban referensi lihat analisis halaman.

Mengirimkan sekelompok solusi kandidat yang berbeda (seperti tipe prioritas hambat rendah, tipe seimbang, tipe prioritas stabilitas tinggi), memberikan nilai setiap tujuan, status pemenuhan kendala, dan penjelasan trade-off kunci, agar pengambil keputusan dapat membandingkan pada kurva manfaat-biaya, dan ahli memilih berdasarkan preferensi.

## Pemeriksaan Pemahaman

Rangkum dengan tiga poin:

Saat melihat "solusi optimal" apa pun, pertama-tama tanyakan pada tujuan mana ia berkompromi.

Kelompok solusi kandidat menyerahkan penilaian preferensi kepada pihak yang paling memahami tugas, saat pengiriman harus memberikan sekelompok solusi dengan penekanan masing-masing beserta dasar perbandingannya.

Di bawah anggaran terbatas, prioritaskan mengevaluasi kandidat yang tersebar dan mencakup arah trade-off yang berbeda, bukan berulang kali menyempurnakan di sekitar titik yang sama.

## Cakupan Kata Kunci

Kelompok solusi kandidat, front Pareto, non-dominan, trade-off multi-objektif, anggaran evaluasi, konvergensi terlalu dini.

## Petunjuk Transisi

Setelah memastikan pembelajar dapat menjelaskan dengan kata-kata sendiri "mengapa tidak boleh terlalu dini konvergen ke titik tunggal" dan "bagaimana kelompok solusi kandidat mendukung penimbangan ahli", lanjut ke halaman berikutnya tentang contoh soal, aplikasi, atau ringkasan.

<a id="lecture-page-4"></a>

### Mencari Jawaban yang Dapat Digunakan dan Eksperimen Pemikiran

*Halaman 4*

> **Tujuan Halaman:** Pembelajar harus memahami bagaimana mengubah masalah nyata menjadi proses sistem yang dapat dieksplorasi dan diverifikasi.

**Poin Pengajaran**

- Saat menghadapi masalah nyata, pertama-tama tuliskan empat pertanyaan eksperimen pemikiran: apa yang dapat diubah, bagaimana mengevaluasi, apa yang harus dipenuhi, bagaimana menilai lebih baik. Jika empat pertanyaan tidak dapat dijawab dengan jelas, algoritma apa pun yang dipilih nantinya akan sulit mendapatkan jawaban yang dapat digunakan.
- Setiap solusi kandidat setidaknya harus menuliskan empat hal: manfaat, biaya, kondisi yang berlaku, risiko. Solusi yang hanya menulis "lebih cepat, lebih kuat" tanpa menulis biaya dan batas, hampir pasti akan ditanya sampai tidak bisa menjawab dalam rapat tinjauan.
- Menggabungkan beberapa tujuan menjadi satu skor berbobot lalu mengambil nilai maksimum, sama dengan mengasumsikan bobot sudah ditentukan. Jika bobot itu sendiri subjektif, pendekatan ini menyembunyikan keputusan trade-off ke dalam skor. Mempertahankan kandidat yang berbeda dan membandingkan secara eksplisit lebih mendekati "jawaban yang dapat digunakan".

> **Tujuan Halaman**
>
> Memahami bahwa saat menghadapi masalah rekayasa nyata, pekerjaan pertama bukan memilih algoritma, melainkan mengubah masalah menjadi eksperimen pemikiran yang dapat dieksplorasi, dapat dieksekusi, dan dapat diverifikasi; dan mengeksplorasi secara sistematis ke arah yang berbeda, mempertahankan sekelompok solusi kandidat yang berbeda, bukan terlalu dini konvergen ke apa yang disebut "jawaban optimal".

> **Urutan Penjelasan**
>
> 1. Pertama jelaskan saling membatasi multi-objektif di dunia nyata. Meningkatkan gaya angkat pesawat mungkin mengubah gaya hambat dan stabilitas, mengurangi latensi model mungkin mengorbankan presisi, meningkatkan kinerja sistem mungkin meningkatkan konsumsi energi, biaya, dan risiko keselamatan. Kemajuan pada satu indikator sering kali dengan biaya kemunduran indikator lain, sehingga jawaban titik tunggal yang "terbaik pada semua indikator" biasanya tidak ada.
>
> Apa yang dapat diubah? Setelah perubahan bagaimana mengevaluasi? Kondisi apa yang harus dipenuhi? Bagaimana menilai hasil yang berbeda lebih baik?
>
> Daftar item yang dapat diubah dan variabel keputusan, seperti parameter, struktur, strategi, aturan penjadwalan, dan perjelas kondisi yang sudah ditetapkan.
>
> Tentukan indikator dan standar evaluasi, misalnya melihat ketepatan waktu atau konsumsi energi, melihat puncak atau rata-rata, menggunakan segmen data mana untuk mengukur.
>
> Perjelas kendala keras dan batas, seperti ambang keselamatan, batas atas latensi, batas atas konsumsi energi dan anggaran, regulasi dan izin ruang udara; solusi yang melanggar langsung dieliminasi.
>
> Definisikan kriteria perbandingan dan preferensi, jelaskan dalam skenario apa lebih mementingkan tujuan mana, dan rentang biaya yang dapat diterima.
>
> 3. Jelaskan bentuk output. Eksplorasi harus berkembang ke arah yang berbeda, menghasilkan sekelompok solusi kandidat yang berbeda, setiap kandidat diberi label manfaat, biaya, kondisi yang berlaku, dan risiko, agar ahli domain dapat membandingkan pilihan di bawah preferensi yang berbeda.
>
> Dapat dieksekusi, dapat dievaluasi, memenuhi kendala keras, dapat menjelaskan trade-off, dan dapat mendukung pilihan di bawah preferensi yang berbeda. Jawaban titik tunggal yang hanya mencapai nilai maksimum pada satu indikator biasanya tidak memenuhi kriteria ini.
>
> Sumbu horizontal dan vertikal dapat mewakili dua tujuan yang saling membatasi, kurva atau kelompok titik mewakili domain solusi yang dapat dicapai, di luar kendala keras adalah wilayah pelanggaran. Kandidat A hingga D masing-masing memiliki trade-off, titik fokus gambar bukan menemukan titik optimal tunggal, melainkan mempertahankan perbedaan dan membandingkan secara eksplisit.

> **Petunjuk Latihan**
>
> - Mendefinisikan item yang dapat diubah, standar evaluasi, kendala keras, dan kriteria perbandingan. Jangan bertanya dulu "algoritma mana yang digunakan" atau "kumpulkan data dulu". Soal kedua harus memilih "kemajuan pada satu indikator sering kali dengan biaya kemunduran indikator lain, sehingga biasanya tidak ada optimum global tunggal". Konflik tujuan adalah norma masalah nyata, bukan kesalahan definisi. Soal ketiga harus menjelaskan bahwa konvergensi terlalu dini ke titik tunggal akan kehilangan solusi kandidat yang berbeda, melemahkan ruang bagi ahli untuk memilih dan mengambil keputusan di bawah preferensi yang berbeda. Dalam soal keempat, yang bukan termasuk kriteria "jawaban yang dapat digunakan" adalah "mencapai nilai maksimum global pada satu indikator tunggal, indikator lain dapat diabaikan". Soal kelima harus menjelaskan bahwa eksperimen pemikiran mengungkap konflik tujuan, batas kendala, dan standar evaluasi sebelum eksekusi, membangun kerangka masalah yang dapat digunakan untuk eksplorasi multi-objektif selanjutnya. Penjadwalan pengiriman drone perkotaan. Dapat memandu siswa mengubah skenario menjadi empat pertanyaan: item yang dapat diubah termasuk rute dan lapisan ketinggian, profil kecepatan, titik lepas landas dan pendaratan serta titik transit, waktu pengisian atau penukaran baterai, batching tugas dan penggabungan pesanan, penugasan tipe drone, dll.
> - Kondisi yang ditetapkan termasuk cuaca, izin ruang udara, geografi kota. Indikator evaluasi termasuk waktu pengiriman rata-rata, konsumsi energi per paket, margin keamanan, tingkat penyelesaian tugas dan distribusi waktu tunggu, dan jelaskan apakah melihat jam sibuk atau rata-rata sepanjang hari. Kendala keras setidaknya termasuk ambang margin keamanan baterai, larangan terbang atau penjadwalan ulang saat kecepatan angin melebihi batas, zona larangan terbang dan izin ruang udara tidak boleh dilanggar, muatan sekali terbang tidak melebihi batas atas tipe drone. Kriteria perbandingan harus menjelaskan bahwa jam sibuk lebih mementingkan ketepatan waktu, cuaca buruk lebih mementingkan margin keamanan dan tingkat penyelesaian, dan memperjelas rentang biaya yang dapat diterima, menghindari penggabungan kasar menjadi skor tunggal. Preferensi pelanggan, cuaca, dan kondisi ruang udara akan berubah, optimum titik tunggal hanya berlaku di bawah sekelompok asumsi
> - Kelompok kandidat mencakup kombinasi manfaat-biaya yang berbeda, ahli dapat memilih berdasarkan kendala dan preferensi hari itu, dan mengetahui batas keberlakuan serta risiko setiap solusi. Setiap solusi setidaknya diberi label manfaat, biaya, kondisi yang berlaku, risiko, dan titik perbedaan dengan solusi lain dalam kelompok yang sama. Pertama, memilih algoritma dulu, baru memikirkan masalah
> - Kedua, memaksa menggabungkan multi-objektif menjadi satu skor lalu mengambil maksimum, sama dengan menyembunyikan trade-off subjektif ke dalam skor
> - Ketiga, hanya menulis "lebih cepat, lebih kuat", tanpa menulis biaya dan batas, sulit menjawab saat tinjauan.

**Pemeriksaan Pemahaman**

Minta siswa menceritakan kembali empat pertanyaan dengan kata-kata sendiri, dan memberikan contoh rekayasa atau kehidupan sehari-hari, menjelaskan bagaimana tujuan berkonflik, bagaimana kandidat mempertahankan perbedaan, bagaimana kendala keras mengeliminasi solusi yang melanggar. Setelah memastikan siswa dapat menyebutkan tiga hal "transformasi masalah, kelompok kandidat, kriteria jawaban yang dapat digunakan", lanjut ke halaman berikutnya tentang bagaimana EvoX menangani eksplorasi multi-objektif.

<a id="lecture-page-5"></a>

### Transformasi Masalah: Dari Memilih Algoritma ke Proses Eksplorasi

*Halaman 5*

> **Tujuan Halaman:** Pembelajar harus menguasai objek yang dapat diubah, standar evaluasi, dan kondisi kendala yang perlu diperjelas saat menghadapi masalah nyata.

**Poin Pengajaran**

- Saat menerima tugas baru apa pun, pertama-tama buat daftar objek yang dapat diubah: parameter, struktur, strategi, atau proses mana yang diizinkan untuk disesuaikan? Daftar ini adalah kerangka ruang pencarian dan pengkodean. Setelah ditulis dengan jelas, baru diskusikan algoritma.
- Jangan menunggu sampai putaran terakhir baru menyadari solusi tidak dapat diterapkan. Masukkan persyaratan yang tidak dapat dinegosiasikan (seperti batas atas latensi, batas atas memori GPU, kompatibilitas penerapan) langsung ke tahap generasi atau evaluasi untuk difilter, sehingga eksplorasi hanya berlangsung di wilayah yang tidak melanggar kendala.
- Saat refleksi harus menggunakan definisi masalah yang sama: pertama-tama perbaiki ruang pencarian, metode evaluasi, dan kendala, baru bandingkan kinerja algoritma yang berbeda secara horizontal. Dengan begitu dapat menilai apakah perbedaan berasal dari algoritma, atau dari definisi masalah itu sendiri.

Tujuan Halaman

Saat menghadapi masalah nyata, jangan langsung bertanya "gunakan DE atau PSO", melainkan ubah tugas menjadi proses yang dapat dieksplorasi. Pembelajar perlu menguasai tiga hal: apa yang dapat diubah, setelah perubahan bagaimana mengevaluasi, kendala mana yang sama sekali tidak boleh dilanggar, dan memahami bahwa pemilihan algoritma hanyalah komponen yang dapat dikonfigurasi dalam loop tertutup ini.

Urutan Penjelasan

Menerima tugas langsung melakukan pemilihan algoritma, hanya menjawab "alat apa yang digunakan untuk mencari", tidak menjawab "mencari apa, apa yang dianggap baik, apa yang tidak boleh dilanggar".

Masalah nyata → Objek yang dapat diubah (parameter·struktur·strategi→pengkodean) → Metode evaluasi (fungsi tujuan, indikator, preferensi) → Kendala inti (kendala keras dan preferensi lunak) → Loop tertutup proses eksplorasi (generasi kandidat→evaluasi→umpan balik→generasi ulang) → Kelompok solusi kandidat.

Objek yang dapat diubah, metode evaluasi, kendala inti, proses eksplorasi.

4. Bandingkan perbedaan antara "pemilihan algoritma sekali jalan" dan "eksplorasi loop tertutup", tunjukkan bahwa kualitas definisi masalah menentukan batas atas eksplorasi.

5. Perkuat dengan soal pilihan ganda dan kasus model peringkat rekomendasi.

Poin Pengajaran

Mendefinisikan parameter, struktur, strategi, atau proses mana yang diizinkan untuk disesuaikan, sehingga membentuk ruang pencarian dan batas pengkodean. Tanpa itu, solusi kandidat tidak dapat direpresentasikan, juga tidak dapat dihasilkan.

Mendefinisikan setelah perubahan bagaimana menilai baik buruk, termasuk fungsi tujuan, indikator evaluasi, arah preferensi, serta metrik kelayakan dan keragaman. Metode evaluasi pada dasarnya menentukan ke arah mana pencarian akan bergerak.

Membedakan kendala keras yang harus dipenuhi dan preferensi lunak yang dapat ditimbang. Mencampur kendala keras ke dalam fungsi tujuan dengan "memberi diskon", mudah menghasilkan solusi yang tampak bernilai tinggi tetapi sama sekali tidak dapat diterapkan.

Memformalkan masalah menjadi loop tertutup "generasi kandidat—evaluasi—umpan balik—generasi ulang", membiarkan hasil evaluasi mempengaruhi generasi selanjutnya, bukan menetapkan pendekatan solusi sekali jalan.

Secara berurutan menjawab parameter mana yang dapat disesuaikan? Menggunakan indikator apa atau beberapa indikator yang saling berkonflik untuk mengevaluasi? Kendala mana yang sama sekali tidak boleh dilanggar? Setelah menjawab pertanyaan-pertanyaan ini, tugas sudah diformalkan menjadi masalah multi-objektif yang dapat terhubung ke solver evolusioner; pada saat ini menentukan algoritma mana yang digunakan, dengan konfigurasi operator apa untuk mengeksplorasi, hanyalah keputusan rekayasa yang dapat diganti di dalam loop tertutup. Dengan kata lain, algoritma bukan jawaban itu sendiri, ia hanya satu komponen yang dapat dikonfigurasi dalam proses eksplorasi, kualitas definisi masalahlah yang menentukan batas atas eksplorasi.

Mengatribusikan "kinerja algoritma tidak baik" langsung ke algoritma itu sendiri, tetapi mengabaikan definisi ruang pencarian yang kabur, indikator evaluasi yang tidak terkait dengan tujuan bisnis nyata, dan kendala keras yang hilang. Memperbaiki definisi masalah terlebih dahulu, baru membicarakan penggantian algoritma, sering kali lebih efektif daripada berulang kali mengganti algoritma.

Petunjuk Materi

Masalah nyata terlebih dahulu melewati objek yang dapat diubah, metode evaluasi, kendala inti, baru masuk ke loop tertutup proses eksplorasi. Loop tertutup menyoroti empat tahap generasi kandidat, evaluasi, umpan balik, generasi ulang, dan menekankan bahwa pemilihan algoritma hanyalah komponen di dalam loop tertutup. Saat menjelaskan dapat mengikuti panah diagram sekali, membantu siswa melihat hubungan urutan "definisi masalah" dan "eksekusi algoritma".

Penanganan Latihan

Langkah pertama harus mendefinisikan parameter, struktur, strategi, atau proses mana yang diizinkan untuk disesuaikan, membentuk ruang pencarian dan batas pengkodean. Saat umpan balik tekankan: objek yang dapat diubah membuat solusi kandidat dapat direpresentasikan, evaluasi dan iterasi selanjutnya baru dapat berlangsung.

Metode evaluasi harus mendefinisikan setelah perubahan bagaimana menilai baik buruk, termasuk fungsi tujuan, indikator, preferensi, serta metrik kelayakan dan keragaman. Saat umpan balik jelaskan bahwa ini bukan lampiran algoritma, melainkan "roda kemudi" proses eksplorasi, perlu ditentukan oleh tugas itu sendiri.

Latensi P99 tidak melebihi 80 milidetik termasuk kendala keras yang harus dipenuhi. Saat umpan balik bedakan "harus dipenuhi" dan "sebisa mungkin dipenuhi": persyaratan yang tidak dapat dinegosiasikan adalah kendala keras, kecenderungan yang dapat ditimbang adalah preferensi lunak, kendala keras harus difilter di muka pada tahap generasi atau evaluasi.

Perbedaan kunci antara loop tertutup dan pemilihan sekali jalan adalah hasil evaluasi mempengaruhi generasi selanjutnya, sehingga terus menyesuaikan arah pencarian. Saat umpan balik tekankan fokusnya bukan pada kecepatan atau jenis algoritma, melainkan apakah hasil evaluasi dapat mengalir kembali untuk mengubah cara generasi selanjutnya.

Algoritma bukan jawaban itu sendiri, karena kualitas definisi masalah menentukan batas atas eksplorasi, algoritma hanyalah komponen yang dapat dikonfigurasi dan diganti dalam proses eksplorasi. Saat umpan balik pandu siswa mengalihkan perhatian dari "ganti algoritma mana" ke "apakah definisi masalah cukup jelas".

Panduan Kasus

Kasus penyetelan multi-objektif model peringkat rekomendasi dapat diorganisir dengan "objek yang dapat diubah—metode evaluasi—kendala inti". Objek yang dapat diubah termasuk learning rate, koefisien regularisasi, jumlah lapisan jaringan, jumlah attention head, strategi kombinasi fitur; metode evaluasi adalah memaksimalkan AUC offline, meminimalkan latensi inferensi P99 online dan jumlah parameter model, sekaligus dapat menambahkan keragaman kandidat; kendala inti adalah latensi P99 tidak melebihi 80 milidetik, memori GPU tidak melebihi 12GB, dapat langsung diterapkan pada kerangka inferensi yang ada; preferensi lunak adalah parameter lebih sedikit dan latensi lebih rendah dengan syarat memenuhi kendala keras.

Generasi kandidat mengambil sampel hyperparameter dan konfigurasi struktur, evaluasi menghitung AUC dan mengukur atau memperkirakan latensi dan penggunaan memori GPU, sekaligus memeriksa kendala keras, tahap umpan balik memperbarui distribusi pencarian berdasarkan keunggulan multi-objektif dan preferensi, lalu menghasilkan generasi kandidat baru. Jaminan penerapan adalah menjadikan latensi, memori GPU, dan kompatibilitas kerangka sebagai kendala keras untuk langsung mengeliminasi solusi yang tidak layak pada tahap generasi atau evaluasi; untuk indikator mahal seperti latensi dapat menggunakan model surrogate atau pengujian skala kecil untuk penyaringan awal, kemudian melakukan verifikasi lengkap pada sejumlah kecil kandidat. Output akhir adalah sekelompok solusi kandidat yang terdistribusi baik pada trade-off tujuan, diserahkan kepada rekayasa dan produk untuk dipilih.

Pemeriksaan Pemahaman

Definisi masalah mendahului pemilihan algoritma; objek yang dapat diubah menentukan ruang pencarian dan pengkodean; metode evaluasi menentukan arah pencarian; kendala keras harus difilter di muka; algoritma hanyalah komponen yang dapat diganti dalam loop tertutup. Jika siswa hanya mengulang nama algoritma, dapat ditanya "algoritma masuk pada tahap mana? Sebelumnya perlu menentukan apa lagi?"

Petunjuk Transisi

Setelah memastikan siswa dapat menjelaskan "pertama definisikan apa yang dapat diubah, bagaimana mengevaluasi, apa yang tidak boleh dilanggar, baru organisir penyelesaian menjadi loop tertutup", lanjut ke halaman berikutnya tentang metode spesifik, aplikasi, atau ringkasan.

<a id="lecture-page-6"></a>

### Optimasi Preferensi dan Kelompok Solusi Multi-Kandidat

*Halaman 6*

> **Tujuan Halaman:** Pembelajar harus memahami peran nyata mempertahankan sekelompok solusi kandidat yang beragam dalam pengambilan keputusan ahli.

> **Tujuan Halaman**
>
> Memahami bahwa optimasi preferensi bukan menggantikan ahli dalam membuat keputusan akhir, melainkan menjadikan preferensi sebagai sinyal pemandu pencarian dan penyaringan, dan membuat algoritma menghasilkan sekelompok solusi kandidat yang dapat dibandingkan dan dijelaskan pada struktur trade-off, menyerahkan hak trade-off kepada ahli domain.

**Poin Pengajaran**

- Tidak mengompres multi-objektif menjadi skor skalar tunggal di awal
- Tidak hanya menyerahkan satu "solusi optimal", melainkan menghasilkan sekelompok solusi kandidat. Di bawah konflik multi-objektif tidak ada solusi optimal tunggal yang alami, solusi yang dapat dibandingkan akan terhubung menjadi front trade-off ideal. Jika digabungkan dengan bobot di awal, sama dengan memilih titik kompromi implisit untuk pengambil keputusan
- Begitu kendala atau preferensi berubah, solusi tersebut mungkin langsung kehilangan nilai. Titik referensi, prioritas tujuan, interval bobot, umpan balik interaktif. Semuanya digunakan bersama untuk mempersempit wilayah perhatian, meningkatkan efisiensi pencarian, bukan mengkolaps ruang solusi menjadi satu titik di awal. Nilai = keberagaman × keterjelasan. Perbedaan yang efektif bukan noise acak, juga bukan salinan perturbasi di sekitar solusi yang sama, melainkan tersebar di sepanjang struktur trade-off tujuan, dengan perwakilan di ujung konservatif, segmen kompromi, dan ujung agresif. Evolusi akan secara spontan konvergen ke wilayah optimal saat ini, sehingga memerlukan pemeliharaan distribusi, kontrol crowding distance, atau strategi archive set, jika tidak kelompok kandidat akan terdegradasi menjadi ekspresi berulang dari jawaban tunggal.

**Cakupan Kata Kunci**

- Optimasi preferensi, kelompok solusi kandidat, front trade-off ideal, pemeliharaan keberagaman, keterjelasan, kontrol crowding distance, strategi archive set.

> **Petunjuk Materi**
>
> - Sumbu horizontal adalah biaya (semakin kecil semakin baik), sumbu vertikal adalah latensi (semakin kecil semakin baik), kurva adalah front trade-off ideal, titik referensi preferensi memandu arah pencarian, solusi kandidat harus tersebar di sepanjang front
> - Sisi kanan membandingkan penjumlahan berbobot tradisional yang hanya memberikan satu titik optimal dengan optimasi preferensi yang memberikan kelompok solusi kandidat.

> **Petunjuk Latihan**
>
> - Optimasi preferensi mengkodekan preferensi pengambil keputusan ke dalam proses pencarian dan penyaringan, bukan menilai sekali jalan setelah pencarian selesai. Saat umpan balik tekankan "waktu intervensi preferensi", dan jelaskan bahwa preferensi tidak menghilangkan konflik tujuan. Perbedaan yang efektif = terdistribusi tersebar pada trade-off tujuan + setiap perbedaan dapat dijelaskan oleh struktur trade-off. Ingatkan siswa: jumlah banyak dan perbedaan besar tidak sama dengan efektif. Bentuk preferensi seperti titik referensi atau interval bobot digunakan untuk mempersempit wilayah perhatian pencarian, meningkatkan efisiensi, bukan mengkolaps ruang solusi menjadi satu titik di awal. Petunjuk: preferensi tidak menggantikan fungsi tujuan, juga tidak otomatis menjamin keragaman. Tanpa pemeliharaan distribusi, kontrol crowding distance, atau strategi archive set, evolusi secara alami konvergen ke wilayah optimal saat ini, kelompok kandidat menjadi salinan berulang di sekitar solusi yang sama. Perubahan bentuk output berarti perubahan kepemilikan hak keputusan: algoritma menyediakan kelompok kandidat yang dapat dibandingkan, ahli domain menggabungkan kendala nyata untuk menyelesaikan trade-off akhir, dan dapat menggunakan hasil pilihan sebagai umpan balik untuk iterasi selanjutnya. Dalam penjadwalan armada pengiriman kota dan keputusan rute, optimasi preferensi dalam proses pencarian menggunakan titik referensi, prioritas tujuan, interval bobot, atau umpan balik interaktif sebagai sinyal pemilihan dan penyaringan dalam iterasi
> - Dalam bentuk output, dari satu "penjadwalan optimal" menjadi kelompok solusi kandidat di sepanjang front trade-off biaya-latensi, misalnya konservatif (prioritas menekan biaya), kompromi (biaya dan latensi seimbang), agresif (prioritas menekan latensi). Jika semua solusi kandidat sangat dekat pada biaya dan latensi, harus curiga kurangnya mekanisme pemeliharaan keberagaman
> - Saat menilai apakah perbedaan efektif, proyeksikan solusi ke bidang biaya-latensi, lihat apakah titik-titik tersebar jelas di sepanjang front, dan apakah arah kompromi setiap titik dapat dijelaskan oleh struktur trade-off tujuan.

**Pemeriksaan Pemahaman**

Minta siswa membedakan dengan kata-kata sendiri "memandu" dan "menggantikan", dan menjelaskan mengapa nilai kelompok kandidat sama dengan keberagaman × keterjelasan. Jika siswa hanya menekankan jumlah banyak, tanyakan: "Apakah solusi-solusi ini dapat dijelaskan sebagai pola kompromi yang berbeda pada trade-off tujuan?"

> **Petunjuk Transisi**
>
> Setelah memastikan siswa dapat menjelaskan bahwa optimasi preferensi bertujuan mempertahankan hak trade-off ahli, kelompok kandidat harus dapat dibandingkan dan dijelaskan, lanjut ke halaman berikutnya tentang kasus aplikasi atau detail metode.

<a id="lecture-page-7"></a>

### Latar Belakang Praktik Multi-Objektif Desain Airfoil Superkritis

*Halaman 7*

> **Tujuan Halaman:** Pembelajar harus memahami skenario aplikasi spesifik dan berbagai kendala dalam desain airfoil superkritis di rekayasa penerbangan.

> **Tujuan Halaman**
>
> Memahami skenario rekayasa nyata desain airfoil superkritis, menguasai konflik multi-objektif dan kendala, mengetahui bahwa output yang wajar adalah sekelompok solusi kompromi bukan solusi optimal tunggal.

**Poin Pengajaran**

- 1. Kondisi operasi dan sumber fisik. Saat jelajah transonik, aliran dipercepat hingga supersonik di permukaan atas airfoil, kemudian diperlambat melalui gelombang kejut
- Posisi dan intensitas gelombang kejut mempengaruhi tingkat gaya hambat dan batas awal buffeting secara bersamaan. Oleh karena itu desain bukan mendorong satu indikator ke ekstrem, melainkan membuat beberapa indikator jatuh dalam rentang yang dapat diterima secara bersamaan. 2. Tiga kendala. Koefisien gaya angkat buffeting kritis memberikan batas keamanan dan gaya angkat yang dapat digunakan, terjadinya buffeting lebih awal akan mempersempit margin buffeting dan envelope terbang, termasuk ambang yang tidak boleh dilanggar
- Rasio gaya angkat terhadap gaya hambat jelajah mencerminkan efisiensi aerodinamis dan ekonomi, menentukan jangkauan, konsumsi bahan bakar, dan biaya operasional, merupakan item manfaat utama
- Biaya simulasi presisi tinggi mahal, biaya evaluasi tunggal besar, membatasi ruang desain yang dapat dieksplorasi, merupakan kendala sumber daya. 3. Sumber konflik. Meningkatkan rasio gaya angkat terhadap gaya hambat jelajah biasanya memerlukan platform hisap tepi depan yang lebih kuat dan gelombang kejut yang lebih ke belakang, tetapi ini akan melemahkan batas buffeting
- Untuk menjaga margin buffeting dengan memperlambat airfoil, mungkin mengorbankan efisiensi jelajah. Manifestasi tipikal adalah "meningkatkan satu item, memperburuk item lain". 4. Pendekatan solusi. Yang benar-benar dibutuhkan dalam rekayasa adalah sekelompok solusi kompromi Pareto yang berlaku di bawah preferensi yang berbeda, memungkinkan pengambil keputusan membuat pilihan yang dapat dijelaskan antara keselamatan, efisiensi, dan biaya. Dapat menggabungkan airfoil dasar dengan sampel perturbasi untuk terus menghasilkan dan memprediksi, mengubah penyaringan serial menjadi eksplorasi multi-objektif paralel, menghasilkan solusi kandidat yang beragam. 5. Poin penilaian. Selama muncul "meningkatkan suatu indikator akan memperburuk indikator lain" dan indikator memiliki batas bawah yang keras, harus ditangani sebagai masalah kendala multi-objektif, jangan mencari solusi optimal tunggal yang tidak ada.

**Cakupan Kata Kunci**

- Airfoil superkritis
- Koefisien gaya angkat buffeting kritis
- Rasio gaya angkat terhadap gaya hambat jelajah
- Biaya simulasi presisi tinggi
- Konflik dan trade-off multi-objektif
- Front Pareto
- Domain kompromi yang layak.

> **Petunjuk Materi**
>
> - Dapat menggunakan diagram penampang airfoil untuk menjelaskan wilayah hisap permukaan atas, gelombang kejut, dan tekanan tinggi permukaan bawah
> - Gunakan diagram ruang trade-off multi-objektif untuk menjelaskan hubungan trade-off antara rasio gaya angkat terhadap gaya hambat jelajah dan margin buffeting, domain kompromi yang layak, wilayah terdominasi, dan front Pareto.

**Penanganan Latihan**

Soal pilihan ganda secara berurutan menguji esensi kompromi multi-objektif, peran batas keamanan koefisien buffeting, hubungan rasio gaya angkat terhadap gaya hambat jelajah dengan efisiensi ekonomi, trial-and-error serial yang dibatasi anggaran simulasi, pendekatan yang wajar adalah mempertahankan solusi kompromi Pareto. Setelah menjawab minta siswa menjelaskan alasannya, jika salah kembali ke paragraf yang sesuai untuk memeriksa tiga jenis informasi "tujuan, kendala, sumber daya". Soal kasus pertama menentukan tujuan sebagai memaksimalkan rasio gaya angkat terhadap gaya hambat jelajah, kendala sebagai ambang keamanan koefisien buffeting dan batas atas anggaran simulasi; kemudian jelaskan menggunakan airfoil dasar ditambah sampel perturbasi untuk generasi dan prediksi, mengeksplorasi secara paralel di bawah jumlah evaluasi terbatas, menghasilkan himpunan solusi kandidat yang dapat dijelaskan, standar evaluasi adalah nilai spesifik setiap solusi pada batas buffeting dan rasio gaya angkat terhadap gaya hambat jelajah.

**Pemeriksaan Pemahaman**

Di halaman ini mana yang merupakan tujuan manfaat, mana yang merupakan ambang yang tidak boleh dilanggar, mengapa trial-and-error titik demi titik tradisional sulit berhasil. Jika siswa hanya dapat mengulang istilah, tanyakan "meningkatkan rasio gaya angkat terhadap gaya hambat jelajah akan bagaimana mempengaruhi margin buffeting".

> **Petunjuk Transisi**
>
> Setelah memastikan siswa dapat membedakan tujuan dan kendala, dan dapat menjelaskan konflik "satu naik satu turun", lanjut ke halaman berikutnya tentang contoh soal, aplikasi, atau ringkasan.

<a id="lecture-page-8"></a>

### Kelanjutan Airfoil Dasar dan Sampel Perturbasi

*Halaman 8*

> **Tujuan Halaman:** Pembelajar harus menguasai bagaimana sistem menggabungkan airfoil dasar dan sampel perturbasi untuk prediksi berkelanjutan.

> **Tujuan Halaman**
>
> Memahami loop tertutup "airfoil dasar—sampel perturbasi—prediksi/evaluasi—umpan balik evolusi—generasi berkelanjutan" dalam optimasi airfoil, menguasai bagaimana airfoil dasar menyediakan jangkar yang stabil, bagaimana sampel perturbasi menyediakan keragaman, dan bagaimana umpan balik evolusi membuat eksplorasi multi-objektif berkelanjutan dan dapat diskalakan.

> **Urutan Penjelasan**
>
> 1. Pertama tetapkan baseline. Airfoil dasar harus terlebih dahulu memenuhi kendala tugas, ia mendefinisikan ruang parametrik, rentang perturbasi, dan standar evaluasi. Tanpa baseline, ruang pencarian mudah melayang tidak teratur, dan airfoil kandidat sulit dibandingkan secara adil.
>
> 2. Kemudian hasilkan perturbasi. Di sekitar airfoil dasar, terapkan perturbasi terkontrol pada distribusi ketebalan, camber, atau parameter titik kontrol, hasilkan keluarga sampel secara berkelanjutan dalam batch atau online. Perturbasi kecil untuk penyempurnaan lokal, perturbasi besar untuk cakupan global; intensitas, arah, dan distribusi sampling perturbasi harus dapat dikontrol.
>
> 3. Prediksi/evaluasi batch. Kirim setiap putaran sampel ke tahap prediksi/evaluasi, output kinerja multi-kandidat pada tujuan. Kinerja ini bukan titik akhir, melainkan dasar langsung untuk seleksi, pembaruan, dan pengambilan sampel ulang evolusi selanjutnya.
>
> 4. Tutup dengan umpan balik. Sesuaikan intensitas, arah, atau distribusi sampling perturbasi putaran berikutnya berdasarkan umpan balik evolusi, sehingga loop tertutup benar-benar berkelanjutan, bukan pengambilan sampel independen yang diulang setiap putaran.

**Poin Pengajaran**

- Pemilihan airfoil dasar
- Generasi berkelanjutan sampel perturbasi
- Prediksi multi-sampel digabungkan dengan evolusi
- Loop tertutup berkelanjutan. Airfoil dasar adalah referensi stabil, bukan jawaban akhir
- Ia membuat sampel perturbasi yang berbeda dapat dibandingkan di bawah standar evaluasi yang sama. Sampel perturbasi bertanggung jawab atas keragaman, lokal dan global harus dipertimbangkan bersama. Jika setiap putaran hanya melakukan perturbasi kecil pada arah yang sama, populasi mudah prematur
- Jika perturbasi besar sepenuhnya acak, mungkin memboroskan anggaran evaluasi. Yang lebih aman adalah mencampur perturbasi lokal dan global, dan menggunakan umpan balik untuk menentukan fokus sampling putaran berikutnya. Umpan balik evolusi harus mempengaruhi strategi generasi perturbasi putaran berikutnya. Jika hanya mencatat hasil tanpa mengubah sampling, loop tertutup akan terdegradasi menjadi proses loop terbuka.

**Penanganan Latihan**

Peran utama airfoil dasar adalah sebagai jangkar stabil untuk parametrik, rentang perturbasi, dan baseline evaluasi. Saat jawaban benar tekankan bahwa ia dapat menjangkarkan ruang pencarian, menghindari kandidat melayang tidak teratur, dan membuat sampel dapat dibandingkan secara adil; saat jawaban salah kembali ke bukti "apa konsekuensinya jika kekurangan baseline".

Saat menghasilkan sampel perturbasi secara berkelanjutan, harus menyesuaikan intensitas, arah, dan distribusi sampling perturbasi dalam batch atau online. Perturbasi kecil satu arah membatasi keragaman, perturbasi besar sepenuhnya acak memboroskan anggaran, keduanya tidak cukup untuk mempertimbangkan penyempurnaan lokal dan cakupan global.

Setelah sampel perturbasi dikirim secara batch ke prediksi/evaluasi, output utama adalah kinerja multi-kandidat pada tujuan, untuk digunakan dalam seleksi, pembaruan, dan pengambilan sampel ulang evolusi. Dapat diingatkan: prediksi/evaluasi adalah input proses evolusi, bukan label hardcoded atau jawaban akhir.

Umpan balik evolusi mendukung generasi "berkelanjutan" dengan menyesuaikan intensitas, arah, atau distribusi sampling perturbasi, lalu menambah sampel putaran berikutnya. Jika umpan balik hanya mencatat tanpa mengubah sampling, loop tertutup tidak dapat terus meningkat.

Pendekatan yang paling mencerminkan loop tertutup adalah setiap putaran menghasilkan keluarga sampel airfoil, setelah evaluasi/prediksi masuk ke evolusi, lalu berdasarkan hasil menambah sampel perturbasi putaran berikutnya. Tanpa salah satu langkah generasi sampel, evaluasi/prediksi, umpan balik evolusi, atau pengambilan sampel ulang, tidak dapat membentuk optimasi berkelanjutan.

Petunjuk Kasus:

Dalam optimasi airfoil dasar superkritis, tujuannya adalah memaksimalkan rasio gaya angkat terhadap gaya hambat, meminimalkan divergence gaya hambat, mempertahankan kendala ketebalan struktur; setiap putaran dapat menghasilkan 256 sampel, evaluasi memakan waktu lama. Satu putaran proses dapat dirancang sebagai: dengan airfoil dasar sebagai jangkar, terapkan perturbasi terkontrol pada distribusi ketebalan, camber, atau titik kontrol, menghasilkan sekumpulan sampel airfoil; kirim secara batch ke prediksi/evaluasi, mendapatkan kinerja rasio gaya angkat terhadap gaya hambat, divergence gaya hambat, kendala ketebalan, dll.; kemudian masuk ke seleksi, pembaruan, dan pengambilan sampel ulang evolusi; terakhir sesuaikan intensitas, arah, atau distribusi sampling perturbasi putaran berikutnya berdasarkan umpan balik. Airfoil dasar tidak dapat diganti sembarangan, karena ia mendefinisikan ruang parametrik, rentang perturbasi, dan baseline evaluasi; penggantian akan membuat ruang pencarian melayang, kandidat tidak dapat dibandingkan, loop tertutup kehilangan referensi yang stabil.

Jika evolusi stagnan selama beberapa putaran berturut-turut, dapat menggunakan umpan balik untuk meningkatkan intensitas perturbasi atau memperluas distribusi sampling, memperkenalkan keragaman global; juga dapat menyesuaikan arah perturbasi, melakukan eksplorasi terarah pada parameter sensitif seperti ketebalan dan camber; juga dapat mencampur perturbasi halus lokal dengan perturbasi global, meningkatkan batch sampel atau menambah online, dan mempertahankan kandidat beragam pada front Pareto, menghindari populasi prematur.

Minta siswa menceritakan kembali empat tahap dalam loop tertutup dengan satu kalimat, dan menjelaskan mengapa airfoil dasar tidak dapat digantikan oleh sampel perturbasi. Setelah memastikan siswa dapat menyebutkan hubungan "pertama tetapkan jangkar, kemudian kontrol perturbasi, evaluasi masuk evolusi, umpan balik menyesuaikan putaran berikutnya", lanjut ke halaman berikutnya tentang contoh soal, aplikasi, atau ringkasan.

<a id="lecture-page-9"></a>

### Aplikasi Model Surrogate dalam Menghadapi Biaya Simulasi yang Tinggi

*Halaman 9*

> **Tujuan Halaman:** Pembelajar harus memahami bagaimana model surrogate secara efektif mengatasi hambatan biaya simulasi presisi tinggi yang mahal.

> **Tujuan Halaman**
>
> Memahami mengapa model surrogate dapat secara efektif mengatasi hambatan biaya simulasi berfidelitas tinggi yang mahal, dan menguasai posisinya, cara intervensinya, dan kontrol risikonya dalam optimasi evolusioner multi-objektif.

> **Urutan Penjelasan**
>
> Pertama tunjukkan bahwa menyematkan simulasi berfidelitas tinggi langsung ke dalam loop evolusi akan menyebabkan anggaran cepat habis; kemudian jelaskan bagaimana model surrogate sebagai "evaluator aproksimasi murah" menggantikan evaluasi titik demi titik; kemudian gunakan perbandingan optimasi berfidelitas tinggi langsung dan optimasi berbantuan surrogate untuk menjelaskan mekanisme percepatan; lalu fokus pada empat tahap pelatihan offline, prediksi batch online, pemilihan titik berbantuan surrogate, dan koreksi backfill; terakhir diskusikan trade-off presisi dan biaya, risiko out-of-distribution, kesalahpahaman umum, dan daftar periksa mandiri.

**Poin Pengajaran**

- Dalam masalah airfoil superkritis, kekuatan struktur, dll., simulasi CFD atau elemen hingga tunggal memakan waktu puluhan menit hingga berjam-jam. Algoritma evolusi harus mengevaluasi seluruh populasi setiap generasi, jumlah evaluasi dan anggaran hampir dikonsumsi secara linear, anggaran akan habis oleh beberapa generasi saja. Ukuran populasi dan jumlah iterasi terpaksa dikompresi, front multi-objektif sulit dieksplorasi sepenuhnya, ruang desain diblokir oleh "tidak mampu mengevaluasi". Belajar pemetaan input-output dari sampel simulasi yang ada, memprediksi nilai tujuan dan kinerja kendala solusi kandidat dengan cepat
- Ia bukan simulasi yang lebih presisi, melainkan aproksimasi yang lebih murah. Ia menggantikan evaluasi titik demi titik, bukan tahap verifikasi. Sisi kiri optimasi berfidelitas tinggi langsung memiliki kandidat sedikit, waktu tunggal lama, total evaluasi sedikit, cakupan pencarian sempit
- Sisi kanan optimasi berbantuan surrogate memiliki kandidat banyak, prediksi tunggal sangat rendah, total evaluasi banyak, cakupan lebih luas, anggaran berfidelitas tinggi terkonsentrasi pada kandidat kunci, disertai penyaringan ambang ketidakpastian dan sejumlah kecil verifikasi berfidelitas tinggi. Pelatihan offline membangun pemetaan awal
- Prediksi batch online setiap generasi semua kandidat
- Pemilihan titik berbantuan surrogate menggabungkan nilai prediksi dan ketidakpastian untuk memilih kandidat berpotensi tinggi atau berinformasi tinggi
- Koreksi backfill menulis kembali sejumlah kecil hasil berfidelitas tinggi ke perpustakaan sampel dan memperbarui surrogate secara inkremental. Surrogate yang lebih kompleks biasanya lebih akurat, tetapi biaya pelatihan dan inferensi meningkat. Kendala kunci adalah surrogate harus jauh lebih cepat dari simulasi berfidelitas tinggi, sekaligus cukup akurat untuk mendukung tekanan seleksi, jika tidak akan menjadi hambatan baru atau membawa evolusi ke arah yang salah. Surrogate hanya dapat diandalkan di sekitar distribusi pelatihan. Prediksi out-of-distribution mungkin tampak wajar tetapi menyimpang jauh dari nilai sebenarnya, menyesatkan pencarian. Pendekatan yang layak termasuk output estimasi ketidakpastian, menetapkan ambang kepercayaan, memaksa verifikasi berfidelitas tinggi untuk kandidat yang melanggar batas, menggunakan statistik kesalahan untuk memeriksa kualitas surrogate secara berkala. Model surrogate tidak membatalkan verifikasi, juga tidak menyelesaikan masalah dengan mengompres populasi
- Nilainya adalah memusatkan anggaran berfidelitas tinggi yang langka ke kandidat yang paling kritis dan paling tidak pasti.

**Cakupan Kata Kunci**

- Model surrogate, simulasi berfidelitas tinggi, evaluator aproksimasi murah, pelatihan offline, prediksi batch online, pemilihan titik berbantuan surrogate, koreksi backfill, ambang ketidakpastian, prediksi out-of-distribution, trade-off presisi dan biaya.

> **Petunjuk Latihan**
>
> - Menjalankan simulasi berfidelitas tinggi untuk setiap kandidat, diubah menjadi penyaringan aproksimasi batch surrogate ditambah sejumlah kecil verifikasi berfidelitas tinggi. Pilihan yang salah sering keliru menganggap membatalkan verifikasi atau mengompres populasi. Biaya simulasi tunggal tinggi, mengevaluasi seluruh populasi setiap generasi akan cepat menghabiskan anggaran. Batasan berasal dari biaya, bukan diferensiabilitas atau kemampuan multi-objektif. Model yang lebih kompleks biasanya lebih akurat tetapi pelatihan dan inferensi lebih lambat, perlu cocok dengan kecepatan pencarian evolusi. Tidak dapat menganggap kompleksitas tanpa biaya atau semakin sederhana semakin akurat. Prediksi mungkin menyimpang jauh dari nilai sebenarnya dan menyesatkan pencarian. Surrogate tidak otomatis beralih ke berfidelitas tinggi, juga tidak otomatis mengoreksi, perlu dikontrol melalui ketidakpastian dan verifikasi. Membiarkan surrogate terus mengoreksi ke permukaan respons sebenarnya, mengurangi bias prediksi selanjutnya. Ia bukan untuk mengurangi jumlah kandidat atau menggantikan estimasi ketidakpastian. Proses dapat ditulis sebagai sampling awal, pelatihan offline, prediksi batch online, penyaringan, verifikasi berfidelitas tinggi, pembaruan backfill, iterasi loop
> - Kontrol risiko menekankan estimasi ketidakpastian, ambang kepercayaan, menyisihkan anggaran penambahan sampel, pemantauan statistik kesalahan, dan memprioritaskan anggaran berfidelitas tinggi untuk kandidat di dekat front.

**Pemeriksaan Pemahaman**

Minta siswa menjelaskan dengan kata-kata sendiri lima hal — siapa menggantikan siapa, pada tahap mana surrogate masuk, bagaimana menyaring prediksi yang tidak dapat dipercaya, anggaran berfidelitas tinggi dihabiskan untuk kandidat mana, bagaimana hasil verifikasi dikembalikan untuk mengoreksi surrogate.

> **Petunjuk Transisi**
>
> Setelah memastikan siswa dapat membedakan "penyaringan aproksimasi" dan "verifikasi nyata", lanjut ke halaman berikutnya tentang aplikasi atau ringkasan.

<a id="lecture-page-10"></a>

### Output Solusi Kandidat Beragam yang Mempertimbangkan Berbagai Indikator

*Halaman 10*

> **Tujuan Halaman:** Pembelajar harus menguasai bagaimana sistem akhirnya menghasilkan kombinasi solusi kandidat yang mempertimbangkan berbagai indikator.

> **Tujuan Halaman**
>
> Memahami bahwa dalam optimasi rekayasa multi-objektif, output sistem bukan solusi optimal tunggal, melainkan sekelompok solusi kandidat beragam yang mempertimbangkan berbagai indikator; menguasai mekanisme evaluasi multi-indikator, peran model surrogate, metode perbandingan front Pareto, dan persyaratan reproduktifitas.

> **Urutan Penjelasan**
>
> 1. Pertama konfirmasi bentuk output. Dalam masalah multi-objektif seperti desain airfoil, yang akhirnya dikirimkan adalah sekelompok solusi kandidat, bukan jawaban titik tunggal. Perlu mengamati bentuk trade-off seluruh kelompok kandidat pada indikator seperti koefisien gaya angkat buffeting kritis, rasio gaya angkat terhadap gaya hambat jelajah, kontrol berat struktur, ketahanan terhadap perturbasi.
>
> 2. Jelaskan mengapa bukan jawaban titik tunggal. Ketika tujuan saling berkonflik, misalnya meningkatkan koefisien gaya angkat buffeting kritis sering disertai penurunan rasio gaya angkat terhadap gaya hambat jelajah, tidak ada solusi layak yang unggul pada semua indikator secara bersamaan. Jika evaluasi didominasi oleh satu indikator, pencarian akan konvergen ke solusi kompromi yang cukup baik secara rata-rata tetapi tidak menonjol pada indikator kunci, bahkan kehilangan arah desain dengan preferensi yang jelas.
>
> 3. Jelaskan mekanisme generasi dan prediksi. Mekanisme evaluasi yang mempertimbangkan berbagai indikator memasukkan berbagai kendala dan tujuan ke dalam ruang evaluasi yang sama; generasi dan prediksi berkelanjutan terus menghasilkan kandidat baru di sekitar airfoil dasar dan sampel perturbasi, dan menggunakan model surrogate untuk memperkirakan indikator dengan cepat, sehingga meringankan hambatan biaya simulasi presisi tinggi yang mahal.
>
> 4. Jelaskan output dan cara perbandingan. Solusi kandidat mencakup preferensi indikator dan posisi trade-off yang berbeda. Gambarkan dua indikator kunci sebagai scatter plot, titik-titik di tepi luar yang tidak dilampaui oleh kandidat lain pada semua indikator secara bersamaan membentuk front Pareto, titik-titik di sisi dalam terdominasi. Tinjauan rekayasa biasanya pertama memilih solusi dari front, kemudian kembali ke simulasi presisi tinggi untuk konfirmasi; posisi berbeda pada front justru sesuai dengan orientasi prioritas penekanan buffeting atau prioritas efisiensi jelajah.
>
> 5. Tekankan reproduktifitas. Setiap kandidat harus dapat dilacak ke airfoil dasar dan sumber perturbasi, hasil evaluasi pada indikator-indikator ini, dan posisinya pada front Pareto. Tanpa salah satunya, perbandingan solusi sulit diverifikasi.

**Poin Pengajaran**

- Mekanisme evaluasi yang mempertimbangkan berbagai indikator, generasi dan prediksi berkelanjutan, bentuk output yang beragam, komparabilitas. Model surrogate adalah saringan bukan verifikasi akhir, ia bertanggung jawab untuk perkiraan cepat dan penyaringan terarah, tidak dapat menggantikan verifikasi simulasi presisi tinggi pada kandidat kunci.

> **Petunjuk Materi**
>
> - Diagram radar menggunakan kurva tertutup untuk menunjukkan preferensi indikator airfoil kandidat yang berbeda
> - Scatter plot semakin ke kanan atas berarti kedua indikator semakin baik secara bersamaan
> - Garis putus-putus menandai kandidat non-dominan, titik abu-abu menunjukkan kandidat terdominasi.

**Penanganan Latihan**

Latihan halaman ini berkisar pada bentuk output, tanggung jawab model surrogate, nilai keberagaman, catatan reproduktifitas, dan hubungan dua indikator. Arah referensi: sistem mengirimkan sekelompok solusi kandidat yang mempertimbangkan trade-off yang berbeda; model surrogate melakukan perkiraan cepat dan memandu penyaringan, akhirnya masih memerlukan verifikasi presisi tinggi pada kandidat kunci; nilai keberagaman terletak pada secara eksplisit mempertahankan posisi trade-off antara indikator yang berkonflik, mendukung perbandingan dan pengambilan keputusan; harus mempertahankan hasil multi-dimensi setiap kandidat dan sumber perturbasi generasi; koefisien gaya angkat buffeting kritis dan rasio gaya angkat terhadap gaya hambat jelajah pada front biasanya saling bertukar. Dalam soal kasus, alasan tidak menjalankan simulasi presisi tinggi satu per satu adalah karena jumlah kandidat besar dan terus bertambah, sedangkan biaya simulasi tunggal mahal; model surrogate terlebih dahulu mempersempit cakupan, sejumlah kecil solusi kunci kemudian diverifikasi.

Jika tinjauan harus memilih antara prioritas penekanan buffeting dan prioritas efisiensi jelajah, kelompok kandidat menyediakan pilihan yang tersedia, front Pareto menandai posisi trade-off optimal, catatan yang dapat dibandingkan menjamin reproduktifitas dan verifikasi.

**Pemeriksaan Pemahaman**

Minta siswa menjelaskan dengan kata-kata sendiri mengapa sistem mengeluarkan kelompok solusi kandidat bukan jawaban titik tunggal, dan menyebutkan setidaknya tiga catatan yang mendukung reproduktifitas.

> **Petunjuk Transisi**
>
> Setelah memastikan siswa dapat membedakan peran penyaringan model surrogate dan konfirmasi simulasi presisi tinggi, lanjut ke halaman berikutnya.

<a id="lecture-page-11"></a>

### Menghadapi Konflik Tujuan dan Umpan Balik Jarang dalam Rekayasa Kompleks

*Halaman 11*

> **Tujuan Halaman:** Pembelajar harus memahami metode menghadapi umpan balik jarang dan konflik tujuan dalam praktik rekayasa.

> **Tujuan Halaman**
>
> Memahami normalitas konflik tujuan dan umpan balik jarang dalam optimasi rekayasa kompleks, menguasai pendekatan mengatasi dengan kompromi multi-objektif dinamis menggantikan optimum tujuan tunggal.

**Poin Pengajaran**

- Rekayasa nyata sering mengejar kinerja, biaya, keandalan, konsumsi energi, dan kendala manufaktur secara bersamaan, indikator-indikator ini saling membatasi. Misalnya dalam desain airfoil superkritis, meningkatkan rasio gaya angkat terhadap gaya hambat mungkin memperparah divergence gaya hambat, memperkuat struktur akan menambah berat dan kesulitan manufaktur. Kuncinya bukan mengurutkan indikator, melainkan mengidentifikasi segmen mana dari front Pareto saat ini, memperjelas apa yang dapat ditukar. Metode evaluasi seperti simulasi berfidelitas tinggi, eksperimen fisik memiliki biaya tinggi, siklus panjang, noise besar, dan sering mengembalikan sampel gagal. Sinyal evaluasi efektif sedikit, tertunda, tidak kontinu, anggaran evaluasi menjadi kendala keras. Bias model surrogate diperbesar, risiko overfitting dan konvergensi terlalu dini meningkat, eksplorasi dan eksploitasi mudah tidak seimbang, preferensi tetap sulit beradaptasi dengan penemuan bertahap. Gunakan model surrogate dan evaluasi multi-fidelitas untuk mengurangi biaya umpan balik tunggal
- Gunakan sampling aktif dan eksperimen batch untuk meningkatkan efisiensi sampel
- Gunakan evolusi multi-objektif untuk memelihara beberapa kandidat non-dominan, menjaga keragaman front Pareto
- Perbarui preferensi dan kendala secara dinamis sesuai hasil evaluasi, output himpunan kandidat beragam untuk evaluasi ahli. Tujuannya bukan menghilangkan konflik, melainkan membuat konflik, risiko, dan hubungan kompromi dapat dijelaskan, tidak bergantung pada mengetahui jawaban tunggal di awal.

> **Petunjuk Latihan**
>
> - 5 soal pilihan ganda halaman ini masing-masing menguji (1) identifikasi konflik tujuan
> - (2) karakteristik umpan balik jarang
> - (3) pengaruh bias model surrogate di bawah umpan balik jarang
> - (4) pendekatan meningkatkan efisiensi sampel
> - (5) pemahaman yang wajar tentang pembaruan preferensi dan kendala. Saat menjawab perlu menangkap kata kunci seperti "sedikit, mahal, lambat, berisik, sampel gagal", membedakan konflik tujuan dan umpan balik jarang. Desain multi-objektif pelat pendingin cair. Konflik tujuan tercermin dalam kinerja pendinginan, penurunan tekanan, berat, biaya, dan kemampuan manufaktur yang saling membatasi
> - Umpan balik jarang tercermin dalam CFD berfidelitas tinggi memerlukan puluhan jam, eksperimen bangku memerlukan minggu dan berfluktuasi, sampel proses yang tidak layak langsung gagal. Penanganan: sisi evaluasi menggunakan model surrogate dan evaluasi multi-fidelitas, sampling aktif
> - Sisi pencarian menggunakan evolusi multi-objektif untuk menjaga keragaman
> - Sisi preferensi memperbarui bobot, kendala, dan titik referensi secara bertahap, menghindari terkunci oleh bobot tetap awal.

**Pemeriksaan Pemahaman**

Minta siswa merangkum dengan kata-kata sendiri perbedaan antara konflik tujuan dan umpan balik jarang, dan memberikan contoh peran setiap tahap dalam loop tertutup penyesuaian dinamis.

> **Petunjuk Transisi**
>
> Setelah memastikan siswa dapat menyebutkan hubungan inti "konflik tujuan + umpan balik jarang → kompromi multi-objektif dinamis", lanjut ke halaman berikutnya.

<a id="lecture-page-12"></a>

### Peran Keputusan Ahli Domain dan Evaluasi Solusi

*Halaman 12*

> **Tujuan Halaman:** Pembelajar harus memahami pembagian tanggung jawab antara ahli manusia dan sistem otomatis dalam eksplorasi multi-objektif.

> **Tujuan Halaman**
>
> Memahami bagaimana sistem otomatis dan ahli domain bekerja sama dalam proses eksplorasi multi-objektif, dan bagaimana ahli mengubah pengalaman domain menjadi logika evaluasi dan keputusan yang dapat diverifikasi dan dilacak.

> **Urutan Penjelasan**
>
> Pertama tunjukkan "sistem menyebarkan kemungkinan, ahli mengkonvergensi kemungkinan", kemudian jelaskan batas tanggung jawab sisi sistem dan sisi ahli; kemudian jelaskan mengapa optimum tujuan tunggal tidak sama dengan solusi yang dapat dikirim, memperkenalkan matriks evaluasi manfaat-biaya; lalu berikan urutan keputusan veto ambang, trade-off manfaat-biaya, analisis sensitivitas; terakhir jelaskan verifikasi, pengambilan sampel ulang atau keputusan penghentian di bawah umpan balik jarang, dan alasan pemilihan mengalir kembali membentuk loop tertutup tanggung jawab.

**Poin Pengajaran**

- Sisi sistem menyelesaikan generasi kandidat skala besar, prediksi model surrogate, penggambaran front Pareto dan pemeliharaan keragaman, menjawab "apa saja kemungkinannya"
- Sisi ahli menyuntikkan prioritas tujuan, kendala keras dan toleransi risiko, menilai kesesuaian skenario nyata, membuat pilihan akhir dan bertanggung jawab, menjawab "mana yang harus dipilih, mengapa". Batasnya adalah: sistem menyediakan himpunan kandidat yang dapat dibandingkan dan prediksi terkuantifikasi, tetapi tidak menggantikan ahli dalam menentukan batas bawah dan preferensi
- Ahli menyediakan preferensi, kendala, dan standar keputusan, tetapi tidak secara pribadi menyelesaikan generasi dan penyaringan kandidat dalam jumlah besar. Evaluasi solusi harus mengubah manfaat kinerja dan biaya rekayasa menjadi dasar yang dapat dijelaskan dan diaudit. Selain manfaat kinerja, juga harus memeriksa biaya komputasi dan manufaktur, ketahanan, kemudahan perawatan, ketidakpastian, dan kredibilitas kesimpulan di bawah umpan balik jarang. Optimum tujuan tunggal sering tidak dapat dikirim, evaluasi multi-dimensi memungkinkan kandidat yang berbeda menampilkan skenario yang sesuai masing-masing. Ungkapkan pengalaman domain sebagai preferensi eksplisit, evaluasi berlapis, matriks keputusan, item veto ambang, dan analisis sensitivitas. Urutan umum adalah pertama menggunakan kendala keras untuk "veto satu suara" kandidat yang melanggar persyaratan batas bawah, kemudian melakukan trade-off manfaat-biaya pada kandidat yang tersisa, terakhir menggunakan analisis sensitivitas untuk mengkonfirmasi apakah kesimpulan robust terhadap perturbasi bobot. Menggunakan skor berbobot total untuk mengkompensasi cacat keras adalah kesalahpahaman paling umum. Ketika evaluasi berfidelitas tinggi mahal dan umpan balik jarang, ahli harus berdasarkan tingkat kepercayaan model surrogate, keragaman kandidat, dan pola kegagalan yang telah diamati, memutuskan verifikasi, pengambilan sampel ulang, atau penghentian pencarian, bukan mempercayai "solusi optimal" yang diberikan model surrogate secara buta. Pilihan akhir dan penanggung jawaban risiko milik ahli domain
- Alasan pemilihan harus mengalir kembali sebagai preferensi, kendala, atau sinyal evaluasi, memandu pencarian evolusi berikutnya, membentuk loop tertutup tanggung jawab. Dalam desain multi-objektif airfoil superkritis, sistem mengeluarkan kandidat yang mempertimbangkan gaya hambat, gaya angkat, dan stabilitas
- Ahli menggabungkan biaya terowongan angin dan simulasi, toleransi manufaktur, dan profil misi, pertama mengeliminasi yang melanggar kendala keras, kemudian melakukan trade-off manfaat-biaya pada solusi yang tersisa, memilih sejumlah kecil untuk masuk verifikasi berfidelitas tinggi, dan mengalirkan kembali alasan putaran ini sebagai preferensi dan kendala putaran berikutnya.

**Cakupan Kata Kunci**

- Eksplorasi multi-objektif, generasi dan penyaringan, penilaian dan keputusan, front Pareto, matriks evaluasi manfaat-biaya, veto ambang, analisis sensitivitas, umpan balik jarang, loop tertutup tanggung jawab.

> **Petunjuk Latihan**
>
> - 1. Sisi sistem bertanggung jawab atas generasi kandidat skala besar, prediksi model surrogate, dan penggambaran front Pareto
> - Jika memilih penentuan kendala keras, prioritas tujuan, atau penanggung jawaban risiko, ingatkan bahwa ini milik sisi ahli. 2. Harus menggabungkan manfaat kinerja, biaya komputasi dan manufaktur, ketahanan, kemudahan perawatan, dan ketidakpastian
> - Optimum tujuan tunggal tidak sama dengan dapat dikirim. 3. Saat umpan balik jarang harus berdasarkan tingkat kepercayaan model surrogate, keragaman kandidat, dan pola kegagalan, memutuskan verifikasi, pengambilan sampel ulang, atau penghentian. 4. Item veto ambang digunakan untuk pertama melakukan veto satu suara pada kandidat yang melanggar kendala keras, kemudian menimbang kandidat yang tersisa, bukan penilaian berbobot terpadu. 5. Tujuan aliran kembali alasan pemilihan adalah mengubah alasan pemilihan menjadi preferensi, kendala, atau sinyal evaluasi, memandu pencarian evolusi berikutnya. Pertama jelaskan batas "generasi dan penyaringan" sisi sistem dan "penilaian dan keputusan" sisi ahli
> - Kemudian berdasarkan "veto ambang→matriks manfaat-biaya→analisis sensitivitas" menentukan kandidat mana yang masuk verifikasi berfidelitas tinggi
> - Jika kepercayaan tidak cukup atau keragaman rendah, pilih pengambilan sampel ulang atau verifikasi
> - Terakhir catat secara eksplisit alasan putaran ini sebagai preferensi, kendala, atau sinyal evaluasi, input ke pencarian putaran berikutnya.

**Pemeriksaan Pemahaman**

Minta siswa membedakan dengan kata-kata sendiri "memperluas opsi" dan "mengkonvergensi opsi", dan memberikan contoh tindakan sisi sistem dan sisi ahli masing-masing dalam satu keputusan rekayasa. Jika siswa menganggap keputusan akhir, penanggung jawaban risiko, atau penentuan kendala keras sebagai milik sisi sistem, kembali ke pembagian tanggung jawab untuk membedakan ulang.

> **Petunjuk Transisi**
>
> Setelah memastikan siswa dapat menjelaskan hubungan loop tertutup "generasi—evaluasi—pemilihan—aliran kembali", lanjut ke halaman berikutnya tentang contoh soal, aplikasi, atau ringkasan.

<a id="lecture-page-13"></a>

### Aktivitas Kelas: Desain Skema Evaluasi Optimasi Parameter Multi-Objektif

*Halaman 13*

> **Tujuan Halaman:** Pembelajar harus merancang melalui praktik sebuah skema evaluasi optimasi parameter yang mencakup trade-off gaya angkat dan gaya hambat.

**Poin Pengajaran**

- Gaya angkat dan gaya hambat adalah tujuan konflik asli, indikator komposit seperti rasio gaya angkat terhadap gaya hambat hanya dapat digunakan untuk penjelasan dan presentasi. Metode pemeriksaan mandiri: hilangkan indikator komposit, apakah skema masih dapat membandingkan trade-off dua kandidat? Jika tidak, berarti tujuan asli tertutupi.
- Kendala rekayasa seperti ketebalan, momen pitching begitu dilanggar, solusi tidak dapat digunakan; jangan menggunakan pembobotan untuk melunakkannya menjadi skor yang dapat saling mengimbangi. Saat menulis skema beri label satu per satu: ini kendala keras atau preferensi lunak, dan laporkan status pemenuhan kendala dalam hasil.
- Garis kelulusan hasil evaluasi adalah: sekelompok kandidat yang mencakup trade-off gaya angkat dan gaya hambat yang berbeda + bukti indikator + status pemenuhan kendala + penjelasan ketidakpastian + catatan (seed, anggaran, alasan eliminasi). Hanya menyerahkan satu "solusi optimal", biasanya berarti Anda sudah menyelesaikan trade-off untuk ahli.

Tujuan Halaman

Halaman ini adalah desain aktivitas kelas, tugasnya adalah mengubah kelompok tujuan yang saling menarik "gaya angkat—gaya hambat" menjadi skema evaluasi optimasi parameter multi-objektif yang dapat direproduksi, dapat dibandingkan, dan dapat diserahkan kepada ahli untuk keputusan. Fokus aktivitas bukan membiarkan model langsung memberikan satu jawaban optimal, melainkan merancang mekanisme evaluasi yang dapat diuji berulang kali: siapa yang berpartisipasi dalam evaluasi, menggunakan indikator apa, di bawah kendala dan anggaran apa, berdasarkan aturan apa mempertahankan kandidat. Akhirnya harus menuliskan "konflik" menjadi "aturan tinjauan yang dapat dieksekusi".

Urutan Penjelasan

Menghasilkan kandidat → Masuk evaluasi → Berdasarkan umpan balik membandingkan manfaat, biaya, dan kendala → Mempertahankan solusi efektif → Mencatat dan masuk putaran berikutnya.

Tujuan dan kendala, loop tertutup evaluasi enam langkah, output kelompok kandidat dan antarmuka keputusan, catatan yang dapat direproduksi.

Gaya angkat dan gaya hambat adalah tujuan konflik asli, indikator komposit seperti rasio gaya angkat terhadap gaya hambat hanya digunakan untuk penjelasan dan presentasi.

Kandidat harus mencakup wilayah trade-off gaya angkat dan gaya hambat yang berbeda; hasil penyaringan tidak boleh hanya menyisakan satu skor tertinggi.

5. Berikan template deliverables, dan rangkum dengan kesalahpahaman umum.

Poin Pengajaran

Tujuan A adalah memaksimalkan koefisien gaya angkat, Tujuan B adalah meminimalkan koefisien gaya hambat, keduanya harus menjadi kolom independen. Jangan menggantinya dengan rasio gaya angkat terhadap gaya hambat, jika tidak trade-off akan "diratakan" terlebih dahulu oleh satu rasio.

Batas parameter, ketebalan relatif, rentang momen pitching biasanya ditetapkan sebagai kendala keras, pelanggaran berarti eliminasi; biaya, kemampuan manufaktur rekayasa, dll. ditetapkan sebagai preferensi lunak, digunakan untuk pengurutan. Saat menulis skema beri label "kendala keras" atau "preferensi lunak" satu per satu, dan laporkan status pemenuhan kendala dalam hasil.

Tuliskan jumlah pemanggilan simulasi atau model surrogate, waktu, batas atas daya komputasi, dan bedakan kuota "evaluasi surrogate" dan "verifikasi berfidelitas tinggi", jika tidak solusi yang berbeda tidak dapat dibandingkan secara adil.

Representasi parameter → Generasi kandidat → Perhitungan evaluasi → Ringkasan indikator → Perbandingan solusi → Pencatatan arsip.

Sampling awal menyebar secara global, perturbasi, crossover dan mutasi melakukan penyempurnaan lokal, pemanduan preferensi memperketat di wilayah perhatian ahli; mensyaratkan kandidat terdistribusi di wilayah trade-off gaya angkat dan gaya hambat yang berbeda, menghindari seluruh generasi runtuh ke arah tunggal "gaya angkat tinggi" atau "gaya hambat rendah".

Dapat menggunakan non-dominan Pareto, penjumlahan berbobot, penyaringan ambang, titik referensi atau pengurutan preferensi; tetapi output harus berupa sekelompok kandidat yang mencakup trade-off yang berbeda, disertai bukti indikator, status pemenuhan kendala, perbedaan kandidat, dan rentang ketidakpastian, memudahkan ahli menilai.

Menggabungkan gaya angkat dan gaya hambat menjadi satu skor total lalu mengambil nilai maksimum, tampak menyederhanakan, sebenarnya menggunakan pilihan bobot untuk melakukan trade-off lebih awal untuk ahli, juga kehilangan keragaman kandidat. Pendekatan yang benar adalah mempertahankan beberapa kelompok kandidat, menyerahkan hak penilaian "mana yang dipilih" setelah antarmuka evaluasi.

Template skema evaluasi satu halaman, termasuk tabel indikator (tujuan asli dan indikator tambahan), diagram alur enam langkah, aturan generasi kandidat, aturan penyaringan, output kelompok kandidat, penjelasan risiko dan ketidakpastian; sekaligus mencatat parameter, definisi indikator, anggaran evaluasi, random seed, dasar penyaringan dan alasan eliminasi.

Aktivitas Kelas

Minta pembelajar merancang skema evaluasi multi-objektif sederhana untuk objek berparameter (seperti parameter airfoil), harus membuat trade-off gaya angkat dan gaya hambat terlihat secara eksplisit. Dapat diisi dalam empat blok: ①Tujuan dan kendala; ②Loop tertutup evaluasi enam langkah; ③Output kelompok kandidat dan antarmuka keputusan; ④Catatan yang dapat direproduksi. Setelah selesai minta kelompok saling menilai: hilangkan indikator komposit, apakah skema masih dapat membandingkan trade-off dua kandidat? Apakah kendala keras keliru dianggap sebagai skor yang dapat diimbangi dengan pembobotan? Apakah output hanya menyisakan satu "solusi optimal"?

Penanganan Latihan

Penilaian dasar dapat dibahas seputar poin-poin berikut:

Memaksimalkan koefisien gaya angkat, meminimalkan koefisien gaya hambat; pilihan yang benar menekankan keduanya independen, rasio gaya angkat terhadap gaya hambat hanya dapat membantu penjelasan.

2. Ketebalan dan rentang momen pitching harus ditetapkan sebagai kendala keras, pelanggaran berarti eliminasi; anggaran harus dituliskan di muka jumlah pemanggilan, waktu, batas atas daya komputasi, tidak boleh melonggarkan kendala keras karena anggaran ketat.

3. Generasi kandidat harus mencakup sampling global awal, kemudian dikombinasikan dengan perturbasi, crossover mutasi dan pemanduan preferensi, membuat kandidat terdistribusi di beberapa wilayah trade-off.

4. Perbandingan solusi harus mengeluarkan sekelompok kandidat non-dominan yang mencakup trade-off gaya angkat dan gaya hambat yang berbeda, disertai perbedaan dan dasar; hanya mempertahankan skor tertinggi penjumlahan berbobot atau hanya mencantumkan peringkat panjang tidak memenuhi persyaratan aktivitas.

5. Pencatatan arsip setidaknya harus mencakup representasi parameter dan batas, definisi indikator, anggaran evaluasi, random seed, dasar penyaringan dan alasan eliminasi, sehingga putaran berikutnya dapat menilai apakah perubahan hasil berasal dari perubahan skema atau perubahan kondisi evaluasi.

Pembahasan Kasus

Dalam skema airfoil superkritis, tim mengurutkan berdasarkan penjumlahan berbobot dan hanya mempertahankan peringkat pertama, masalahnya adalah menyelesaikan konflik gaya angkat dan gaya hambat lebih awal, kehilangan keragaman Pareto, ahli juga tidak dapat melihat rentang trade-off. Arah modifikasi: beralih ke penyaringan non-dominan Pareto, mempertahankan beberapa kandidat yang mencakup wilayah trade-off berbeda pada front; jika mempertahankan penjumlahan berbobot, berikan beberapa kelompok bobot atau titik referensi dan catat dasarnya. Jika ingin putaran kedua mewarisi hasil putaran ini, juga harus menambahkan parameter dan batas, unit indikator, pembagian kendala keras/preferensi lunak, anggaran dan jumlah pemanggilan aktual, versi model surrogate, random seed, dasar penyaringan dan alasan eliminasi; setiap kandidat harus disertai bukti indikator, status pemenuhan kendala, rentang ketidakpastian dan penjelasan perbedaan kandidat, dan menyediakan antarmuka trade-off ahli.

Pemeriksaan Pemahaman

Mengapa rasio gaya angkat terhadap gaya hambat tidak dapat menggantikan tujuan independen gaya angkat dan gaya hambat? Mengapa kendala keras tidak dapat berpartisipasi dalam pengimbangan berbobot? Mengapa kelompok kandidat lebih cocok diserahkan kepada ahli daripada solusi optimal tunggal? Jawaban cukup menghubungkan indikator, kendala, anggaran, keragaman kandidat, dan persyaratan pencatatan.

Petunjuk Transisi

Setelah memastikan pembelajar dapat menjelaskan garis utama "tujuan konflik asli—kendala keras/preferensi lunak—generasi kandidat—output beragam—catatan yang dapat direproduksi", lanjut ke halaman berikutnya tentang contoh soal, aplikasi, atau ringkasan.

<a id="lecture-page-14"></a>

### Refleksi Aktivitas Kelas: Pemeriksaan Kewajaran Skema Trade-off

*Halaman 14*

> **Tujuan Halaman:** Pembelajar harus memahami bagaimana memeriksa dan merefleksikan apakah skema evaluasi trade-off yang dirancang ilmiah dan efektif.

> **Tujuan Halaman**
>
> Halaman ini adalah refleksi dari aktivitas kelas "Desain Skema Evaluasi Optimasi Parameter Multi-Objektif", intinya adalah memeriksa apakah skema evaluasi trade-off yang dirancang wajar. Pembelajar harus dapat mengidentifikasi indikator kunci dan konflik tujuan yang terlewat, dan memperjelas arah penyesuaian konfigurasi parameter, membuat skema mendekati kebutuhan keputusan rekayasa nyata.

> **Urutan Penjelasan**
>
> Disarankan pertama memperjelas pertanyaan prinsip pertama refleksi adalah "apakah skema menggambarkan keputusan nyata", kemudian berkembang berdasarkan tujuh dimensi: ①Cakupan tujuan ②Konflik dan redundansi ③Kendala dan preferensi ④Konfigurasi parameter ⑤Model surrogate ⑥Keragaman kandidat ⑦Dukungan ahli; kemudian berdasarkan diagnosis refleksi menarik arah penyesuaian; terakhir menggunakan tiga standar dapat dibandingkan, dapat ditukar, dapat direproduksi untuk menilai apakah skema memenuhi syarat.

**Poin Pengajaran**

- Ketika tujuan, kendala, dan preferensi tidak lengkap, penyetelan parameter apa pun hanya penyempurnaan pada model yang salah. Apakah kuantitas yang benar-benar diperhatikan pengambil keputusan (kinerja, biaya, keandalan, kemampuan manufaktur) sudah masuk ke skema? Apakah batasan keras ditulis sebagai kendala? Apakah preferensi diungkapkan secara eksplisit sebagai bobot atau titik referensi? Saling bertukar adalah konflik, harus dipertahankan sebagai multi-objektif, dan menggunakan bobot atau titik referensi untuk mengungkapkan preferensi
- Perubahan searah dan informasi yang tumpang tindih adalah redundansi, harus digabungkan atau dihapus salah satunya, menghindari tuntutan yang sama diberi bobot berulang. Jembatan penilaian: lihat arah, juga lihat apakah bobot berulang. Sekaligus periksa apakah ada kendala yang keliru dianggap sebagai tujuan. Apakah ukuran populasi dan jumlah kandidat mencakup rentang trade-off
- Apakah anggaran iterasi cocok dengan presisi model surrogate
- Apakah mutasi, crossover, tekanan seleksi membuat eksplorasi dan eksploitasi tidak seimbang
- Apakah strategi sampling mengarahkan anggaran simulasi ke wilayah berinformasi tinggi. Ketidakcocokan apa pun akan muncul sebagai "hasil ada, tetapi tidak dapat digunakan". Keragaman tidak cukup→perluas ukuran populasi dan kelompok output kandidat
- Konvergensi terlalu cepat→turunkan tekanan seleksi, naikkan intensitas mutasi, longgarkan elitisme
- Biaya evaluasi terlalu tinggi→tingkatkan presisi model surrogate, optimalkan penambahan titik dan strategi sampling
- Preferensi menyimpang→perbaiki bobot atau geser titik referensi
- Indikator terlewat atau konflik→tambahkan indikator, pertahankan hubungan saling bertukar sebagai struktur multi-objektif. Dapat dibandingkan——ahli domain dapat melihat trade-off antar kandidat dengan jelas
- Dapat ditukar——dapat memilih solusi dari front berdasarkan preferensi
- Dapat direproduksi——parameter, random seed, dan catatan proses lengkap. Output akhir harus berupa solusi kandidat beragam yang mempertimbangkan berbagai indikator, bukan "solusi optimal" tunggal. Refleksi desain airfoil superkritis. Jika hanya memperhatikan rasio gaya angkat terhadap gaya hambat dan melewatkan kekuatan struktur atau biaya manufaktur, harus melengkapi indikator terlebih dahulu, pertahankan konflik secara eksplisit sebagai multi-objektif
- Kemudian masukkan anggaran evaluasi, ukuran populasi, jumlah output kandidat ke dalam daftar penyesuaian parameter
- Terakhir gunakan "apakah front lebih lebar, apakah ahli dapat membandingkan trade-off, apakah hasil dapat direproduksi" untuk memverifikasi apakah penyesuaian berhasil.

**Cakupan Kata Kunci**

- Pemeriksaan cakupan, cakupan tujuan, konflik dan redundansi, pemeliharaan multi-objektif, bobot/titik referensi, ukuran populasi, tekanan seleksi, intensitas mutasi, model surrogate, strategi sampling, front trade-off, dapat dibandingkan, dapat ditukar, dapat direproduksi.

> **Petunjuk Latihan**
>
> - Periksa apakah tujuan, kendala, dan preferensi lengkap, prioritaskan menemukan indikator kunci yang terlewat. Analisis: indikator yang terlewat akan secara sistematis mendistorsi semua trade-off selanjutnya, harus melakukan pemeriksaan cakupan terlebih dahulu, baru membahas penyesuaian parameter. Dua indikator berubah searah, informasi sangat tumpang tindih, bagaimana menanganinya? Jawaban: termasuk metrik redundan, harus digabungkan atau dihapus salah satunya, menghindari bobot diperbesar berulang. Analisis: konflik adalah saling bertukar, redundansi adalah searah dan informasi tumpang tindih
> - Redundansi akan menyebabkan tuntutan yang sama diberi bobot berulang. Optimasi konvergen dalam beberapa iterasi, kandidat sangat mirip, penyesuaian parameter yang paling cocok? Jawaban: perluas ukuran populasi dan kelompok output kandidat, dan naikkan intensitas mutasi, turunkan tekanan seleksi. Analisis: konvergensi terlalu cepat biasanya disebabkan tekanan seleksi terlalu besar, mutasi tidak cukup menyebabkan keruntuhan keragaman. Menghadapi konflik nyata seperti rasio gaya angkat terhadap gaya hambat dan kekuatan struktur, bagaimana menanganinya? Jawaban: pertahankan sebagai multi-objektif, gunakan bobot atau titik referensi untuk mencerminkan preferensi, dan output front trade-off untuk trade-off ahli. Analisis: konflik nyata tidak boleh ditutupi oleh tujuan tunggal, mempertahankan multi-objektif dan mengungkapkan preferensi secara eksplisit baru dapat mendukung keputusan. Biaya evaluasi simulasi berfidelitas tinggi terlalu tinggi, anggaran iterasi tidak cukup, penyesuaian paling wajar? Jawaban: tingkatkan presisi model surrogate dan optimalkan strategi sampling, pusatkan anggaran di wilayah berinformasi tinggi. Analisis: harus membiarkan model surrogate dan strategi sampling menanggung biaya evaluasi, bukan mengorbankan skala eksplorasi atau menulis ulang definisi masalah. Refleksi desain airfoil superkritis. Pertanyaan 1: tunjukkan masalah cakupan tujuan—konflik/redundansi—kendala dan preferensi. Poin referensi: indikator terlewat (kekuatan struktur, biaya manufaktur)
> - Konflik tidak ditangani secara eksplisit (rasio gaya angkat terhadap gaya hambat dan kekuatan struktur)
> - Kendala dan preferensi tidak diungkapkan secara eksplisit (geometri, proses, margin keamanan)
> - Perluas ukuran populasi hingga di atas 100, output kandidat 20~50
> - Turunkan tekanan seleksi, naikkan intensitas mutasi
> - Tingkatkan presisi surrogate, perbaiki sampling (seperti penambahan titik ketidakpastian)
> - Perbaiki bobot atau geser titik referensi
> - Kandidat mencakup lebih luas, crowding distance turun, cakupan front dan kualitas distribusi meningkat, kesalahan surrogate turun, ahli dapat membandingkan trade-off secara jelas, hasil dapat direproduksi.

**Pemeriksaan Pemahaman**

Minta siswa secara acak merangkum poin utama halaman ini dengan kata-kata sendiri, pengajar melengkapi kata kunci yang terlewat berdasarkan jawaban. Dapat ditanya: "Jika himpunan tujuan itu sendiri tidak lengkap, bagaimana penyetelan parameter selanjutnya?" Pandu siswa menyebutkan "hanya optimasi pada model yang salah".

> **Petunjuk Transisi**
>
> Setelah memastikan siswa dapat menyebutkan "pertama pemeriksaan cakupan, kemudian penyesuaian parameter" dan "konflik dipertahankan multi-objektif, redundansi digabungkan atau dihapus", lanjut ke halaman berikutnya tentang contoh soal, aplikasi, atau ringkasan.

> **Petunjuk Materi**
>
> - Halaman ini dilengkapi diagram "Daftar Periksa Kewajaran Skema", sisi kiri mencantumkan tujuh dimensi pemeriksaan, sisi kanan sesuai arah penyesuaian, bagian bawah memberikan bukti verifikasi yang diharapkan. Saat menjelaskan dapat mengikuti diagram tersebut secara bertahap.

<a id="lecture-page-15"></a>

### Ulasan Konsep Inti Pelajaran Ini

*Halaman 15*

> **Tujuan Halaman:** Pembelajar harus secara sistematis mengulas trade-off multi-objektif, model surrogate, dan kasus airfoil superkritis yang dibahas dalam pelajaran ini.

> **Tujuan Halaman**
>
> Membantu pembelajar secara sistematis mengulas tiga konsep inti pelajaran ini——trade-off multi-objektif, penurunan biaya model surrogate, dan praktik multi-objektif airfoil superkritis, dan dapat menghubungkan garis utama "konflik—kandidat non-dominan—keputusan preferensi".

> **Urutan Penjelasan**
>
> Pertama tunjukkan bahwa halaman ini adalah halaman penutup, garis utama pelajaran ini adalah komputasi evolusioner menyediakan jalur solusi yang tidak menetapkan jawaban tunggal di awal, mengandalkan generasi paralel kandidat populasi dan keragaman untuk menghadapi konflik tujuan dan kendala kompleks. Kemudian ulas dengan tiga garis utama: pertama, konflik tujuan dan trade-off Pareto; kedua, penurunan biaya dan verifikasi model surrogate; ketiga, kelompok solusi multi-kandidat dan keputusan ahli. Terakhir gunakan kasus dan rantai memori untuk mendaratkan pengetahuan ke loop tertutup rekayasa.

**Poin Pengajaran**

- Dalam rekayasa nyata, efisiensi jelajah, ketebalan struktur, kendala stabilitas kontrol sering saling membatasi. Jangan terlalu dini membobot dan mengompres menjadi tujuan tunggal, jika tidak akan menyembunyikan konflik, membekukan preferensi, kehilangan informasi trade-off. Mempertahankan kandidat Pareto, baru dapat memberikan ruang manuver untuk keputusan selanjutnya. Ketika CFD berfidelitas tinggi, terowongan angin, atau eksperimen memiliki biaya evaluasi tunggal yang mahal, sedangkan pencarian memerlukan banyak evaluasi, model surrogate menukar kecepatan dengan aproksimasi, mempercepat pencarian, penyaringan, dan analisis sensitivitas. Tetapi kredibilitasnya berasal dari sampel verifikasi independen, evaluasi kesalahan, dan kuantifikasi ketidakpastian
- Presisi fitting set pelatihan tidak dapat langsung membuktikan generalisasi yang andal. Airfoil dasar perturbasi→pencarian berbantuan surrogate→output kandidat beragam→keputusan evaluasi ahli membentuk loop tertutup. Fokusnya bukan jawaban tunggal, melainkan menghasilkan kelompok solusi yang dapat dibandingkan, dapat dijelaskan, dapat diputuskan. Ahli melakukan trade-off berdasarkan preferensi tugas dan kendala, sampel baru dikembalikan untuk memperbarui model surrogate. Jika hanya mengoptimalkan rasio gaya angkat terhadap gaya hambat, mungkin mendapatkan solusi dengan karakteristik divergence gaya hambat atau momen pitching yang tidak dapat diterima
- Setelah mempertahankan kelompok kandidat, dapat menimbang antara efisiensi jelajah, ketebalan struktur, dan kendala stabilitas kontrol berdasarkan preferensi tugas, juga memudahkan menghadapi perubahan preferensi, perbandingan ketahanan, dan pelacakan keputusan. Sampel/simulasi → model surrogate → pencarian multi-objektif → evaluasi kandidat → keputusan preferensi → pengembalian sampel baru. Dapat meminta siswa menceritakan kembali setiap langkah dan menambahkan satu kalimat "mengapa ia diperlukan".

**Penanganan Latihan**

Soal pilihan ganda halaman ini dapat digunakan untuk pemeriksaan cepat. Soal 1 harus memilih "kompresi terlalu dini akan menyembunyikan konflik antar tujuan, mempersempit ruang desain yang dapat ditukar", menekankan metode multi-objektif secara eksplisit mempertahankan hubungan non-dominan; soal 2 harus memilih "ketika simulasi berfidelitas tinggi atau terowongan angin memiliki biaya evaluasi tunggal yang mahal, sedangkan pencarian memerlukan banyak evaluasi", menekankan nilai model surrogate tergantung pada biaya dan jumlah evaluasi; soal 3 harus memilih "menggunakan sampel verifikasi independen untuk mengevaluasi kesalahan prediksi, dan mengkuantifikasi serta memantau ketidakpastian prediksi", menekankan generalisasi dan kredibilitas; soal 4 harus memilih "airfoil dasar perturbasi→pencarian berbantuan surrogate→output kandidat beragam→keputusan evaluasi ahli", menekankan loop tertutup menghasilkan kelompok solusi;

Soal 5 harus memilih "mendukung perubahan preferensi, perbandingan ketahanan dan pelacakan keputusan, mengurangi risiko terkunci pada jalur tunggal", menekankan kelompok kandidat mempertahankan ruang trade-off.

Pertama, tidak langsung melakukan optimasi berfidelitas tinggi berbobot tunggal, melainkan terlebih dahulu membangun model surrogate dan mempertahankan kelompok kandidat Pareto, alasannya adalah "penurunan biaya" dan "mempertahankan ruang trade-off"; kedua, jika model surrogate memiliki bias lokal yang besar, harus terlebih dahulu menggunakan sampel verifikasi independen untuk melokalisasi wilayah kesalahan tinggi atau ketidakpastian tinggi, kemudian menambahkan verifikasi berfidelitas tinggi pada kandidat terpilih, jika perlu sampling adaptif, terakhir periksa apakah front Pareto masih mempertahankan hubungan non-dominan di bawah data verifikasi.

**Pemeriksaan Pemahaman**

Minta siswa menjelaskan dengan kata-kata sendiri "mengapa mempertahankan kelompok kandidat bukan hanya menyisakan satu solusi optimal", dan menjelaskan mengapa model surrogate harus diverifikasi. Jika siswa hanya dapat menghafal istilah, dapat ditanya "konflik → kandidat non-dominan → keputusan preferensi" peran setiap langkah.

> **Petunjuk Transisi**
>
> Setelah memastikan siswa dapat menyebutkan tiga garis utama halaman ini dan hubungan loop tertutupnya, lanjut ke halaman berikutnya tentang ringkasan, aplikasi, atau topik baru.

<a id="lecture-page-16"></a>

### Ringkasan dan Prospek: Nilai Penelitian Ilmiah di Dunia Kompleks Nyata

*Halaman 16*

> **Tujuan Halaman:** Pembelajar harus memahami nilai penelitian ilmiah yang mendalam dari mempertahankan solusi beragam yang dapat digunakan dalam menghadapi kompleksitas nyata.

> **Tujuan Halaman**
>
> Nilai penelitian ilmiah di dunia rekayasa dan fisik nyata bukan pada menggunakan algoritma tunggal untuk dengan cepat konvergen ke satu "jawaban optimal", melainkan mengubah konflik multi-objektif, kendala fisik, dan umpan balik jarang menjadi proses masalah yang dapat dieksplorasi secara berkelanjutan. Gagasan inti EvoX dan praktik AI Native adalah melalui menghasilkan dan mempertahankan solusi beragam yang dapat digunakan, memberikan ruang untuk trade-off, keputusan, dan evolusi metode selanjutnya.

> **Urutan Penjelasan**
>
> 1. Pertama mulai dari "dunia kompleks nyata" di sisi kiri, jelaskan bahwa konflik multi-objektif, kendala fisik, umpan balik jarang adalah norma, bukan pengecualian.
>
> 2. Jelaskan mengapa optimum tujuan tunggal akan kehilangan informasi kunci. Dapat menggunakan desain airfoil superkritis sebagai contoh: rasio gaya angkat terhadap gaya hambat, karakteristik divergence gaya hambat, ketebalan struktur, dll. tujuan saling membatasi, meningkatkan rasio gaya angkat terhadap gaya hambat mungkin mengorbankan kinerja divergence gaya hambat atau menambah ketebalan struktur. Jika hanya mengejar optimum tujuan tunggal, akan kehilangan hubungan trade-off, menghadapi kendala baru atau perubahan preferensi tanpa ruang penyesuaian.
>
> Tidak boleh hanya berupa solusi tunggal, melainkan sekelompok solusi kandidat yang mencakup berbagai hubungan trade-off. Dengan EvoX dapat menghasilkan banyak kandidat airfoil secara paralel, dan melalui model surrogate membantu evaluasi ketika biaya simulasi tinggi, sehingga mencakup preferensi dan kendala yang berbeda.
>
> Mendukung keputusan ahli domain; mengurangi risiko konvergensi salah di awal; mempertahankan kemungkinan rekonstruksi masalah dan evolusi berkelanjutan selanjutnya.
>
> Arah penelitian ilmiah AI Native adalah mendorong dari "memilih algoritma untuk mencari jawaban" menjadi "merancang proses eksplorasi yang dapat digunakan kembali, dapat diverifikasi, dapat diwariskan", menjadikan kompleksitas nyata sebagai sumber inovasi metode.

**Poin Pengajaran**

- Dalam masalah nyata tujuan sering saling membatasi, jangan terbiasa mencari solusi optimal tunggal, melainkan pertama tanyakan: apakah saya mengabaikan beberapa hubungan trade-off? Eksplorasi evolusi harus mengeluarkan sekelompok solusi kandidat yang mencakup hubungan trade-off yang berbeda. Kelompok solusi beragam dapat mencakup lebih banyak preferensi dan kendala, memberikan ruang untuk keputusan ahli dan evolusi selanjutnya. Sisi kiri adalah dunia kompleks nyata, tengah adalah eksplorasi yang digerakkan EvoX, kanan adalah nilai penelitian ilmiah
- Di bagian bawah juga ada loop "umpan balik evolusi berkelanjutan", mencerminkan proses eksplorasi tidak berakhir sekali jalan, melainkan dapat diakumulasi, dapat diwariskan. Nilai penelitian ilmiah di dunia kompleks nyata terletak pada mengubah konflik multi-objektif, kendala fisik, dan umpan balik jarang menjadi proses masalah yang dapat dieksplorasi secara berkelanjutan
- EvoX dan praktik AI Native melalui menghasilkan dan mempertahankan solusi beragam yang dapat digunakan, memberikan ruang untuk trade-off, keputusan, dan evolusi metode selanjutnya. Petunjuk dan penanganan latihan: Soal pilihan ganda berkisar pada "konsep inti" "nilai eksplorasi ilmiah yang ditunjukkan desain airfoil" "makna jangka panjang mempertahankan solusi beragam yang dapat digunakan" dll. Jawaban yang benar harus mengarah ke: mempertahankan solusi beragam yang dapat digunakan memiliki nilai penelitian ilmiah yang mendalam dalam menghadapi kompleksitas nyata. Jika siswa menjawab salah, pandu kembali ke penjelasan halaman ini, temukan bukti atau contoh kunci baru menilai
- Jika menjawab benar, puji bahwa ia dapat menghubungkan konsep halaman ini dan menjelaskan dasarnya. Pertanyaan pertama, konflik multi-objektif tercermin dalam tujuan rasio gaya angkat terhadap gaya hambat, karakteristik divergence gaya hambat, ketebalan struktur, dll. yang berkonflik, misalnya meningkatkan rasio gaya angkat terhadap gaya hambat mungkin dengan biaya menambah ketebalan struktur atau mengorbankan kinerja divergence gaya hambat. Pertanyaan kedua, kelompok solusi kandidat beragam mencakup preferensi dan kendala yang berbeda, memudahkan ahli mengevaluasi trade-off, sekaligus mengurangi risiko konvergensi salah di awal, dan mempertahankan ruang eksplorasi yang dapat diwariskan untuk rekonstruksi masalah, perubahan kendala, atau evolusi metode selanjutnya. Saat benar dapat mengatakan "jawaban ini dapat menghubungkan konsep halaman ini, dan menjelaskan dasarnya"
- Saat tidak lengkap dapat mengatakan "silakan kembali ke penjelasan halaman ini, temukan bukti atau contoh kunci baru menilai".

**Pemeriksaan Pemahaman**

Mengapa mempertahankan solusi beragam yang dapat digunakan lebih memiliki nilai penelitian ilmiah daripada hanya mengeluarkan satu solusi optimal tunggal? Harus menghubungkan setidaknya satu contoh halaman ini (desain airfoil superkritis) dan satu makna jangka panjang (mendukung keputusan ahli atau evolusi berkelanjutan). Jika siswa hanya dapat mengulang istilah, tanyakan apakah dapat memberikan contoh yang menjelaskan hubungan antara "konflik multi-objektif" dan "kelompok solusi kandidat".

> **Petunjuk Transisi**
>
> Setelah memastikan siswa dapat menyebutkan hubungan antara "konflik multi-objektif—kelompok solusi kandidat—nilai penelitian ilmiah", lanjut ke halaman berikutnya atau ringkasan kursus.