Conflitti multidimensionali e compromessi nei problemi del mondo reale

I problemi di ottimizzazione del mondo reale raramente assomigliano a quelli dei libri di testo: obiettivo unico, vincoli chiari e una soluzione ottima scrivibile. Nella pratica ingegneristica e nella ricerca, la norma è invece:più obiettivi che si condizionano e si contraddicono a vicenda——ridurre i tempi di ricarica spesso compromette la durata dei cicli, migliorare le prestazioni aerodinamiche tende ad aumentare la resistenza, e ampliare la scala di valutazione comporta costi e latenze. Migliorare un qualsiasi indicatore richiede di solito una concessione su un altro, per cui non esiste un “ottimo gratuito” in senso globale. È esattamente questa la collocazione di EvoX di fronte a compiti reali: non consegnare al più presto una “risposta unica”, ma esplorare in parallelo lungo direzioni di preferenza diverse, conservando un insieme di soluzioni candidate differenziate e restituendo la scelta finale agli esperti di dominio e ai vincoli reali.

1. Conflittualità: gli obiettivi spesso non sono compatibili tra loro

• Tra gli indicatori esiste una reale relazione di compromesso: aumentare la portanza comporta di solito un aumento della resistenza, mentre assottigliare il profilo alare favorisce l'aerodinamica ma indebolisce la resistenza strutturale.
• L'“ottimo” deve essere accompagnato da una dichiarazione di preferenza: lo stesso insieme di soluzioni candidate, valutato con due insiemi di preferenze — uno orientato ai costi e l'altro alla sicurezza — produce raccomandazioni diverse.
• Una formulazione più accurata non è “trovare la soluzione ottima”, bensì “trovare, date le preferenze, una soluzione di compromesso accettabile e spiegabile”.

2. La soluzione non è un punto, ma un insieme di soluzioni di compromesso

L'insieme delle soluzioni di un problema multi-obiettivo è chiamato frontiera di Pareto: ogni punto sulla frontiera rappresenta un orientamento di preferenza ragionevole, e non è possibile migliorare ulteriormente alcun obiettivo senza peggiorarne un altro. Le soluzioni sulla frontiera non si dominano reciprocamente: non esiste una classifica assoluta, solo “sotto quale preferenza è più adatta”.

3. L'esplorazione ha priorità sulla convergenza

• Restringersi troppo presto a un'unica soluzione fa perdere le informazioni strutturali dello spazio delle soluzioni, impedendo al sistema di rispondere a “se i vincoli cambiano, quali alternative restano”.
• Occorre mantenere la diversità della popolazione, facendo sì che direzioni di preferenza diverse vengano campionate e valutate contemporaneamente, evitando che tutti gli individui collassino in una ristretta regione della frontiera.
• Il valore della differenziazione sta nella capacità di rispondere ai cambiamenti: quando i vincoli ingegneristici, i costi o i rischi vengono modificati, il decisore può passare rapidamente a un'alternativa senza dover ricalcolare.

Perché questa “espansione multidirezionale” funzioni davvero, serve una base di calcolo adeguata. EvoX organizza candidati, risultati di valutazione e stato dell'algoritmo come tensori calcolabili nel loro complesso, facendo entrare mutazione, valutazione e aggiornamento dello stato come un tutto nel grafo computazionale sottoposto a ottimizzazione della compilazione; lo scheduler Runtime distribuisce poi il calcolo in batch su GPU, dispositivi di accelerazione o cluster distribuiti. Proprio perché il parallelismo tensoriale offre valutazioni in batch ad alto throughput, mantenere popolazioni numerose e coprire l'intera frontiera diventa una scelta ingegneristicamente praticabile, invece di soccombere ai costi della valutazione seriale.

4. Feedback scarso e valutazione costosa

Le valutazioni reali provengono da simulazioni, prove al banco o prototipi, con costo unitario elevato e segnale scarso (a volte solo superato/non superato, oppure pochi indicatori rumorosi). Questo impone di investire il budget limitato nelle regioni in grado di ampliare lo spazio dei compromessi: usare modelli surrogati al posto di alcune valutazioni ad alta fedeltà, destinare le risorse a soluzioni candidate con alta incertezza e che potrebbero migliorare la copertura della frontiera, e mantenere l'ampiezza del campionamento sull'intera frontiera, invece di perfezionare ripetutamente solo l'attuale “soluzione ottima”.

5. A chi spetta la decisione

L'algoritmo si occupa di espandere lo spazio dei compromessi e di fornire un insieme di candidati confrontabili; l'esperto umano si occupa di emettere il verdetto finale sulla base delle preferenze dello scenario, delle normative e dei vincoli commerciali. I due non sono sostituibili a vicenda: l'algoritmo non può sostituire il giudizio su preferenze e rischi, e l'esperto non può certo enumerare manualmente l'ampiezza dello spazio dei compromessi.