--- TESTO SORGENTE ---
# EvoX Sistema di Evoluzione Intelligente e Pratica di Ricerca Scientifica AI Native — Dispense del Corso
Durata: 1 · Pagine del materiale: 16
## Navigazione di Lettura
- [Lezione 3｜Tema: La Complessità del Mondo Reale e i Compromessi Multi-Obiettivo](#lecture-lesson-1)
---
## Lezione 3｜Tema: La Complessità del Mondo Reale e i Compromessi Multi-Obiettivo
### La Complessità del Mondo Reale e i Compromessi Multi-Obiettivo
*Pagina 1*
> **Obiettivo della pagina:** Esplorare gli obiettivi complessi e i vincoli che si condizionano reciprocamente nel mondo fisico reale, e imparare come utilizzare EvoX per generare un insieme di soluzioni candidate che includono diverse relazioni di compromesso.
> **Obiettivo della pagina**
>
> Questa pagina sposta la prospettiva dai problemi di ottimizzazione idealizzati al mondo fisico reale, evidenziando come gli obiettivi ingegneristici spesso si condizionino a vicenda e il feedback sia scarso, e introduce l'approccio di utilizzare EvoX per generare un insieme di soluzioni candidate che riflettono diverse relazioni di compromesso.
> **Ordine di esposizione**
>
> Prima si spiega perché il "conflitto tra obiettivi" è universale, ad esempio nella progettazione di profili alari dove portanza, resistenza, resistenza strutturale e rumore difficilmente possono essere ottimizzati simultaneamente; poi si spiega che il "feedback scarso" significa che la valutazione è costosa e i campioni efficaci sono pochi, e non ci si può affidare a tentativi ed errori su larga scala; infine si introduce l'esplorazione multi-candidato, dove EvoX non restituisce solo una singola soluzione ottimale, ma fornisce un insieme di soluzioni con vantaggi in diverse direzioni di compromesso, per le decisioni successive.
**Punti chiave dell'insegnamento**
- I sistemi reali sono limitati da leggi fisiche, processi produttivi, standard di sicurezza, e le variabili si influenzano reciprocamente. Il miglioramento di un indicatore spesso avviene a scapito di un altro, quindi non esiste un unico "migliore", ma solo compromessi sotto diverse preferenze. Le simulazioni o gli esperimenti reali hanno costi elevati e il feedback non è denso, quindi l'algoritmo deve utilizzare in modo più efficiente le informazioni di valutazione già disponibili. Generare un insieme di soluzioni candidate permette di mostrare la frontiera dei compromessi, aiutando gli ingegneri a scegliere in base allo scenario, invece di essere bloccati da una singola soluzione. Può essere utilizzato per illustrare concretamente come trovare più insiemi di progetti fattibili tra obiettivi quali efficienza aerodinamica, affidabilità strutturale e rumore.
**Copertura delle parole chiave**
- Complessità del mondo reale, compromessi multi-obiettivo, conflitto tra obiettivi, feedback scarso, esplorazione multi-candidato, EvoX, ottimizzazione di profili alari.
**Verifica della comprensione**
Chiedere agli studenti di fare un esempio ingegneristico o quotidiano in cui "migliorare A sacrifica B", e spiegare come cambierebbe il modo di decidere se si potesse ottenere solo una soluzione rispetto a un insieme di soluzioni candidate.
> **Suggerimento di transizione**
>
> Dopo che gli studenti sono in grado di distinguere tra "ottimo a obiettivo singolo" e "insieme di candidati sotto compromessi multi-obiettivo", passare alla pagina successiva sullo sviluppo di metodi specifici o casi di studio.
### Conflitti Multi-Obiettivo e Complessità del Mondo Reale
*Pagina 2*
> **Obiettivo della pagina:** Gli studenti devono comprendere lo stato attuale fondamentale di obiettivi che si condizionano reciprocamente e vincoli annidati nel mondo ingegneristico reale.
**Punti chiave dell'insegnamento**
- L'ottimizzazione ingegneristica reale affronta la complessità di molteplici obiettivi, molteplici vincoli e feedback costosi intrecciati. Gli obiettivi si condizionano reciprocamente e non esiste un unico ottimo ideale senza compromessi, quindi prima di tutto bisogna identificare e accettare i conflitti, invece di applicare ipotesi idealizzate a obiettivo singolo. Gli obiettivi non sono indipendenti: migliorare un obiettivo può peggiorarne un altro, ad esempio aumentare la portanza spesso comporta un aumento della resistenza o una diminuzione della stabilità
- Vincoli annidati: la regolazione di variabili locali influenza altri sottosistemi o fasi del ciclo di vita, formando domini fattibili accoppiati e confini impliciti
- Feedback costoso: simulazioni ad alta fedeltà, gallerie del vento, voli di prova e altre valutazioni hanno costi elevati e non possono supportare tentativi ed errori illimitati
- Obiettivi difficili da quantificare, come sicurezza, stabilità, costo, normative, manutenibilità, difficili da unificare in un singolo scalare. Migliorare un indicatore può peggiorarne un altro. Nella progettazione di velivoli, aumentare la portanza aumenta la resistenza e riduce la stabilità
- Se si continua a ottimizzare un certo indicatore aerodinamico, si potrebbero attivare vincoli quali carichi strutturali, protezione termica o complessità di controllo. Questo dimostra che i problemi reali non possono essere semplificati in un ottimo a obiettivo singolo. Il sistema non dovrebbe fornire prematuramente una singola "risposta ottimale" isolata, ma esplorare e conservare un insieme di soluzioni candidate con differenze, lasciando agli esperti il compito di soppesare benefici e costi.
**Gestione degli esercizi**
La causa fondamentale del conflitto multi-obiettivo (gli obiettivi si condizionano reciprocamente, migliorare uno può peggiorare l'altro); le conseguenze dell'aumento della portanza (aumento della resistenza, possibile diminuzione della stabilità); i limiti del feedback costoso (costi di feedback elevati, numero limitato di valutazioni); l'approccio corretto all'ottimizzazione multi-obiettivo (esplorare e conservare un insieme di soluzioni candidate con differenze); il significato dei vincoli annidati (la regolazione di variabili locali influenza altri sottosistemi o fasi del ciclo di vita). Il feedback corretto può sottolineare: i conflitti multi-obiettivo derivano da compromessi strutturali; portanza e resistenza, stabilità sono conflitti classici; il feedback costoso limita i tentativi ed errori; l'ottimo singolo spesso non esiste in conflitti reali; i vincoli annidati formano domini fattibili accoppiati.
Ottimizzazione multi-obiettivo di velivoli. Lo scenario è la progettazione di un nuovo drone che deve ottimizzare simultaneamente efficienza aerodinamica, peso strutturale, stabilità e costi di produzione; le simulazioni CFD ad alta fedeltà richiedono ore, i test in galleria del vento hanno costi estremamente elevati; i conflitti tra obiettivi come aumentare la portanza aumenta la resistenza e i carichi strutturali, ridurre il peso può diminuire la stabilità; i vincoli annidati come le variazioni della forma aerodinamica influenzano i carichi strutturali e la protezione termica, che a loro volta influenzano la progettazione delle leggi di controllo. La domanda 1 richiede di identificare almeno due conflitti e spiegare perché non possono essere semplicemente combinati in un singolo obiettivo. Riferimento: conflitto portanza-resistenza, conflitto peso-stabilità; non possono essere semplicemente combinati perché dimensioni e priorità sono diverse, la combinazione richiede pesi soggettivi, che potrebbero mascherare le relazioni di compromesso, portando a soluzioni che peggiorano in dimensioni non previste.
La domanda 2 richiede di descrivere come utilizzare il calcolo evolutivo per conservare soluzioni candidate differenziate e spiegare come gli esperti soppesano. Riferimento: adottare algoritmi evolutivi multi-obiettivo (come NSGA-II) per mantenere la frontiera di Pareto, conservando un insieme di soluzioni non dominate, dove ogni soluzione rappresenta un compromesso diverso; gli esperti possono selezionare la soluzione appropriata dalla frontiera di Pareto in base alle esigenze del compito, o regolare i pesi in modo interattivo.
**Attività in classe**
Chiedere di riformulare il contenuto di questa pagina usando un esempio vicino all'esperienza degli studenti, e far loro spiegare la relazione tra questo esempio e "identificare prima i conflitti, poi modellare".
**Verifica della comprensione**
Chiedere a uno studente a caso di riassumere i punti chiave di questa pagina con parole proprie; l'insegnante integra le parole chiave mancanti in base alla risposta.
> **Suggerimento di transizione**
>
> Dopo aver confermato che gli studenti riescono a esprimere la relazione centrale di questa pagina, passare alla pagina successiva con esempi, applicazioni o riepilogo.
### Compromessi nel Mondo Fisico Reale ed Esplorazione Multi-Obiettivo
*Pagina 3*
> **Obiettivo della pagina:** Gli studenti devono comprendere la ragione fondamentale per cui il sistema non può fornire prematuramente una singola soluzione ottimale isolata.
**Punti chiave dell'insegnamento**
- Quando si vede qualsiasi "soluzione ottimale", prima chiedersi su quale obiettivo ha fatto concessioni. Solo quando si riescono a esplicitare contemporaneamente benefici e costi si può dire di aver veramente compreso il problema multi-obiettivo.
- Un insieme di soluzioni candidate non è un rinvio della decisione, ma lasciare il giudizio di preferenza a chi comprende meglio il compito. Alla consegna si dovrebbe fornire contemporaneamente un insieme di soluzioni con diverse enfasi e le relative basi di confronto, non una serie di punti sparsi senza ordinamento.
- Ogni simulazione o esperimento comporta costi reali. Con un budget limitato, bisogna dare priorità alla valutazione di candidati distribuiti in modo disperso che coprono diverse direzioni di compromesso, invece di rifinire ripetutamente intorno allo stesso punto, ottenendo così informazioni più complete sulla frontiera.
## Obiettivo della pagina
Comprendere perché i problemi di ottimizzazione nel mondo fisico reale di solito non hanno una "soluzione ottimale unica senza costi", e padroneggiare la logica centrale e il valore di conservare soluzioni candidate differenziate nell'esplorazione multi-obiettivo.
## Ordine di esposizione
Gli obiettivi sono difficili da quantificare completamente, i vincoli sono annidati, il costo del feedback di valutazione è elevato, molteplici obiettivi si condizionano reciprocamente.
2. Usare l'esempio della progettazione di velivoli per illustrare che "aumentare la portanza spesso comporta un aumento della resistenza o una diminuzione della stabilità".
3. Con l'aiuto di un diagramma schematico della frontiera di Pareto, spiegare perché non si può convergere prematuramente a una singola risposta.
Esplorare e conservare un insieme di soluzioni candidate con differenze, fornendo agli esperti una base di confronto benefici-costi.
5. Infine, chiarire i malintesi comuni e gestire esercizi e casi di studio.
## Punti chiave dell'insegnamento
**Tre fatti chiave**
Gli obiettivi spesso possono essere solo parzialmente quantificati (come "comfort", "margine di sicurezza"), i vincoli sono annidati su più livelli, e ogni valutazione reale (simulazione ad alta fedeltà, test al banco o volo di prova) comporta costi considerevoli in termini di tempo e denaro.
Portanza e resistenza, prestazioni e stabilità, precisione e consumo energetico spesso non possono raggiungere simultaneamente l'ottimo; ogni miglioramento deve chiarire quale costo ha comportato.
Non si può provare infinite volte, quindi conservare la diversità con un budget di valutazione limitato è più robusto che bloccare prematuramente un singolo punto.
**Perché non si può convergere prematuramente a una singola risposta**
Se il sistema consegna una "soluzione ottimale" isolata nelle fasi iniziali dell'esplorazione, lo spazio decisionale viene compresso: gli esperti non vedono altre possibilità e non possono giudicare tra quali due obiettivi questo punto abbia fatto un compromesso. L'approccio più appropriato è conservare un insieme di soluzioni candidate lungo la relazione di non dominanza, che hanno diverse enfasi su dimensioni come portanza, resistenza, stabilità, costituendo una frontiera di Pareto per i compromessi. Ogni punto sulla frontiera rappresenta un compromesso legittimo — per migliorare un obiettivo, bisogna sacrificarne un altro; quindi il valore della frontiera non sta nel "quale è il migliore", ma nel presentare la relazione completa tra benefici e costi, supportando il successivo giudizio di preferenza e la decisione.
**Malintesi comuni**
"Sommare ponderata" anticipatamente un problema multi-obiettivo in un obiettivo scalare equivale a stabilire in anticipo i pesi di preferenza per gli esperti prima dell'esplorazione, e le informazioni sui compromessi vanno perse. I pesi dovrebbero essere l'ultimo passo della fase decisionale, non la prima ipotesi della fase di modellazione.
## Spunti per i materiali
Asse orizzontale: obiettivo A — resistenza (più a sinistra è meglio), asse verticale: obiettivo B — stabilità (più in alto è meglio). Il diagramma mostra tre candidati differenziati: candidato A (priorità bassa resistenza), candidato B (tipo equilibrato), candidato C (priorità alta stabilità), tutti distribuiti sulla frontiera di Pareto non dominata. Il diagramma mostra anche la regione dominata (dove esiste spazio di miglioramento), e un "punto singolo a convergenza prematura" che cade nella regione dominata. Una freccia etichettata "benefici ⟷ costi: lasciati agli esperti per il compromesso".
## Gestione degli esercizi
Questa pagina contiene 5 domande a scelta multipla per una verifica immediata della comprensione. Le risposte corrette e i punti di feedback sono i seguenti:
Scegliere "Gli obiettivi sono spesso difficili da quantificare, i vincoli sono annidati, il costo del feedback di valutazione è elevato, molteplici obiettivi si condizionano reciprocamente." Feedback: coglie accuratamente le tre caratteristiche e il condizionamento multi-obiettivo.
Questa è la manifestazione tipica del conflitto multi-obiettivo.
Scegliere "Comprime lo spazio decisionale e maschera le reali relazioni di compromesso, impedendo agli esperti di giudicare quale compromesso sia stato fatto in quel punto." Feedback: una risposta a punto singolo comprime un compromesso multidimensionale in una conclusione scatola nera.
Scegliere "Esplorare e conservare un insieme di soluzioni candidate con differenze, come base per gli esperti per soppesare benefici e costi." Feedback: il sistema non dovrebbe decidere al posto degli esperti, né convergere prematuramente.
Per migliorare uno degli obiettivi, bisogna sacrificarne un altro." Feedback: non dominanza significa che non esiste una soluzione che migliori tutti gli obiettivi contemporaneamente senza peggiorarne nessuno.
## Discussione del caso di studio
La pagina fornisce il caso "Progettazione multi-obiettivo di profili alari per veicoli ipersonici", con suggerimenti per la discussione in classe:
Obiettivi difficili da quantificare, vincoli annidati, feedback costoso, conflitti multi-obiettivo. Le risposte di riferimento si trovano nell'analisi della pagina.
Consegnare un insieme di soluzioni candidate con differenze (come tipo priorità bassa resistenza, tipo equilibrato, tipo priorità alta stabilità), fornendo i valori di ciascun obiettivo, lo stato di soddisfacimento dei vincoli e le spiegazioni dei compromessi chiave, permettendo ai decisori di confrontare sulla curva benefici-costi, con la selezione finale da parte degli esperti in base alle preferenze.
## Verifica della comprensione
Concludere con tre punti chiave:
Quando si vede qualsiasi "soluzione ottimale", prima chiedersi su quale obiettivo ha fatto concessioni.
L'insieme di soluzioni candidate lascia il giudizio di preferenza a chi comprende meglio il compito; alla consegna si dovrebbe fornire contemporaneamente un insieme di soluzioni con diverse enfasi e le relative basi di confronto.
Con un budget limitato, dare priorità alla valutazione di candidati distribuiti in modo disperso che coprono diverse direzioni di compromesso, invece di rifinire ripetutamente intorno allo stesso punto.
## Copertura delle parole chiave
Insieme di soluzioni candidate, frontiera di Pareto, non dominanza, compromessi multi-obiettivo, budget di valutazione, convergenza prematura.
## Suggerimento di transizione
Dopo aver confermato che gli studenti riescono a spiegare con parole proprie "perché non si può convergere prematuramente a un punto singolo" e "come l'insieme di soluzioni candidate supporta il compromesso degli esperti", passare alla pagina successiva con esempi, applicazioni o riepilogo.
### Ricerca di Risposte Utilizzabili ed Esperimenti Mentali
*Pagina 4*
> **Obiettivo della pagina:** Gli studenti devono comprendere come trasformare un problema reale in un processo sistematico esplorabile e verificabile.
**Punti chiave dell'insegnamento**
- Di fronte a un problema reale, prima scrivere le quattro domande dell'esperimento mentale: cosa può essere cambiato, come valutarlo, cosa deve essere soddisfatto, come giudicare se è meglio. Se le quattro domande non sono chiare, qualsiasi algoritmo si scelga in seguito difficilmente produrrà risposte utilizzabili.
- Per ogni soluzione candidata, scrivere almeno quattro elementi: benefici, costi, condizioni di applicabilità, rischi. Una soluzione che scrive solo "più veloce, più forte" senza costi e confini quasi certamente sarà messa in difficoltà durante la revisione.
- Sommare ponderata molteplici obiettivi in un punteggio e poi prendere il massimo equivale a presupporre che i pesi siano già determinati. Se i pesi stessi sono soggettivi, questo approccio nasconde la decisione di compromesso nel punteggio. Conservare candidati differenziati e confrontarli esplicitamente è più vicino a una "risposta utilizzabile".
> **Obiettivo della pagina**
>
> Comprendere che di fronte a problemi ingegneristici reali, il primo lavoro non è scegliere l'algoritmo, ma trasformare il problema in un esperimento mentale esplorabile, eseguibile e verificabile; e sviluppare sistematicamente l'esplorazione in diverse direzioni, conservando un insieme di soluzioni candidate differenziate, invece di convergere prematuramente a una presunta "risposta ottimale".
> **Ordine di esposizione**
>
> 1. Prima parlare del condizionamento multi-obiettivo nel mondo reale. Aumentare la portanza di un velivolo può cambiare resistenza e stabilità, ridurre la latenza del modello può danneggiare la precisione, migliorare le prestazioni del sistema può aumentare consumo energetico, costi e rischi per la sicurezza. Il progresso su un indicatore spesso avviene a scapito di un altro, quindi una risposta a punto singolo "migliore su tutti gli indicatori" di solito non esiste.
>
> Cosa può essere cambiato? Come valutarlo dopo il cambiamento? Quali condizioni devono essere soddisfatte? Come giudicare quale risultato è migliore?
>
> Elencare le variabili modificabili e le variabili decisionali, come parametri, strutture, strategie, regole di scheduling, e delimitare le condizioni prestabilite.
>
> Determinare gli indicatori e i criteri di valutazione, ad esempio se guardare la tempestività o il consumo energetico, il picco o la media, quale segmento di dati utilizzare.
>
> Chiarire i vincoli rigidi e i confini, come soglie di sicurezza, limiti di latenza, limiti di consumo energetico e budget, normative e permessi dello spazio aereo; le soluzioni fuori limite vengono eliminate direttamente.
>
> Definire i criteri di confronto e le preferenze, spiegando in quali scenari si dà più importanza a quale obiettivo, e la gamma di costi accettabili.
>
> 3. Parlare della forma dell'output. L'esplorazione dovrebbe svilupparsi in diverse direzioni, producendo un insieme di soluzioni candidate con differenze, ognuna annotata con benefici, costi, condizioni di applicabilità e rischi, permettendo agli esperti del dominio di confrontare le scelte sotto diverse preferenze.
>
> Eseguibile, valutabile, soddisfa i vincoli rigidi, può spiegare i compromessi, e può supportare scelte sotto diverse preferenze. Una risposta a punto singolo che massimizza un solo indicatore di solito non soddisfa questi criteri.
>
> Gli assi orizzontale e verticale possono rappresentare due obiettivi che si condizionano, la curva o il gruppo di punti rappresenta il dominio delle soluzioni raggiungibili, oltre i vincoli rigidi c'è la regione fuori limite. I candidati da A a D hanno ciascuno compromessi diversi; il punto chiave del diagramma non è trovare l'unico punto ottimale, ma conservare le differenze e confrontarle esplicitamente.
> **Spunti per gli esercizi**
>
> - Definire le variabili modificabili, i criteri di valutazione, i vincoli rigidi e i criteri di confronto. Non chiedere prima "quale algoritmo usare" o "raccogliere prima i dati". La seconda domanda dovrebbe scegliere "Il progresso su un indicatore spesso avviene a scapito di un altro, quindi di solito non esiste un unico ottimo globale". Il conflitto tra obiettivi è la norma nei problemi reali, non un errore di definizione. La terza domanda dovrebbe spiegare che la convergenza prematura a un punto singolo fa perdere soluzioni candidate differenziate, indebolendo lo spazio degli esperti per scegliere e decidere sotto diverse preferenze. Nella quarta domanda, ciò che non è un criterio di "risposta utilizzabile" è "ottenere il massimo globale su un singolo indicatore, ignorando gli altri". La quinta domanda dovrebbe spiegare che l'esperimento mentale espone i conflitti tra obiettivi, i confini dei vincoli e i criteri di valutazione prima dell'esecuzione, stabilendo un quadro problematico utilizzabile per la successiva esplorazione multi-obiettivo. Scheduling della consegna con droni urbani. Si può guidare gli studenti a trasformare lo scenario in quattro domande: le variabili modificabili includono rotte e livelli di altitudine, profili di velocità, punti di decollo/atterraggio e trasferimento, tempi di ricarica o cambio batteria, suddivisione e raggruppamento dei compiti, assegnazione del tipo di drone
> - Le condizioni prestabilite includono meteo, permessi dello spazio aereo, geografia urbana. Gli indicatori di valutazione includono tempo medio di consegna, consumo energetico per pacco, margine di sicurezza, tasso di completamento delle attività e distribuzione dei tempi di attesa, specificando se si guarda alle ore di punta o alla media giornaliera. I vincoli rigidi includono almeno la soglia di margine di sicurezza della batteria, divieto di volo o riprogrammazione con vento eccessivo, divieto di violare zone no-fly e permessi dello spazio aereo, carico singolo non superiore al limite del modello. I criteri di confronto dovrebbero specificare che nelle ore di punta si dà più importanza alla tempestività, con maltempo si dà più importanza al margine di sicurezza e al tasso di completamento, e chiarire la gamma di costi accettabili, evitando di sommare brutalmente in un singolo punteggio. Le preferenze dei clienti, il meteo e le condizioni dello spazio aereo cambiano, l'ottimo a punto singolo vale solo sotto un certo insieme di ipotesi
> - Il gruppo di candidati copre diverse combinazioni benefici-costi, gli esperti possono scegliere in base ai vincoli e alle preferenze del giorno, e conoscere i confini di applicabilità e i rischi di ogni soluzione. Ogni soluzione dovrebbe essere annotata almeno con benefici, costi, condizioni di applicabilità, rischi e punti di differenza rispetto alle altre soluzioni dello stesso gruppo. Primo: scegliere prima l'algoritmo, poi pensare al problema
> - Secondo: forzare la somma ponderata di più obiettivi in un punteggio e poi prendere il massimo, equivale a nascondere il compromesso soggettivo nel punteggio
> - Terzo: scrivere solo "più veloce, più forte", senza costi e confini, difficile da rispondere in fase di revisione.
**Verifica della comprensione**
Chiedere agli studenti di riformulare le quattro domande con parole proprie, e fare un esempio ingegneristico o quotidiano vicino alla loro esperienza, spiegando come gli obiettivi sono in conflitto, come i candidati conservano le differenze, e come i vincoli rigidi eliminano le soluzioni fuori limite. Dopo aver confermato che gli studenti riescono a esprimere le tre cose "trasformazione del problema, gruppo di candidati, criteri di risposta utilizzabile", passare alla pagina successiva su come EvoX supporta l'esplorazione multi-obiettivo.
### Trasformazione del Problema: dalla Scelta dell'Algoritmo al Processo di Esplorazione
*Pagina 5*
> **Obiettivo della pagina:** Gli studenti devono padroneggiare gli oggetti modificabili, i criteri di valutazione e le condizioni di vincolo da chiarire di fronte a problemi reali.
**Punti chiave dell'insegnamento**
- Quando si riceve un nuovo compito, prima elencare gli oggetti modificabili: quali parametri, strutture, strategie o processi possono essere regolati? Questo elenco è lo scheletro dello spazio di ricerca e della codifica. Dopo averlo chiarito, discutere dell'algoritmo.
- Non aspettare l'ultimo round per scoprire che la soluzione non è distribuibile. Mettere i requisiti non negoziabili (come limiti di latenza, limiti di memoria GPU, compatibilità di deployment) direttamente nel filtro durante la fase di generazione o valutazione, facendo sì che l'esplorazione avvenga solo nelle regioni che non violano i vincoli.
- Nella revisione si dovrebbe usare la stessa definizione del problema: prima fissare lo spazio di ricerca, i metodi di valutazione e i vincoli, poi confrontare le prestazioni di diversi algoritmi. Solo così si può giudicare se le differenze provengono dall'algoritmo o dalla definizione del problema stessa.
Obiettivo della pagina
Di fronte a problemi reali, non chiedere subito "usare DE o PSO", ma prima trasformare il compito in un processo esplorabile. Gli studenti devono padroneggiare tre cose: cosa può essere cambiato, come valutarlo dopo il cambiamento, quali vincoli non possono assolutamente essere violati, e comprendere che la scelta dell'algoritmo è solo un componente configurabile in questo ciclo chiuso.
Ordine di esposizione
Affrontare il compito facendo prima la selezione dell'algoritmo risponde solo a "quale strumento usare per cercare", senza rispondere a "cosa cercare, cosa conta come buono, cosa non può essere violato".
Problema reale → Oggetti modificabili (parametri·strutture·strategie→codifica) → Metodi di valutazione (funzione obiettivo, indicatori, preferenze) → Vincoli fondamentali (vincoli rigidi e preferenze morbide) → Ciclo chiuso del processo di esplorazione (generazione candidati→valutazione→feedback→rigenerazione) → Gruppo di soluzioni candidate.
Oggetti modificabili, metodi di valutazione, vincoli fondamentali, processo di esplorazione.
4. Confrontare la differenza tra "selezione dell'algoritmo una tantum" e "esplorazione a ciclo chiuso", evidenziando che la qualità della definizione del problema determina il limite superiore dell'esplorazione.
5. Consolidare con domande a scelta multipla e il caso del modello di ranking con raccomandazioni.
Punti chiave dell'insegnamento
Definire quali parametri, strutture, strategie o processi possono essere regolati, formando così lo spazio di ricerca e i confini della codifica. Senza questo, le soluzioni candidate non possono essere rappresentate né generate.
Definire come giudicare la qualità dopo il cambiamento, inclusi funzione obiettivo, indicatori di valutazione, direzione delle preferenze, e metriche di fattibilità e diversità. Il metodo di valutazione determina sostanzialmente la direzione della ricerca.
Distinguere i vincoli rigidi che devono essere soddisfatti dalle preferenze morbide negoziabili. Mescolare i vincoli rigidi nella funzione obiettivo "con uno sconto" facilita la produzione di soluzioni che sembrano avere un punteggio alto ma non sono assolutamente distribuibili.
Formalizzare il problema come un ciclo chiuso "generazione candidati—valutazione—feedback—rigenerazione", facendo sì che i risultati della valutazione influenzino la generazione successiva, invece di fissare una volta per tutte l'approccio risolutivo.
Rispondere in sequenza: quali parametri sono regolabili? Con quali indicatori o quali indicatori in conflitto tra loro valutare? Quali vincoli non possono assolutamente essere violati? Dopo aver risposto a queste domande, il compito è già stato formalizzato come un problema multi-obiettivo collegabile a un risolutore evolutivo; a questo punto decidere quale algoritmo usare e con quale configurazione di operatori esplorare è solo una decisione ingegneristica sostituibile all'interno del ciclo chiuso. In altre parole, l'algoritmo non è la risposta stessa, è solo un componente configurabile del processo di esplorazione; la qualità della definizione del problema determina il limite superiore dell'esplorazione.
Attribuire direttamente "l'algoritmo non funziona bene" all'algoritmo stesso, ignorando la definizione vaga dello spazio di ricerca, la disconnessione tra indicatori di valutazione e obiettivi aziendali reali, e la mancanza di vincoli rigidi. Sistemare prima la definizione del problema, poi parlare di sostituzione dell'algoritmo, è spesso più efficace che cambiare ripetutamente algoritmo.
Spunti per i materiali
Il problema reale passa prima attraverso oggetti modificabili, metodi di valutazione, vincoli fondamentali, poi entra nel ciclo chiuso del processo di esplorazione. Il ciclo chiuso evidenzia quattro fasi: generazione candidati, valutazione, feedback, rigenerazione, e sottolinea che la scelta dell'algoritmo è solo un componente interno al ciclo chiuso. Durante la spiegazione si può seguire il diagramma lungo le frecce, aiutando gli studenti a vedere la relazione di priorità tra "definizione del problema" e "esecuzione dell'algoritmo".
Gestione degli esercizi
Il primo passo dovrebbe definire quali parametri, strutture, strategie o processi possono essere regolati, formando lo spazio di ricerca e i confini della codifica. Nel feedback sottolineare: gli oggetti modificabili rendono rappresentabili le soluzioni candidate, e solo allora la valutazione e l'iterazione successive sono possibili.
Il metodo di valutazione deve definire come giudicare la qualità dopo il cambiamento, inclusi funzione obiettivo, indicatori, preferenze, e metriche di fattibilità e diversità. Nel feedback spiegare che non è un accessorio dell'algoritmo, ma il "volante" del processo di esplorazione, e deve essere determinato dal compito stesso.
Una latenza P99 non superiore a 80 millisecondi è un vincolo rigido che deve essere soddisfatto. Nel feedback distinguere "deve essere soddisfatto" e "dovrebbe essere soddisfatto il più possibile": i requisiti non negoziabili sono vincoli rigidi, le tendenze negoziabili sono preferenze morbide; i vincoli rigidi dovrebbero essere filtrati in anticipo nella fase di generazione o valutazione.
La differenza chiave tra il ciclo chiuso e la selezione una tantum è che i risultati della valutazione cambiano la generazione successiva, regolando continuamente la direzione della ricerca. Nel feedback sottolineare che il punto non è la velocità o il tipo di algoritmo, ma se i risultati della valutazione possono refluire per cambiare il modo di generazione successivo.
L'algoritmo non è la risposta stessa, perché la qualità della definizione del problema determina il limite superiore dell'esplorazione, e l'algoritmo è solo un componente configurabile e sostituibile del processo di esplorazione. Nel feedback guidare gli studenti a spostare l'attenzione da "quale algoritmo cambiare" a "la definizione del problema è abbastanza chiara".
Guida al caso di studio
Il caso di ottimizzazione multi-obiettivo del modello di ranking con raccomandazioni può essere organizzato secondo "oggetti modificabili—metodi di valutazione—vincoli fondamentali". Gli oggetti modificabili includono tasso di apprendimento, coefficiente di regolarizzazione, numero di layer della rete, numero di teste di attenzione, strategia di combinazione delle feature; i metodi di valutazione sono la massimizzazione dell'AUC offline, la minimizzazione della latenza di inferenza P99 online e del numero di parametri del modello, con possibile aggiunta della diversità dei candidati; i vincoli fondamentali sono latenza P99 non superiore a 80 millisecondi, memoria GPU non superiore a 12GB, possibilità di deployment diretto nel framework di inferenza esistente; le preferenze morbide sono meno parametri e latenza inferiore nel rispetto dei vincoli rigidi.
La generazione dei candidati campiona iperparametri e configurazioni strutturali, la valutazione calcola l'AUC e misura o stima latenza e occupazione di memoria, controllando contemporaneamente i vincoli rigidi; la fase di feedback aggiorna la distribuzione di ricerca in base alla qualità multi-obiettivo e alle preferenze, generando una nuova generazione di candidati. La garanzia di distribuibilità consiste nel trattare latenza, memoria e compatibilità del framework come vincoli rigidi, eliminando direttamente le soluzioni non fattibili nella fase di generazione o valutazione; per indicatori costosi come la latenza si possono usare prima modelli surrogati o test su piccola scala per filtrare, poi fare una verifica completa su pochi candidati. L'output finale è un insieme di soluzioni candidate ben distribuite sul compromesso degli obiettivi, lasciato alla decisione ingegneristica e di prodotto.
Verifica della comprensione
La definizione del problema precede la scelta dell'algoritmo; gli oggetti modificabili determinano lo spazio di ricerca e la codifica; i metodi di valutazione determinano la direzione della ricerca; i vincoli rigidi devono essere filtrati in anticipo; l'algoritmo è solo un componente sostituibile all'interno del ciclo chiuso. Se gli studenti ripetono solo il nome dell'algoritmo, si può chiedere "In quale fase entra l'algoritmo? Cosa bisogna ancora determinare prima?"
Suggerimento di transizione
Dopo aver confermato che gli studenti riescono a spiegare "prima definire cosa è modificabile, come valutare, cosa non può essere violato, poi organizzare la risoluzione in un ciclo chiuso", passare alla pagina successiva con metodi specifici, applicazioni o riepilogo.
### Ottimizzazione delle Preferenze e Gruppo di Soluzioni Candidate Multiple
*Pagina 6*
> **Obiettivo della pagina:** Gli studenti devono comprendere il ruolo pratico di conservare un insieme di soluzioni candidate diversificate nelle decisioni degli esperti.
> **Obiettivo della pagina**
>
> Comprendere che l'ottimizzazione delle preferenze non è prendere la decisione finale al posto degli esperti, ma usare le preferenze come segnale guida per la ricerca e il filtraggio, e far produrre all'algoritmo un insieme di soluzioni candidate comparabili e interpretabili nella struttura dei compromessi, lasciando il potere di scelta agli esperti del dominio.
**Punti chiave dell'insegnamento**
- Non comprimere anticipatamente i multi-obiettivi in un singolo punteggio scalare
- Non consegnare solo una "soluzione ottimale", ma produrre un insieme di soluzioni candidate. Sotto conflitti multi-obiettivo non esiste una soluzione ottimale unica naturale; le soluzioni comparabili formano una frontiera ideale dei compromessi. Se si somma ponderata in anticipo, equivale a scegliere un punto di compromesso implicito per il decisore
- Una volta che i vincoli o le preferenze cambiano, quella soluzione potrebbe perdere immediatamente valore. Punti di riferimento, priorità degli obiettivi, intervalli di peso, feedback interattivo. Questi vengono usati insieme per restringere l'area di interesse e migliorare l'efficienza della ricerca, non per collassare anticipatamente lo spazio delle soluzioni in un punto. Valore = differenziazione × interpretabilità. La differenza efficace non è rumore casuale, né copie perturbate vicino alla stessa soluzione, ma distribuita lungo la struttura dei compromessi degli obiettivi, con rappresentanti all'estremità conservativa, nella fascia intermedia e all'estremità aggressiva. L'evoluzione converge spontaneamente verso la regione attualmente ottimale, quindi servono strategie di mantenimento della distribuzione, controllo della densità di affollamento o strategie di archiviazione, altrimenti il gruppo di candidati degenera in ripetizioni della stessa risposta.
**Copertura delle parole chiave**
- Ottimizzazione delle preferenze, gruppo di soluzioni candidate, frontiera ideale dei compromessi, conservazione della diversità, interpretabilità, controllo della densità di affollamento, strategie di archiviazione.
> **Spunti per i materiali**
>
> - Asse orizzontale: costo (minore è meglio), asse verticale: latenza (minore è meglio), la curva è la frontiera ideale dei compromessi, il punto di riferimento delle preferenze guida la direzione della ricerca, i candidati dovrebbero essere distribuiti lungo la frontiera
> - A destra, confronto tra la somma ponderata tradizionale che fornisce solo un singolo punto ottimale e l'ottimizzazione delle preferenze che fornisce un gruppo di soluzioni candidate.
> **Spunti per gli esercizi**
>
> - L'ottimizzazione delle preferenze codifica le preferenze del decisore nel processo di ricerca e filtraggio, invece di assegnare un punteggio una tantum dopo la fine della ricerca. Nel feedback sottolineare il "momento di intervento delle preferenze", e spiegare che le preferenze non eliminano i conflitti tra obiettivi. Differenza efficace = distribuzione dispersa sul compromesso degli obiettivi + ogni differenza spiegabile con la struttura dei compromessi. Suggerire agli studenti: quantità elevata e grandi differenze non equivalgono a efficacia. Forme di preferenza come punti di riferimento o intervalli di peso servono a restringere l'area di interesse della ricerca e migliorare l'efficienza, senza collassare anticipatamente lo spazio delle soluzioni in un punto. Suggerimento: le preferenze non sostituiscono la funzione obiettivo, né garantiscono automaticamente la diversità. Senza mantenimento della distribuzione, controllo della densità di affollamento o strategie di archiviazione, l'evoluzione converge naturalmente verso la regione attualmente ottimale, e il gruppo di candidati diventa copie ripetute vicino alla stessa soluzione. Il cambiamento della forma di output significa cambiamento dell'attribuzione del potere decisionale: l'algoritmo fornisce un gruppo di candidati comparabili, gli esperti del dominio completano la scelta finale combinando i vincoli reali, e possono usare il risultato della scelta come feedback per continuare l'iterazione. Nella pianificazione dei turni e delle rotte di una flotta di consegna urbana, l'ottimizzazione delle preferenze usa punti di riferimento, priorità degli obiettivi, intervalli di peso o feedback interattivo come segnali di selezione e filtraggio durante l'iterazione
> - Nella forma di output, si passa da un singolo "turno ottimale" a un gruppo di soluzioni candidate lungo la frontiera dei compromessi costo-latenza, ad esempio conservativo (priorità alla riduzione dei costi), equilibrato (bilanciamento costo-latenza), aggressivo (priorità alla riduzione della latenza). Se tutte le soluzioni candidate sono molto vicine in termini di costo e latenza, si dovrebbe sospettare la mancanza di meccanismi di mantenimento della diversità
> - Per giudicare se le differenze sono efficaci, proiettare le soluzioni sul piano costo-latenza, verificando se i punti sono chiaramente dispersi lungo la frontiera e se la direzione di compromesso di ogni punto può essere spiegata con la struttura dei compromessi degli obiettivi.
**Verifica della comprensione**
Far distinguere agli studenti con parole proprie "guida" e "sostituzione", e spiegare perché il valore del gruppo di candidati è uguale a differenziazione × interpretabilità. Se gli studenti sottolineano solo la quantità elevata, chiedere: "Queste soluzioni possono essere interpretate come diversi modelli di compromesso sul compromesso degli obiettivi?"
> **Suggerimento di transizione**
>
> Dopo aver confermato che gli studenti riescono a dire che l'ottimizzazione delle preferenze serve a conservare il potere di scelta degli esperti, e che il gruppo di candidati deve essere comparabile e interpretabile, passare alla pagina successiva su casi di applicazione o dettagli metodologici.
### Contesto Pratico Multi-Obiettivo della Progettazione di Profili Alari Supercritici
*Pagina 7*
> **Obiettivo della pagina:** Gli studenti devono comprendere gli scenari applicativi specifici e i molteplici vincoli della progettazione di profili alari supercritici nell'ingegneria aeronautica.
> **Obiettivo della pagina**
>
> Comprendere lo scenario ingegneristico reale della progettazione di profili alari supercritici, cogliere i conflitti multi-obiettivo e i vincoli, e sapere che l'output ragionevole è un insieme di soluzioni di compromesso piuttosto che una singola soluzione ottimale.
**Punti chiave dell'insegnamento**
- 1. Condizioni operative e origine fisica. In crociera transonica, il flusso si accelera sulla superficie superiore del profilo fino a velocità supersoniche, poi decelera attraverso un'onda d'urto
- La posizione e l'intensità dell'onda d'urto influenzano contemporaneamente il livello di resistenza e il confine di insorgenza del buffeting. Quindi la progettazione non consiste nel portare un singolo indicatore all'estremo, ma nel far cadere simultaneamente molteplici indicatori in intervalli accettabili. 2. Triplice vincolo. Il coefficiente di portanza critico di buffeting fornisce il confine di sicurezza e portanza utilizzabile; l'insorgenza anticipata del buffeting comprime il margine di buffeting e l'inviluppo di volo, ed è una soglia che non può essere superata verso il basso
- Il rapporto portanza-resistenza in crociera riflette l'efficienza aerodinamica ed economica, determinando autonomia, consumo di carburante e costi operativi, ed è il principale termine di beneficio
- Le simulazioni ad alta precisione hanno costi elevati, una singola valutazione è costosa, limitando lo spazio di progettazione esplorabile, costituendo un vincolo di risorse. 3. Origine dei conflitti. Aumentare il rapporto portanza-resistenza in crociera di solito richiede una piattaforma di aspirazione più forte sul bordo d'attacco e un'onda d'urto più arretrata, ma questo indebolisce il confine di buffeting
- Per preservare il margine di buffeting rallentando il profilo, si potrebbe sacrificare l'efficienza di crociera. La manifestazione tipica è "migliorare uno, peggiorare l'altro". 4. Approccio risolutivo. Ciò che serve veramente in ingegneria è un insieme di soluzioni di compromesso di Pareto valide sotto diverse preferenze, permettendo ai decisori di fare scelte interpretabili tra sicurezza, efficienza e costo. Si possono combinare profili di base e campioni perturbati per generare e prevedere continuamente, trasformando il filtraggio seriale in esplorazione multi-obiettivo parallela, producendo soluzioni candidate diversificate. 5. Punti di giudizio. Ogni volta che appare "migliorare un indicatore peggiora un altro" e l'indicatore ha un limite inferiore rigido, bisogna trattarlo come un problema di ottimizzazione multi-obiettivo con vincoli, senza cercare una soluzione ottimale unica che non esiste.
**Copertura delle parole chiave**
- Profilo alare supercritico
- Coefficiente di portanza critico di buffeting
- Rapporto portanza-resistenza in crociera
- Costo delle simulazioni ad alta precisione
- Conflitti e compromessi multi-obiettivo
- Frontiera di Pareto
- Dominio di compromesso fattibile.
> **Spunti per i materiali**
>
> - Si può usare un diagramma schematico della sezione del profilo alare per illustrare la zona di aspirazione sulla superficie superiore, l'onda d'urto e l'alta pressione sulla superficie inferiore
> - Usare un diagramma dello spazio dei compromessi multi-obiettivo per illustrare il trade-off tra rapporto portanza-resistenza in crociera e margine di buffeting, il dominio di compromesso fattibile, la regione dominata e la frontiera di Pareto.
**Gestione degli esercizi**
Le domande a scelta multipla verificano in sequenza l'essenza del compromesso multi-obiettivo, il ruolo del coefficiente di buffeting come confine di sicurezza, la relazione tra rapporto portanza-resistenza in crociera ed efficienza economica, la limitazione dei tentativi ed errori seriali dal budget di simulazione, e l'approccio ragionevole di conservare soluzioni di compromesso di Pareto. Dopo la risposta, chiedere agli studenti di esporre le motivazioni; in caso di errore, tornare al paragrafo corrispondente per verificare le tre categorie di informazioni "obiettivi, vincoli, risorse". Per il caso di studio, prima determinare che l'obiettivo è massimizzare il rapporto portanza-resistenza in crociera, e i vincoli sono la soglia di sicurezza del coefficiente di buffeting e il limite superiore del budget di simulazione; poi spiegare l'uso di profili di base più campioni perturbati per generazione e previsione, esplorando in parallelo con un numero limitato di valutazioni, producendo un insieme di soluzioni candidate interpretabili, con criteri di valutazione basati sui valori specifici di ogni soluzione rispetto al confine di buffeting e al rapporto portanza-resistenza in crociera.
**Verifica della comprensione**
In questa pagina, quale elemento è l'obiettivo di beneficio, quale è la soglia che non può essere superata, e perché i tradizionali tentativi ed errori punto per punto difficilmente funzionano. Se gli studenti riescono solo a ripetere i termini, chiedere "Come influisce l'aumento del rapporto portanza-resistenza in crociera sul margine di buffeting".
> **Suggerimento di transizione**
>
> Dopo aver confermato che gli studenti riescono a distinguere obiettivi e vincoli, e a spiegare il conflitto "uno sale, l'altro scende", passare alla pagina successiva con esempi, applicazioni o riepilogo.
### Generazione Continua di Profili di Base e Campioni Perturbati
*Pagina 8*
> **Obiettivo della pagina:** Gli studenti devono padroneggiare come il sistema combina profili di base e campioni perturbati per previsioni continue.
> **Obiettivo della pagina**
>
> Comprendere il ciclo chiuso "profilo di base—campioni perturbati—previsione/valutazione—feedback evolutivo—generazione continua" nell'ottimizzazione di profili alari, padroneggiare come il profilo di base fornisca un'ancora stabile, come i campioni perturbati forniscano diversità, e come il feedback evolutivo renda l'esplorazione multi-obiettivo continua e scalabile.
> **Ordine di esposizione**
>
> 1. Prima stabilire il riferimento. Il profilo di base deve prima soddisfare i vincoli del compito; definisce lo spazio di parametrizzazione, la gamma di perturbazione e i criteri di valutazione. Senza riferimento, lo spazio di ricerca tende a derivare in modo disordinato, e i profili candidati difficilmente possono essere confrontati equamente.
>
> 2. Poi generare le perturbazioni. Intorno al profilo di base, applicare perturbazioni controllabili alla distribuzione di spessore, alla curvatura o ai parametri dei punti di controllo, generando continuamente famiglie di campioni a lotti o online. Piccole perturbazioni per la rifinitura locale, grandi perturbazioni per la copertura globale; intensità, direzione e distribuzione di campionamento delle perturbazioni dovrebbero essere controllabili.
>
> 3. Previsione/valutazione in batch. Inviare i campioni di ogni round alla fase di previsione/valutazione, producendo le prestazioni di molteplici candidati sugli obiettivi. Queste prestazioni non sono il punto finale, ma la base diretta per la successiva selezione, aggiornamento e ricampionamento evolutivo.
>
> 4. Chiudere con il feedback. Regolare l'intensità, la direzione o la distribuzione di campionamento delle perturbazioni del round successivo in base al feedback evolutivo, rendendo il ciclo chiuso veramente continuo, invece di ripetere il campionamento indipendentemente ogni round.
**Punti chiave dell'insegnamento**
- Selezione del profilo di base
- Generazione continua di campioni perturbati
- Previsione multi-campione combinata con l'evoluzione
- Ciclo chiuso continuo. Il profilo di base è un riferimento stabile, non la risposta finale
- Permette di confrontare diversi campioni perturbati sotto lo stesso criterio di valutazione. I campioni perturbati sono responsabili della diversità, bilanciando locale e globale. Se ogni round si fanno solo piccole perturbazioni nella stessa direzione, la popolazione tende alla maturità precoce
- Se si fanno grandi perturbazioni completamente casuali, si potrebbe sprecare il budget di valutazione. L'approccio più robusto è mescolare perturbazioni locali e globali, usando il feedback per determinare il focus del campionamento del round successivo. Il feedback evolutivo deve agire sulla strategia di generazione delle perturbazioni del round successivo. Se si registrano solo i risultati senza cambiare il campionamento, il ciclo chiuso degenera in un processo aperto.
**Gestione degli esercizi**
Il ruolo principale del profilo di base è fungere da ancora stabile per la parametrizzazione, la gamma di perturbazione e i criteri di valutazione. In caso di risposta corretta, sottolineare che ancora lo spazio di ricerca, evitando la deriva disordinata dei candidati e permettendo un confronto equo dei campioni; in caso di errore, tornare alla prova "cosa succede se manca il riferimento".
Quando si generano continuamente campioni perturbati, si dovrebbero regolare intensità, direzione e distribuzione di campionamento delle perturbazioni a lotti o online. Piccole perturbazioni in una sola direzione limitano la diversità, grandi perturbazioni completamente casuali sprecano il budget, e nessuna delle due è sufficiente per bilanciare rifinitura locale e copertura globale.
Dopo aver inviato i campioni perturbati in batch alla previsione/valutazione, l'output principale sono le prestazioni di molteplici candidati sugli obiettivi, per l'uso nella selezione, aggiornamento e ricampionamento evolutivi. Si può suggerire: la previsione/valutazione è l'input del processo evolutivo, non etichette hardcoded o risposte finali.
Il feedback evolutivo supporta la generazione "continua" regolando intensità, direzione o distribuzione di campionamento delle perturbazioni, e aggiungendo i campioni del round successivo. Se il feedback registra solo senza cambiare il campionamento, il ciclo chiuso non può migliorare continuamente.
L'approccio che meglio riflette il ciclo chiuso è generare ogni round una famiglia di campioni di profili alari, che dopo valutazione/previsione entra nell'evoluzione, e in base ai risultati si aggiungono i campioni perturbati del round successivo. Senza uno qualsiasi dei passi di generazione campioni, valutazione/previsione, feedback evolutivo o ricampionamento, non si può formare un'ottimizzazione continua.
Spunti per il caso di studio:
Nell'ottimizzazione di profili di base supercritici, l'obiettivo è massimizzare il rapporto portanza-resistenza, minimizzare la divergenza di resistenza, mantenere il vincolo di spessore strutturale; ogni round può generare 256 campioni, con valutazioni che richiedono tempo considerevole. Un round può essere progettato come: con il profilo di base come ancora, applicare perturbazioni controllabili alla distribuzione di spessore, alla curvatura o ai punti di controllo, generando un lotto di campioni di profili alari; inviare in batch alla previsione/valutazione, ottenendo prestazioni di rapporto portanza-resistenza, divergenza di resistenza, vincolo di spessore; poi entrare nella selezione, aggiornamento e ricampionamento evolutivi; infine regolare l'intensità, la direzione o la distribuzione di campionamento delle perturbazioni del round successivo in base al feedback. Il profilo di base non può essere sostituito arbitrariamente, perché definisce lo spazio di parametrizzazione, la gamma di perturbazione e i criteri di valutazione; la sostituzione causerebbe la deriva dello spazio di ricerca, l'incomparabilità dei candidati e la perdita del riferimento stabile del ciclo chiuso.
Se l'evoluzione si blocca per diversi round consecutivi, si può usare il feedback per aumentare l'intensità delle perturbazioni o ampliare la distribuzione di campionamento, introducendo diversità globale; si può anche regolare la direzione delle perturbazioni, facendo esplorazione mirata su parametri sensibili come spessore e curvatura; si possono anche mescolare perturbazioni locali fini e perturbazioni globali, aumentando i lotti di campioni o il rifornimento online, e conservando candidati diversificati sulla frontiera di Pareto, evitando la maturità precoce della popolazione.
Chiedere agli studenti di riformulare in una frase le quattro fasi del ciclo chiuso, e spiegare perché il profilo di base non può essere sostituito dai campioni perturbati. Dopo aver confermato che gli studenti riescono a esprimere la relazione "prima fissare l'ancora, poi controllare le perturbazioni, valutare ed entrare nell'evoluzione, il feedback regola il round successivo", passare alla pagina successiva con esempi, applicazioni o riepilogo.
### Applicazione dei Modelli Surrogati per Affrontare gli Alti Costi di Simulazione
*Pagina 9*
> **Obiettivo della pagina:** Gli studenti devono comprendere come i modelli surrogati superano efficacemente il collo di bottiglia degli alti costi delle simulazioni ad alta precisione.
> **Obiettivo della pagina**
>
> Comprendere perché i modelli surrogati riescono a gestire efficacemente il collo di bottiglia degli alti costi delle simulazioni ad alta fedeltà, e padroneggiare la loro posizione, modalità di intervento e controllo del rischio nell'ottimizzazione evolutiva multi-obiettivo.
> **Ordine di esposizione**
>
> Prima indicare che l'integrazione diretta di simulazioni ad alta fedeltà nel ciclo evolutivo causa un rapido esaurimento del budget; poi spiegare come il modello surrogato come "valutatore approssimato economico" sostituisca la valutazione punto per punto; poi sviluppare il meccanismo di accelerazione confrontando l'ottimizzazione diretta ad alta fedeltà con l'ottimizzazione assistita da surrogato; quindi concentrarsi sulle quattro fasi: addestramento offline, previsione batch online, selezione assistita da surrogato, correzione per backfill; infine discutere il compromesso precisione-costo, il rischio di distribuzione fuori dominio, i malintesi comuni e la lista di autoverifica.
**Punti chiave dell'insegnamento**
- In problemi come profili alari supercritici e resistenza strutturale, una singola simulazione CFD o agli elementi finiti richiede da decine di minuti a diverse ore. Gli algoritmi evolutivi valutano l'intera popolazione ad ogni generazione, e il numero di valutazioni e il budget si consumano quasi linearmente; il budget viene esaurito in poche generazioni. La dimensione della popolazione e il numero di iterazioni sono costretti a comprimersi, la frontiera multi-obiettivo è difficile da esplorare adeguatamente, e lo spazio di progettazione è bloccato dal "non potersi permettere la valutazione"
- Apprendere la mappatura input-output dai campioni di simulazione esistenti, prevedendo rapidamente i valori degli obiettivi e le prestazioni dei vincoli delle soluzioni candidate
- Non è una simulazione più precisa, ma un'approssimazione più economica. Sostituisce la valutazione punto per punto, non la fase di verifica. A sinistra: ottimizzazione diretta ad alta fedeltà con pochi candidati, tempo per singola esecuzione lungo, numero totale di valutazioni basso, copertura della ricerca ristretta
- A destra: ottimizzazione assistita da surrogato con molti candidati, previsione per singola esecuzione estremamente rapida, numero totale di valutazioni elevato, copertura più ampia, budget ad alta fedeltà concentrato sui candidati chiave, con filtraggio per soglia di incertezza e un numero limitato di verifiche ad alta fedeltà. Addestramento offline per stabilire la mappatura iniziale
- Previsione batch online di tutti i candidati di ogni generazione
- Selezione assistita da surrogato che combina valori previsti e incertezza per selezionare candidati ad alto potenziale o alto contenuto informativo
- Correzione per backfill che riscrive un numero limitato di risultati ad alta fedeltà nel database dei campioni e aggiorna incrementalmente il surrogato. Un surrogato più complesso è di solito più preciso, ma i costi di addestramento e inferenza aumentano. Il vincolo chiave è che il surrogato deve essere significativamente più veloce della simulazione ad alta fedeltà, con una precisione sufficiente a supportare la pressione selettiva, altrimenti diventa un nuovo collo di bottiglia o devia l'evoluzione. Il surrogato è affidabile solo vicino alla distribuzione di addestramento. Le previsioni fuori distribuzione possono sembrare ragionevoli ma deviare gravemente dai valori reali, fuorviando la ricerca. Approcci fattibili includono la stima dell'incertezza in output, l'impostazione di soglie di confidenza, la verifica forzata ad alta fedeltà per candidati fuori limite, e il controllo periodico della qualità del surrogato con statistiche di errore. Il modello surrogato non elimina la verifica, né risolve il problema comprimendo la popolazione
- Il suo valore è concentrare il budget limitato ad alta fedeltà sui candidati più critici e incerti.
**Copertura delle parole chiave**
- Modello surrogato, simulazione ad alta fedeltà, valutatore approssimato economico, addestramento offline, previsione batch online, selezione assistita da surrogato, correzione per backfill, soglia di incertezza, previsione fuori distribuzione, compromesso precisione-costo.
> **Spunti per gli esercizi**
>
> - Eseguire simulazioni ad alta fedeltà per ogni candidato, sostituendolo con filtraggio approssimato batch tramite surrogato più un numero limitato di verifiche ad alta fedeltà. Le opzioni errate spesso presumono erroneamente di eliminare la verifica o comprimere la popolazione. Il costo di una singola simulazione è elevato, e valutare l'intera popolazione ad ogni generazione esaurisce rapidamente il budget. Il limite deriva dal costo, non dalla differenziabilità o dalla capacità multi-obiettivo. Un modello più complesso è di solito più preciso ma più lento nell'addestramento e nell'inferenza, e deve essere abbinato alla velocità della ricerca evolutiva. Non si può ritenere che la complessità non abbia costi o che più semplice sia più preciso. Le previsioni possono deviare gravemente dai valori reali e fuorviare la ricerca. Il surrogato non passa automaticamente alla alta fedeltà, né corregge automaticamente, serve il controllo tramite incertezza e verifica. Far correggere continuamente il surrogato verso la superficie di risposta reale, riducendo la deviazione delle previsioni successive. Non serve a ridurre il numero di candidati o a sostituire la stima dell'incertezza. Il processo può essere scritto come: campionamento iniziale, addestramento offline, previsione batch online, filtraggio, verifica ad alta fedeltà, aggiornamento per backfill, iterazione ciclica
> - Il controllo del rischio sottolinea la stima dell'incertezza, le soglie di confidenza, la riserva di budget per campionamento aggiuntivo, il monitoraggio con statistiche di errore, e l'assegnazione prioritaria del budget ad alta fedeltà ai candidati vicini alla frontiera.
**Verifica della comprensione**
Chiedere agli studenti di spiegare con parole proprie cinque cose: chi ha sostituito chi, in quale fase interviene il surrogato, come filtrare le previsioni inaffidabili, su quali candidati si spende il budget ad alta fedeltà, e come i risultati della verifica vengono ricondotti per correggere il surrogato.
> **Suggerimento di transizione**
>
> Dopo aver confermato che gli studenti riescono a distinguere "filtraggio approssimato" e "verifica reale", passare alla pagina successiva con applicazioni o riepilogo.
### Output di Soluzioni Candidate Diversificate che Bilanciano Tutti gli Indicatori
*Pagina 10*
> **Obiettivo della pagina:** Gli studenti devono padroneggiare come il sistema produce infine una combinazione di soluzioni candidate che bilancia molteplici indicatori.
> **Obiettivo della pagina**
>
> Comprendere che nell'ottimizzazione ingegneristica multi-obiettivo, l'output del sistema non è una singola soluzione ottimale, ma un insieme di soluzioni candidate diversificate che bilanciano molteplici indicatori; padroneggiare il meccanismo di valutazione multi-indicatore, il ruolo del modello surrogato, il metodo di confronto della frontiera di Pareto e i requisiti di riproducibilità.
> **Ordine di esposizione**
>
> 1. Prima confermare la forma dell'output. In problemi multi-obiettivo come la progettazione di profili alari, la consegna finale è un insieme di soluzioni candidate, non una risposta a punto singolo. Bisogna osservare la struttura dei compromessi dell'intero gruppo di candidati rispetto a indicatori come coefficiente di portanza critico di buffeting, rapporto portanza-resistenza in crociera, controllo del peso strutturale, robustezza alle perturbazioni.
>
> 2. Spiegare perché non è una risposta a punto singolo. Quando gli obiettivi sono in conflitto, ad esempio aumentare il coefficiente di portanza critico di buffeting spesso comporta una diminuzione del rapporto portanza-resistenza in crociera, non esiste una soluzione fattibile che domini simultaneamente tutti gli indicatori. Se la valutazione è dominata da un singolo indicatore, la ricerca converge a una soluzione di compromesso accettabile in media ma non eccellente negli indicatori chiave, o addirittura perde direzioni di progettazione con preferenze chiare.
>
> 3. Chiarire il meccanismo di generazione e previsione. Il meccanismo di valutazione multi-indicatore integra molteplici vincoli e obiettivi nello stesso spazio di valutazione; la generazione e previsione continue producono costantemente nuovi candidati intorno al profilo di base e ai campioni perturbati, usando il modello surrogato per stimare rapidamente gli indicatori, alleviando così il collo di bottiglia degli alti costi delle simulazioni ad alta precisione.
>
> 4. Spiegare l'output e il metodo di confronto. Le soluzioni candidate coprono diverse preferenze di indicatori e posizioni di compromesso. Tracciando due indicatori chiave come scatter plot, i punti sul bordo esterno che non sono superati da altri candidati simultaneamente su tutti gli indicatori costituiscono la frontiera di Pareto, mentre i punti all'interno sono dominati. La revisione ingegneristica di solito seleziona prima dall frontiera, poi torna alla simulazione ad alta precisione per conferma; diverse posizioni sulla frontiera corrispondono a orientamenti come priorità alla soppressione del buffeting o priorità all'efficienza di crociera.
>
> 5. Sottolineare la riproducibilità. Ogni candidato dovrebbe essere tracciabile al profilo di base e alla fonte della perturbazione, ai risultati di valutazione su questi indicatori, e alla sua posizione sulla frontiera di Pareto. Senza uno qualsiasi di questi elementi, il confronto delle soluzioni è difficile da verificare.
**Punti chiave dell'insegnamento**
- Meccanismo di valutazione multi-indicatore, generazione e previsione continue, forma di output diversificata, comparabilità. Il modello surrogato è un setaccio, non un giudice finale; è responsabile della stima rapida e del filtraggio orientativo, e non può sostituire la verifica ad alta precisione sui candidati chiave.
> **Spunti per i materiali**
>
> - Il grafico radar usa curve chiuse per rappresentare le preferenze di indicatori di diversi profili alari candidati
> - Nel grafico a dispersione, più in alto a destra significa che entrambi gli indicatori sono migliori
> - Le linee tratteggiate indicano i candidati non dominati, i punti grigi indicano i candidati dominati.
**Gestione degli esercizi**
Gli esercizi di questa pagina ruotano intorno alla forma dell'output, alle responsabilità del modello surrogato, al valore della diversificazione, alla registrazione riproducibile e alla relazione tra due indicatori. Direzioni di riferimento: il sistema consegna un insieme di soluzioni candidate che bilanciano diversi compromessi; il modello surrogato fa stime rapide e guida il filtraggio, ma alla fine serve ancora la verifica ad alta precisione sui candidati chiave; il valore della diversificazione sta nel conservare esplicitamente le posizioni di compromesso tra indicatori in conflitto, supportando confronto e decisione; si dovrebbero conservare i risultati multi-dimensionali di ogni candidato e le fonti delle perturbazioni di generazione; il coefficiente di portanza critico di buffeting e il rapporto portanza-resistenza in crociera di solito si compensano sulla frontiera. Nel caso di studio, non si eseguono simulazioni ad alta precisione per ogni candidato perché il numero di candidati è elevato e in continua crescita, e il costo di una singola simulazione è alto; il modello surrogato restringe prima il campo, poi pochi schemi chiave vengono verificati.
Se la revisione deve scegliere tra priorità alla soppressione del buffeting e priorità all'efficienza di crociera, il gruppo di candidati fornisce opzioni selezionabili, la frontiera di Pareto indica le posizioni di compromesso ottimali, e i record comparabili garantiscono riproducibilità e verificabilità.
**Verifica della comprensione**
Chiedere agli studenti di spiegare con parole proprie perché il sistema produce un gruppo di soluzioni candidate invece di una risposta a punto singolo, e di indicare almeno tre tipi di record che supportano la riproducibilità.
> **Suggerimento di transizione**
>
> Dopo aver confermato che gli studenti riescono a distinguere i ruoli del filtraggio del modello surrogato e della verifica ad alta precisione, passare alla pagina successiva.
### Gestione dei Conflitti tra Obiettivi e del Feedback Scarso nell'Ingegneria Complessa
*Pagina 11*
> **Obiettivo della pagina:** Gli studenti devono comprendere i metodi per gestire il feedback scarso e i conflitti tra obiettivi nella pratica ingegneristica.
> **Obiettivo della pagina**
>
> Comprendere la normalità dei conflitti tra obiettivi e del feedback scarso nell'ottimizzazione ingegneristica complessa, e padroneggiare l'approccio di sostituire l'ottimo a obiettivo singolo con il compromesso multi-obiettivo dinamico.
**Punti chiave dell'insegnamento**
- L'ingegneria reale persegue spesso simultaneamente prestazioni, costo, affidabilità, consumo energetico e vincoli di produzione, e questi indicatori si condizionano reciprocamente. Ad esempio nella progettazione di profili alari supercritici, aumentare il rapporto portanza-resistenza può aggravare la divergenza di resistenza, e rafforzare la struttura aumenta peso e difficoltà di produzione. La questione chiave non è ordinare gli indicatori, ma identificare in quale segmento della frontiera di Pareto ci si trova attualmente, e chiarire cosa si può scambiare. I mezzi di valutazione come simulazioni ad alta fedeltà ed esperimenti fisici hanno costi elevati, cicli lunghi, alto rumore, e spesso restituiscono campioni falliti. I segnali di valutazione efficaci sono pochi, ritardati, discontinui, e il budget di valutazione diventa un vincolo rigido. La deviazione del modello surrogato viene amplificata, il rischio di overfitting e convergenza prematura aumenta, l'equilibrio tra esplorazione e sfruttamento è facilmente sbilanciato, e le preferenze fisse difficilmente si adattano alle scoperte graduali. Usare modelli surrogati e valutazioni multi-fedeltà per ridurre il costo di singolo feedback
- Usare campionamento attivo ed esperimenti batch per migliorare l'efficienza dei campioni
- Usare l'evoluzione multi-obiettivo per mantenere molteplici candidati non dominati, preservando la diversità della frontiera di Pareto
- Aggiornare dinamicamente preferenze e vincoli in base ai risultati della valutazione, producendo un insieme diversificato di candidati per la valutazione degli esperti. L'obiettivo non è eliminare i conflitti, ma rendere spiegabili i conflitti, i rischi e le relazioni di compromesso, senza dipendere dalla conoscenza anticipata dell'unica risposta.
> **Spunti per gli esercizi**
>
> - Le 5 domande a scelta multipla di questa pagina verificano rispettivamente (1) l'identificazione dei conflitti tra obiettivi
> - (2) le caratteristiche del feedback scarso
> - (3) l'impatto della deviazione del modello surrogato sotto feedback scarso
> - (4) le pratiche per migliorare l'efficienza dei campioni
> - (5) una comprensione ragionevole dell'aggiornamento di preferenze e vincoli. Nel rispondere bisogna cogliere le parole chiave "pochi, costosi, lenti, rumorosi, campioni falliti", distinguendo conflitti tra obiettivi e feedback scarso. Progettazione multi-obiettivo di piastre a liquido refrigerante. I conflitti tra obiettivi si manifestano nella mutua limitazione tra prestazioni di dissipazione, caduta di pressione, peso, costo e lavorabilità
> - Il feedback scarso si manifesta nel fatto che simulazioni CFD ad alta fedeltà richiedono decine di ore, gli esperimenti al banco richiedono settimane con fluttuazioni, e i campioni con processi non fattibili falliscono direttamente. Risposta: sul lato valutazione, adottare modelli surrogati e valutazioni multi-fedeltà, campionamento attivo
> - Sul lato ricerca, adottare l'evoluzione multi-obiettivo per mantenere la diversità
> - Sul lato preferenze, aggiornare per fasi pesi, vincoli e punti di riferimento, evitando di essere bloccati da pesi fissi precoci.
**Verifica della comprensione**
Chiedere agli studenti di riassumere con parole proprie la differenza tra conflitti tra obiettivi e feedback scarso, e fare un esempio del ruolo di qualsiasi fase del ciclo chiuso di regolazione dinamica.
> **Suggerimento di transizione**
>
> Dopo aver confermato che gli studenti riescono a dire la relazione centrale "conflitti tra obiettivi + feedback scarso → compromesso multi-obiettivo dinamico", passare alla pagina successiva.
### Il Ruolo Decisionale degli Esperti di Dominio e la Valutazione delle Soluzioni
*Pagina 12*
> **Obiettivo della pagina:** Gli studenti devono comprendere la divisione dei compiti tra esperti umani e sistemi automatizzati nell'esplorazione multi-obiettivo.
> **Obiettivo della pagina**
>
> Comprendere come i sistemi automatizzati e gli esperti di dominio collaborano e si dividono i compiti nel processo di esplorazione multi-obiettivo, e come gli esperti trasformano l'esperienza di dominio in logica di valutazione e decisione verificabile e tracciabile.
> **Ordine di esposizione**
>
> Prima evidenziare che "il sistema dispiega le possibilità, gli esperti le convergono", poi spiegare i confini di responsabilità tra il lato sistema e il lato esperto; poi spiegare perché l'ottimo a obiettivo singolo non equivale a una soluzione distribuibile, introducendo la matrice di valutazione benefici-costi; quindi fornire l'ordine decisionale di veto per soglia, compromesso benefici-costi, analisi di sensibilità; infine parlare della verifica sotto feedback scarso, ricampionamento o decisione di terminazione, e del reflusso delle motivazioni di scelta per formare un ciclo chiuso di responsabilità.
**Punti chiave dell'insegnamento**
- Il lato sistema completa la generazione di candidati su larga scala, la previsione con modelli surrogati, la caratterizzazione della frontiera di Pareto e il mantenimento della diversità, rispondendo a "quali possibilità esistono"
- Il lato esperto inietta priorità degli obiettivi, vincoli rigidi e tolleranza al rischio, giudica l'adattabilità allo scenario reale, prende la decisione finale e si assume la responsabilità, rispondendo a "quale scegliere, e perché". Il confine è: il sistema fornisce un insieme comparabile di candidati e previsioni quantificate, ma non decide al posto dell'esperto le soglie e le preferenze
- L'esperto fornisce preferenze, vincoli e criteri decisionali, ma non completa personalmente la generazione e il filtraggio di masse di candidati. La valutazione delle soluzioni deve trasformare i benefici di prestazione e i costi ingegneristici in basi spiegabili e verificabili. Oltre ai benefici di prestazione, bisogna considerare simultaneamente costi computazionali e di produzione, robustezza, manutenibilità, incertezza, e l'affidabilità delle conclusioni sotto feedback scarso. L'ottimo a obiettivo singolo spesso non è distribuibile; la valutazione multidimensionale permette a diversi candidati di mostrare i propri scenari applicativi. Esprimere l'esperienza di dominio come preferenze esplicite, valutazione stratificata, matrici decisionali, elementi di veto per soglia e analisi di sensibilità. L'ordine comune è prima usare i vincoli rigidi per "porre il veto" sui candidati che violano i requisiti minimi, poi fare il compromesso benefici-costi sui candidati rimanenti, e infine usare l'analisi di sensibilità per confermare se le conclusioni sono robuste alle perturbazioni dei pesi. Compensare difetti critici con un punteggio ponderato è il malinteso più comune. Quando la valutazione ad alta fedeltà è costosa e il feedback scarso, gli esperti devono decidere se verificare, ricampionare o terminare la ricerca in base alla confidenza del modello surrogato, alla diversità dei candidati e ai modelli di fallimento osservati, invece di fidarsi ciecamente della "soluzione ottimale" data dal modello surrogato. La scelta finale e l'assunzione del rischio appartengono agli esperti di dominio
- Le motivazioni della scelta dovrebbero refluire come preferenze, vincoli o segnali di valutazione, guidando la successiva ricerca evolutiva, formando un ciclo chiuso di responsabilità. Nella progettazione multi-obiettivo di profili alari supercritici, il sistema produce candidati che bilanciano resistenza, portanza e stabilità
- Gli esperti, combinando costi di galleria del vento e simulazione, tolleranze di produzione e profilo di missione, eliminano prima chi viola i vincoli rigidi, poi fanno il compromesso benefici-costi sulle soluzioni rimanenti, selezionando poche da inviare alla verifica ad alta fedeltà, e facendo refluire le motivazioni di questo round come preferenze e vincoli per il round successivo.
**Copertura delle parole chiave**
- Esplorazione multi-obiettivo, generazione e filtraggio, giudizio e decisione, frontiera di Pareto, matrice di valutazione benefici-costi, veto per soglia, analisi di sensibilità, feedback scarso, ciclo chiuso di responsabilità.
> **Spunti per gli esercizi**
>
> - 1. Il lato sistema è responsabile della generazione di candidati su larga scala, della previsione con modelli surrogati e della caratterizzazione della frontiera di Pareto
> - Se si sceglie la determinazione di vincoli rigidi, la priorità degli obiettivi o l'assunzione del rischio, ricordare che appartengono al lato esperto. 2. Bisogna integrare benefici di prestazione, costi computazionali e di produzione, robustezza, manutenibilità e incertezza
> - L'ottimo a obiettivo singolo non equivale a distribuibile. 3. Con feedback scarso, decidere verifica, ricampionamento o terminazione in base alla confidenza del modello surrogato, alla diversità dei candidati e ai modelli di fallimento. 4. Gli elementi di veto per soglia servono a porre prima il veto sui candidati che violano i vincoli rigidi, poi soppesare i candidati rimanenti, non a fare un punteggio ponderato unificato. 5. Lo scopo del reflusso delle motivazioni di scelta è trasformare le motivazioni in preferenze, vincoli o segnali di valutazione, guidando la successiva ricerca evolutiva. Prima spiegare i confini tra "generazione e filtraggio" del lato sistema e "giudizio e decisione" del lato esperto
> - Poi, secondo "veto per soglia→matrice benefici-costi→analisi di sensibilità", decidere quali candidati entrano nella verifica ad alta fedeltà
> - Se la confidenza è insufficiente o la diversità è bassa, scegliere ricampionamento o verifica
> - Infine registrare esplicitamente le motivazioni di questo round come preferenze, vincoli o segnali di valutazione, per il round successivo.
**Verifica della comprensione**
Chiedere agli studenti di distinguere con parole proprie "espandere le opzioni" e "convergere le opzioni", e fare un esempio delle azioni del lato sistema e del lato esperto in una decisione ingegneristica. Se gli studenti attribuiscono la decisione finale, l'assunzione del rischio o la determinazione dei vincoli rigidi al lato sistema, tornare alla divisione dei compiti per riesaminare.
> **Suggerimento di transizione**
>
> Dopo aver confermato che gli studenti riescono a spiegare la relazione del ciclo chiuso "generazione—valutazione—selezione—reflusso", passare alla pagina successiva con esempi, applicazioni o riepilogo.
### Attività in Classe: Progettazione di un Piano di Valutazione per l'Ottimizzazione Multi-Obiettivo dei Parametri
*Pagina 13*
> **Obiettivo della pagina:** Gli studenti devono progettare attraverso la pratica un piano di valutazione dell'ottimizzazione dei parametri che include il compromesso portanza-resistenza.
**Punti chiave dell'insegnamento**
- Portanza e resistenza sono gli obiettivi in conflitto originali; indicatori compositi come il rapporto portanza-resistenza possono essere usati solo per spiegazione e presentazione. Metodo di autoverifica: rimuovendo l'indicatore composito, il piano riesce ancora a confrontare i compromessi di due candidati? Se no, significa che gli obiettivi originali sono mascherati.
- Vincoli ingegneristici come spessore e momento di beccheggio, una volta violati, rendono la soluzione inutilizzabile; non usare la ponderazione per ammorbidirli in punteggi che si compensano a vicenda. Quando si scrive il piano, annotare voce per voce: questa è un vincolo rigido o una preferenza morbida, e riportare lo stato di soddisfacimento dei vincoli nei risultati.
- La soglia di qualificazione per i risultati della valutazione è: un insieme di candidati che coprono diversi compromessi portanza-resistenza + evidenze sugli indicatori + stato di soddisfacimento dei vincoli + dichiarazione di incertezza + registrazioni (seed, budget, motivazioni di eliminazione). Consegnare solo una "soluzione ottimale" di solito significa che hai già completato il compromesso al posto degli esperti.
Obiettivo della pagina
Questa pagina è una progettazione di attività in classe; il compito è trasformare la coppia di obiettivi in tensione "portanza—resistenza" in un piano di valutazione dell'ottimizzazione multi-obiettivo dei parametri riproducibile, comparabile e consegnabile agli esperti per la decisione. Il punto focale dell'attività non è far dare al modello direttamente una risposta ottimale, ma progettare un meccanismo di valutazione ripetutamente verificabile: chi partecipa alla valutazione, con quali indicatori, sotto quali vincoli e budget, secondo quali regole si conservano i candidati. Infine bisogna scrivere il "conflitto" come "regole di revisione eseguibili".
Ordine di esposizione
Generare candidati → entrare nella valutazione → confrontare benefici, costi e vincoli in base al feedback → conservare le soluzioni efficaci → registrare ed entrare nel round successivo.
Obiettivi e vincoli, ciclo chiuso di valutazione in sei fasi, output del gruppo di candidati e interfaccia decisionale, record riproducibili.
Portanza e resistenza sono gli obiettivi in conflitto originali; indicatori compositi come il rapporto portanza-resistenza servono solo per spiegazione e presentazione.
I candidati devono coprire diverse regioni di compromesso portanza-resistenza; il risultato del filtraggio non può conservare solo un punteggio massimo.
5. Fornire il template dei deliverable e concludere con i malintesi comuni.
Punti chiave dell'insegnamento
L'obiettivo A è massimizzare il coefficiente di portanza, l'obiettivo B è minimizzare il coefficiente di resistenza; i due devono essere colonne indipendenti. Non sostituirli con il rapporto portanza-resistenza, altrimenti il compromesso viene "appiattito" in anticipo da un rapporto.
Confini dei parametri, spessore relativo, gamma del momento di beccheggio sono di solito impostati come vincoli rigidi, violati i quali si viene eliminati; costo, producibilità ingegneristica sono impostati come preferenze morbide, usate per l'ordinamento. Quando si scrive il piano, annotare voce per voce "vincolo rigido" o "preferenza morbida", e riportare lo stato di soddisfacimento dei vincoli nei risultati.
Specificare il numero di chiamate alla simulazione o al modello surrogato, il tempo, il limite di potenza di calcolo, e distinguere il budget di "valutazione surrogata" e "verifica ad alta fedeltà", altrimenti diverse soluzioni non possono essere confrontate equamente.
Rappresentazione dei parametri → Generazione candidati → Calcolo della valutazione → Riepilogo degli indicatori → Confronto delle soluzioni → Registrazione e archiviazione.
Il campionamento iniziale dispiega la copertura globale, perturbazione, crossover e mutazione fanno la rifinitura locale, la guida delle preferenze intensifica nelle regioni di interesse degli esperti; richiedere che i candidati siano distribuiti in diverse regioni di compromesso portanza-resistenza, evitando che l'intera generazione collassi in una singola direzione "alta portanza" o "bassa resistenza".
Si possono usare non dominanza di Pareto, somma ponderata, filtraggio per soglia, punti di riferimento o ordinamento per preferenze; ma l'output dovrebbe essere un insieme di candidati che coprono diversi compromessi, con evidenze sugli indicatori, stato di soddisfacimento dei vincoli, differenze tra candidati e gamma di incertezza, per facilitare il giudizio degli esperti.
Combinare portanza e resistenza in un punteggio totale e poi prendere il massimo sembra una semplificazione, ma in realtà usa la scelta dei pesi per fare il compromesso al posto degli esperti in anticipo, e perde anche la diversità dei candidati. L'approccio corretto è conservare molteplici gruppi di candidati, lasciando il potere di giudizio su "quale scegliere" dopo l'interfaccia di valutazione.
Template di piano di valutazione di una pagina, inclusi tabella degli indicatori (obiettivi originali e indicatori ausiliari), diagramma di flusso in sei fasi, regole di generazione dei candidati, regole di filtraggio, output del gruppo di candidati, dichiarazione di rischi e incertezza; registrare contemporaneamente parametri, definizioni degli indicatori, budget di valutazione, seed casuali, basi di filtraggio e motivazioni di eliminazione.
Attività in classe
Chiedere agli studenti di progettare un piano di valutazione multi-obiettivo sintetico per un oggetto parametrizzato (come i parametri di un profilo alare), che renda esplicitamente visibile il compromesso portanza-resistenza. Si può compilare in quattro blocchi: ① obiettivi e vincoli; ② sei fasi del ciclo chiuso di valutazione; ③ output del gruppo di candidati e interfaccia decisionale; ④ record riproducibili. Dopo il completamento, far fare una valutazione incrociata tra i gruppi: rimuovendo gli indicatori compositi, il piano riesce ancora a confrontare i compromessi di due candidati? I vincoli rigidi sono stati erroneamente trattati come punteggi compensabili con la ponderazione? L'output è rimasto solo una "soluzione ottimale"?
Gestione degli esercizi
Il giudizio di base può essere commentato intorno ai seguenti punti:
Massimizzare il coefficiente di portanza, minimizzare il coefficiente di resistenza; l'opzione corretta sottolinea che i due sono indipendenti, e il rapporto portanza-resistenza può solo assistere la spiegazione.
2. Spessore e gamma del momento di beccheggio dovrebbero essere impostati come vincoli rigidi, violati i quali si viene eliminati; il budget deve specificare in anticipo numero di chiamate, tempo, limite di potenza di calcolo, e non si possono allentare i vincoli rigidi per tensione di budget.
3. La generazione dei candidati deve includere il campionamento globale iniziale, accompagnato da perturbazione, crossover e mutazione e guida delle preferenze, facendo distribuire i candidati in molteplici regioni di compromesso.
4. Il confronto delle soluzioni dovrebbe produrre un insieme di candidati non dominati che coprono diversi compromessi portanza-resistenza, con divergenze e basi; conservare solo il punteggio massimo della somma ponderata o elencare solo una lunga classifica non soddisfa i requisiti dell'attività.
5. La registrazione e archiviazione devono includere almeno rappresentazione dei parametri e confini, definizioni degli indicatori, budget di valutazione, seed casuali, basi di filtraggio e motivazioni di eliminazione, così che il round successivo possa giudicare se i cambiamenti dei risultati derivano da modifiche del piano o da cambiamenti delle condizioni di valutazione.
Commento del caso di studio
Nel caso del profilo alare supercritico, il team ordina con la somma ponderata e conserva solo il primo classificato; il problema è che dissolve in anticipo il conflitto tra portanza e resistenza, perde la diversità di Pareto, e gli esperti non vedono l'intervallo di compromesso. Direzione di modifica: passare al filtraggio per non dominanza di Pareto, conservando diversi candidati che coprono diverse regioni di compromesso sulla frontiera; se si mantiene la somma ponderata, fornire molteplici gruppi di pesi o punti di riferimento e registrarne le basi. Se si vuole che il secondo round erediti i risultati del primo, bisogna anche aggiungere parametri e confini, unità degli indicatori, divisione vincoli rigidi/preferenze morbide, budget e numero effettivo di chiamate, versione del modello surrogato, seed casuali, basi di filtraggio e motivazioni di eliminazione; ogni candidato deve essere accompagnato da evidenze sugli indicatori, stato di soddisfacimento dei vincoli, gamma di incertezza e spiegazione delle differenze tra candidati, e fornire un'interfaccia per il compromesso degli esperti.
Verifica della comprensione
Perché il rapporto portanza-resistenza non può sostituire gli obiettivi indipendenti di portanza e resistenza? Perché i vincoli rigidi non possono partecipare alla compensazione ponderata? Perché un gruppo di candidati è più adatto di una singola soluzione ottimale per essere consegnato agli esperti? La risposta è sufficiente se riesce a collegare indicatori, vincoli, budget, diversità dei candidati e requisiti di registrazione.
Suggerimento di transizione
Dopo aver confermato che gli studenti riescono a spiegare la linea principale "obiettivi in conflitto originali—vincoli rigidi/preferenze morbide—generazione candidati—output diversificato—record riproducibili", passare alla pagina successiva con esempi, applicazioni o riepilogo.
### Revisione dell'Attività in Classe: Verifica della Ragionevolezza del Piano di Compromesso
*Pagina 14*
> **Obiettivo della pagina:** Gli studenti devono comprendere come verificare e riflettere se il piano di valutazione dei compromessi progettato è scientificamente valido ed efficace.
> **Obiettivo della pagina**
>
> Questa pagina è la revisione dell'attività in classe "Progettazione di un piano di valutazione per l'ottimizzazione multi-obiettivo dei parametri"; il nucleo è verificare se il piano di valutazione dei compromessi progettato è ragionevole. Gli studenti devono essere in grado di identificare indicatori chiave e conflitti tra obiettivi trascurati, e chiarire la direzione di regolazione della configurazione dei parametri, avvicinando il piano alle esigenze decisionali dell'ingegneria reale.
> **Ordine di esposizione**
>
> Si suggerisce di chiarire prima che la prima domanda della revisione è "il piano descrive la decisione reale", poi sviluppare secondo sette dimensioni: ① copertura degli obiettivi ② conflitti e ridondanze ③ vincoli e preferenze ④ configurazione dei parametri ⑤ modello surrogato ⑥ diversità dei candidati ⑦ supporto agli esperti; poi derivare la direzione di regolazione dalla diagnosi della revisione; infine giudicare se il piano è qualificato con i tre criteri di comparabilità, negoziabilità e riproducibilità.
**Punti chiave dell'insegnamento**
- Quando obiettivi, vincoli e preferenze sono incompleti, qualsiasi ottimizzazione dei parametri è solo un affinamento su un modello sbagliato. Le quantità che interessano veramente ai decisori (prestazioni, costo, affidabilità, producibilità) sono tutte entrate nel piano? I limiti rigidi sono scritti come vincoli? Le preferenze sono espresse esplicitamente con pesi o punti di riferimento? Trade-off è conflitto, dovrebbe essere conservato come multi-obiettivo, ed esprimere le preferenze con pesi o punti di riferimento
- Cambiamento nella stessa direzione e sovrapposizione informativa è ridondanza, si dovrebbe fondere o eliminare uno dei due, evitando che la stessa richiesta venga pesata più volte. Regola mnemonica: guardare la direzione, ma anche se c'è doppio conteggio. Controllare anche se qualche vincolo è stato erroneamente trattato come obiettivo. La dimensione della popolazione e il numero di candidati coprono l'intervallo di compromesso
- Il budget di iterazione è abbinato alla precisione del modello surrogato
- Mutazione, crossover, pressione selettiva fanno sbilanciare esplorazione e sfruttamento
- La strategia di campionamento indirizza il budget di simulazione verso le regioni ad alto contenuto informativo. Qualsiasi disallineamento si manifesta come "risultati ci sono, ma non sono utilizzabili". Diversità insufficiente → ampliare la dimensione della popolazione e il gruppo di output dei candidati
- Convergenza troppo rapida → ridurre la pressione selettiva, aumentare l'intensità di mutazione, allentare la conservazione degli elitisti
- Costo di valutazione troppo alto → migliorare la precisione del modello surrogato, ottimizzare l'aggiunta di punti e la strategia di campionamento
- Deviazione delle preferenze → correggere i pesi o spostare i punti di riferimento
- Indicatori mancanti o in conflitto → aggiungere indicatori, conservare le relazioni di trade-off come struttura multi-obiettivo. Comparabile — gli esperti di dominio possono vedere chiaramente i compromessi tra i candidati
- NegoziaBile — poter selezionare soluzioni dalla frontiera in base alle preferenze
- Riproducibile — parametri, seed casuali e registrazioni del processo completi. L'output finale dovrebbe essere candidati diversificati che bilanciano tutti gli indicatori, non una singola "soluzione ottimale". Revisione della progettazione di profili alari supercritici. Se si presta attenzione solo al rapporto portanza-resistenza e si trascura la resistenza strutturale o il costo di produzione, bisogna prima completare gli indicatori, conservando esplicitamente i conflitti come multi-obiettivo
- Poi inserire budget di valutazione, dimensione della popolazione, numero di output dei candidati nella lista di regolazione dei parametri
- Infine verificare con "la frontiera è più ampia, gli esperti riescono a confrontare i compromessi, i risultati sono riproducibili" se la regolazione funziona.
**Copertura delle parole chiave**
- Controllo di copertura, copertura degli obiettivi, conflitti e ridondanze, conservazione multi-obiettivo, pesi/punti di riferimento, dimensione della popolazione, pressione selettiva, intensità di mutazione, modello surrogato, strategia di campionamento, frontiera dei compromessi, comparabile, negoziabile, riproducibile.
> **Spunti per gli esercizi**
>
> - Controllare se obiettivi, vincoli e preferenze sono completi, dando priorità alla scoperta degli indicatori chiave trascurati. Analisi: la mancanza di indicatori distorce sistematicamente tutti i compromessi successivi; bisogna prima fare il controllo di copertura, poi discutere la regolazione dei parametri. Due indicatori cambiano nella stessa direzione, con informazioni altamente sovrapposte, come gestirli? Risposta: sono metriche ridondanti, si dovrebbero fondere o eliminare uno dei due, evitando che il peso venga amplificato più volte. Analisi: il conflitto è trade-off, la ridondanza è stessa direzione e sovrapposizione informativa
> - La ridondanza causa il doppio conteggio della stessa richiesta. L'ottimizzazione converge in poche iterazioni, i candidati sono altamente simili, la regolazione dei parametri più adatta? Risposta: ampliare la dimensione della popolazione e il gruppo di output dei candidati, aumentare l'intensità di mutazione, ridurre la pressione selettiva. Analisi: la convergenza troppo rapida di solito è causata da pressione selettiva eccessiva e mutazione insufficiente, che portano al collasso della diversità. Di fronte a conflitti reali come rapporto portanza-resistenza e resistenza strutturale, come gestirli? Risposta: conservarli come multi-obiettivo, esprimere le preferenze con pesi o punti di riferimento, e produrre la frontiera dei compromessi per la scelta degli esperti. Analisi: i conflitti reali non dovrebbero essere mascherati con la riduzione a obiettivo singolo; conservare il multi-obiettivo ed esprimere esplicitamente le preferenze è necessario per supportare le decisioni. Il costo di valutazione della simulazione ad alta fedeltà è troppo alto, il budget di iterazione è insufficiente, la regolazione più ragionevole? Risposta: migliorare la precisione del modello surrogato e ottimizzare la strategia di campionamento, concentrando il budget nelle regioni ad alto contenuto informativo. Analisi: si dovrebbe far sostenere il costo di valutazione al modello surrogato e alla strategia di campionamento, invece di sacrificare la scala di esplorazione o riscrivere la definizione del problema. Revisione della progettazione di profili alari supercritici. Domanda 1: indicare i problemi di copertura degli obiettivi—conflitti/ridondanze—vincoli e preferenze. Punti di riferimento: indicatori mancanti (resistenza strutturale, costo di produzione)
> - Conflitti non trattati esplicitamente (rapporto portanza-resistenza e resistenza strutturale)
> - Vincoli e preferenze non esplicitati (geometria, processo, margine di sicurezza)
> - Ampliare la dimensione della popolazione a oltre 100, output di 20~50 candidati
> - Ridurre la pressione selettiva, aumentare l'intensità di mutazione
> - Migliorare la precisione del surrogato, migliorare il campionamento (ad esempio aggiunta di punti per incertezza)
> - Correggere i pesi o spostare i punti di riferimento
> - Candidati con copertura più ampia, densità di affollamento ridotta, copertura della frontiera e qualità della distribuzione migliorate, errore del surrogato ridotto, gli esperti riescono a confrontare chiaramente i compromessi, risultati riproducibili.
**Verifica della comprensione**
Chiedere a uno studente a caso di riassumere i punti chiave di questa pagina con parole proprie; l'insegnante integra le parole chiave mancanti in base alla risposta. Si può chiedere: "Se l'insieme degli obiettivi stesso è incompleto, come sarà l'ottimizzazione successiva dei parametri?" Guidando gli studenti a dire "si sta solo ottimizzando su un modello sbagliato".
> **Suggerimento di transizione**
>
> Dopo aver confermato che gli studenti riescono a dire "prima il controllo di copertura, poi la regolazione dei parametri" e "i conflitti si conservano come multi-obiettivo, le ridondanze si fondono o si eliminano", passare alla pagina successiva con esempi, applicazioni o riepilogo.
> **Spunti per i materiali**
>
> - Questa pagina è accompagnata dal diagramma "Lista di controllo per la verifica della ragionevolezza del piano", con le sette dimensioni di verifica elencate a sinistra, le direzioni di regolazione corrispondenti a destra, e le prove di verifica attese in fondo. Durante la spiegazione si può seguire il diagramma passo dopo passo.
### Riepilogo dei Concetti Chiave di Questa Lezione
*Pagina 15*
> **Obiettivo della pagina:** Gli studenti devono organizzare sistematicamente i compromessi multi-obiettivo, i modelli surrogati e il caso dei profili alari supercritici trattati in questa lezione.
> **Obiettivo della pagina**
>
> Aiutare gli studenti a rivedere sistematicamente i tre concetti chiave di questa lezione — compromessi multi-obiettivo, riduzione dei costi con modelli surrogati e pratica multi-obiettivo dei profili alari supercritici — e a collegare la linea principale "conflitto—candidati non dominati—decisione di preferenza".
> **Ordine di esposizione**
>
> Prima indicare che questa pagina è la pagina di chiusura; la linea principale della lezione è che il calcolo evolutivo fornisce un percorso risolutivo che non specifica in anticipo l'unica risposta, affidandosi alla generazione parallela di candidati di popolazione e alla diversità per gestire conflitti tra obiettivi e vincoli complessi. Poi ripassare con tre linee principali: primo, conflitti tra obiettivi e compromessi di Pareto; secondo, riduzione dei costi con modelli surrogati e verifica; terzo, gruppo di soluzioni candidate multiple e decisione degli esperti. Infine, con casi e catene mnemoniche, radicare la conoscenza nel ciclo chiuso ingegneristico.
**Punti chiave dell'insegnamento**
- Nell'ingegneria reale, efficienza di crociera, spessore strutturale, vincoli di stabilità e controllo spesso si condizionano reciprocamente. Non comprimere prematuramente con ponderazione in un singolo obiettivo, altrimenti si nascondono i conflitti, si fissano le preferenze e si perdono le informazioni sui compromessi. Conservare i candidati di Pareto permette alle decisioni successive di avere margine di manovra. Quando simulazioni CFD ad alta fedeltà, gallerie del vento o esperimenti hanno un costo di valutazione singola elevato, e la ricerca richiede molte valutazioni, il modello surrogato scambia precisione con velocità, accelerando ricerca, filtraggio e analisi di sensibilità. Ma la sua affidabilità deriva da campioni di verifica indipendenti, valutazione dell'errore e quantificazione dell'incertezza
- La precisione di adattamento al set di addestramento non può provare direttamente l'affidabilità della generalizzazione. Perturbazione del profilo di base→ricerca assistita da surrogato→output di candidati diversificati→valutazione e decisione degli esperti costituisce il ciclo chiuso. Il punto focale non è l'unica risposta, ma produrre un gruppo di soluzioni comparabili, interpretabili e decidibili. Gli esperti fanno il compromesso in base alle preferenze e ai vincoli del compito, e i nuovi campioni vengono reimmessi per aggiornare il modello surrogato. Se si ottimizza solo il rapporto portanza-resistenza, si potrebbero ottenere soluzioni con divergenza di resistenza o momento di beccheggio inaccettabili
- Conservando il gruppo di candidati, si può fare il compromesso tra efficienza di crociera, spessore strutturale e vincoli di stabilità e controllo in base alle preferenze del compito, facilitando anche la gestione dei cambiamenti di preferenza, il confronto della robustezza e la tracciabilità delle decisioni. Campioni/simulazione → modello surrogato → ricerca multi-obiettivo → valutazione dei candidati → decisione di preferenza → reimmissione di nuovi campioni. Si può far ripetere agli studenti ogni passo e aggiungere "perché è necessario".
**Gestione degli esercizi**
Le domande a scelta multipla di questa pagina servono per una verifica rapida. La domanda 1 dovrebbe scegliere "La compressione prematura nasconde i conflitti tra obiettivi, restringendo lo spazio di progettazione negoziabile", sottolineando che il metodo multi-obiettivo conserva esplicitamente le relazioni di non dominanza; la domanda 2 dovrebbe scegliere "Quando simulazioni ad alta fedeltà o gallerie del vento hanno un costo di valutazione singola elevato e la ricerca richiede molte valutazioni", sottolineando che il valore del modello surrogato dipende dal costo e dal numero di valutazioni; la domanda 3 dovrebbe scegliere "Valutare l'errore di previsione con campioni di verifica indipendenti, e quantificare e monitorare l'incertezza di previsione", sottolineando generalizzazione e affidabilità; la domanda 4 dovrebbe scegliere "Perturbazione del profilo di base→ricerca assistita da surrogato→output di candidati diversificati→valutazione e decisione degli esperti", sottolineando il ciclo chiuso che produce un gruppo di soluzioni;
La domanda 5 dovrebbe scegliere "Supportare cambiamenti di preferenza, confronto di robustezza e tracciabilità delle decisioni, riducendo il rischio di blocco su un singolo percorso", sottolineando che il gruppo di candidati conserva lo spazio dei compromessi.
Primo: non fare direttamente ottimizzazione ad alta fedeltà a singola ponderazione, ma costruire prima il modello surrogato e conservare il gruppo di candidati di Pareto, per ragioni di "riduzione dei costi" e "conservazione dello spazio dei compromessi"; secondo: se il modello surrogato ha una grande deviazione locale, usare prima campioni di verifica indipendenti per localizzare le regioni ad alto errore o alta incertezza, poi aggiungere verifiche ad alta fedeltà sui candidati selezionati, con campionamento adattivo se necessario, e infine controllare se la frontiera di Pareto mantiene ancora la relazione di non dominanza sui dati di verifica.
**Verifica della comprensione**
Chiedere agli studenti di spiegare con parole proprie "perché conservare un gruppo di candidati invece di una sola soluzione ottimale", e spiegare perché il modello surrogato deve essere verificato. Se gli studenti riescono solo a memorizzare i termini, chiedere "il ruolo di ogni passo in 'conflitto → candidati non dominati → decisione di preferenza'".
> **Suggerimento di transizione**
>
> Dopo aver confermato che gli studenti riescono a esprimere le tre linee principali di questa pagina e la loro relazione di ciclo chiuso, passare alla pagina successiva con riepilogo, applicazioni o nuovo argomento.
### Riepilogo e Prospettive: il Valore della Ricerca Scientifica nel Mondo Reale Complesso
*Pagina 16*
> **Obiettivo della pagina:** Gli studenti devono cogliere il profondo valore scientifico di conservare soluzioni utilizzabili diversificate nell'affrontare la complessità reale.
> **Obiettivo della pagina**
>
> Il valore della ricerca scientifica nel mondo reale dell'ingegneria e della fisica non sta nell'usare un singolo algoritmo per convergere rapidamente a una "risposta ottimale", ma nel trasformare conflitti multi-obiettivo, vincoli fisici e feedback scarso in un processo problematico esplorabile in modo sostenibile. L'idea centrale di EvoX e della pratica AI Native è fornire spazio per successivi compromessi, decisioni ed evoluzione metodologica attraverso la generazione e la conservazione di soluzioni utilizzabili diversificate.
> **Ordine di esposizione**
>
> 1. Partire dal "mondo reale complesso" a sinistra, spiegando che conflitti multi-obiettivo, vincoli fisici e feedback scarso sono la norma, non l'eccezione.
>
> 2. Spiegare perché l'ottimo a obiettivo singolo fa perdere informazioni chiave. Si può usare l'esempio della progettazione di profili alari supercritici: rapporto portanza-resistenza, caratteristiche di divergenza di resistenza, spessore strutturale e altri obiettivi si condizionano reciprocamente; aumentare il rapporto portanza-resistenza può sacrificare le prestazioni di divergenza di resistenza o aumentare lo spessore strutturale. Se si persegue solo l'ottimo a obiettivo singolo, si perdono le relazioni di compromesso, e di fronte a nuovi vincoli o cambiamenti di preferenza manca margine di regolazione.
>
> Non dovrebbe essere una singola soluzione, ma un gruppo di soluzioni candidate che include diverse relazioni di compromesso. Con EvoX si possono generare in parallelo molti candidati di profili alari, e con i modelli surrogati assistere la valutazione quando i costi di simulazione sono elevati, coprendo diverse preferenze e vincoli.
>
> Supportare le decisioni degli esperti di dominio; ridurre il rischio di convergenza errata precoce; conservare possibilità per la successiva riformulazione del problema e l'evoluzione continua.
>
> La direzione della ricerca scientifica AI Native è portare "scegliere l'algoritmo per trovare la risposta" a "progettare un processo di esplorazione riutilizzabile, verificabile e ereditabile", facendo della complessità reale una fonte di innovazione metodologica.
**Punti chiave dell'insegnamento**
- Nei problemi reali gli obiettivi spesso si condizionano reciprocamente; non cercare abitualmente l'unica soluzione ottimale, ma chiedersi prima: ho trascurato alcune relazioni di compromesso? L'esplorazione evolutiva dovrebbe produrre un gruppo di soluzioni candidate che include diverse relazioni di compromesso. Un gruppo di soluzioni diversificate può coprire più preferenze e vincoli, conservando spazio per le decisioni degli esperti e l'evoluzione successiva. A sinistra c'è il mondo reale complesso, al centro l'esplorazione guidata da EvoX, a destra il valore scientifico
- In basso c'è anche il circuito di "feedback evolutivo continuo", che riflette che il processo di esplorazione non termina una volta per tutte, ma è accumulabile ed ereditabile. Il valore scientifico nel mondo reale complesso sta nel trasformare conflitti multi-obiettivo, vincoli fisici e feedback scarso in un processo problematico esplorabile in modo sostenibile
- EvoX e la pratica AI Native forniscono spazio per successivi compromessi, decisioni ed evoluzione metodologica attraverso la generazione e la conservazione di soluzioni utilizzabili diversificate. Spunti e gestione degli esercizi: le domande a scelta multipla vertono su "concetti chiave", "valore scientifico mostrato dalla progettazione di profili alari", "significato a lungo termine della conservazione di soluzioni utilizzabili diversificate". Le risposte corrette dovrebbero indicare: conservare soluzioni utilizzabili diversificate ha un profondo valore scientifico nell'affrontare la complessità reale. Se gli studenti sbagliano, guidarli a tornare alla spiegazione di questa pagina, trovare prove chiave o esempi prima di giudicare
- Se rispondono correttamente, confermare che riescono a collegare i concetti di questa pagina e a spiegarne le basi. Prima domanda: i conflitti multi-obiettivo si manifestano nel fatto che rapporto portanza-resistenza, caratteristiche di divergenza di resistenza, spessore strutturale e altri obiettivi sono in conflitto, ad esempio aumentare il rapporto portanza-resistenza può comportare un aumento dello spessore strutturale o un sacrificio delle prestazioni di divergenza di resistenza. Seconda domanda: il gruppo di soluzioni candidate diversificate copre diverse preferenze e vincoli, facilitando la valutazione dei compromessi da parte degli esperti, riducendo il rischio di convergenza errata precoce, e conservando spazio di esplorazione ereditabile per la successiva riformulazione del problema, cambiamenti di vincoli o evoluzione metodologica. In caso di risposta corretta si può dire "Questa risposta riesce a collegare i concetti di questa pagina e a spiegarne le basi"
- In caso di risposta incompleta si può dire "Torna alla spiegazione di questa pagina, trova prove chiave o esempi prima di giudicare".
**Verifica della comprensione**
Perché conservare soluzioni utilizzabili diversificate ha più valore scientifico che produrre solo una singola soluzione ottimale? Richiedere almeno un collegamento a un esempio di questa pagina (progettazione di profili alari supercritici) e un significato a lungo termine (supporto alle decisioni degli esperti o evoluzione continua). Se gli studenti riescono solo a ripetere i termini, chiedere se riescono a fare un esempio della relazione tra "conflitti multi-obiettivo" e "gruppo di soluzioni candidate".
> **Suggerimento di transizione**
>
> Dopo aver confermato che gli studenti riescono a esprimere la relazione tra "conflitti multi-obiettivo—gruppo di soluzioni candidate—valore scientifico", passare alla pagina successiva o al riepilogo del corso.
--- FINE TESTO SORGENTE ---