# EvoX 지능형 진화 시스템과 AI Native 과학 연구 실천 강의 교재
수업 시간: 1 ·课件 페이지: 16
## 읽기 안내
- [제3과｜주제: 현실 세계의 복잡성과 다목표 트레이드오프](#lecture-lesson-1)
---
## 제3과｜주제: 현실 세계의 복잡성과 다목표 트레이드오프
### 현실 세계의 복잡성과 다목표 트레이드오프
*페이지 1*
> **페이지 목표:** 실제 물리 세계에서 서로 얽혀 있는 복잡한 목표와 제약을 탐구하고, EvoX를 활용하여 다양한 트레이드오프 관계를 포함하는 후보方案 그룹을 생성하는 방법을 학습한다.
> **페이지 목표**
>
> 이 페이지에서는 관점을 이상화된 최적화 문제에서 실제 물리 세계로 전환하여, 공학 목표가 종종 서로 얽혀 있고 피드백이 희소하다는 점을 지적하고, EvoX를 사용하여 서로 다른 트레이드오프 관계를 반영하는 후보方案 그룹을 생성하는 사고방식을 도입한다.
> **설명 순서**
>
> 먼저 "목표 충돌"이 왜 보편적인지 설명한다. 예를 들어 익형 설계에서 양력, 항력, 구조 강도, 소음 등을 동시에 최적화하기 어렵다. 다음으로 "희소 피드백"이란 평가 비용이 높고 유효 샘플이 적어 대량의 시행착오에 의존할 수 없음을 의미한다. 마지막으로 다중 후보 탐색을 도입하여, EvoX가 단일 최적해만 반환하는 것이 아니라 서로 다른 트레이드오프 방향에서 각각 장점을 가진方案 그룹을 제공하여 후속 의사결정에 활용하도록 한다.
**강의 요점**
- 현실 시스템은 물리 법칙, 제조 공정, 안전 기준 등의 제약을 받으며 변수 간에 상호 영향을 미친다. 하나의 지표 개선은 종종 다른 지표의 악화를 대가로 하므로, 유일한 "최선"은 존재하지 않고 서로 다른 선호에 따른 절충만 있을 뿐이다. 실제 시뮬레이션이나 실험 비용이 높고 피드백이 빈번하지 않으므로, 알고리즘은 기존 평가 정보를 더 효율적으로 활용해야 한다. 후보方案 그룹을 생성하면 트레이드오프 프론티어를 제시하여 엔지니어가 시나리오에 따라 선택할 수 있도록 도우며, 단일 해에 묶이지 않게 한다. 공력 효율, 구조 신뢰성, 소음 등의 목표 간에 여러 실행 가능한 설계를 찾는 방법을 구체적으로 설명하는 데 사용할 수 있다.
**키워드 커버리지**
- 현실 세계 복잡성, 다목표 트레이드오프, 목표 충돌, 희소 피드백, 다중 후보 탐색, EvoX, 익형 최적화.
**이해도 점검**
학생들에게 "A를 개선하면 B를 희생하는" 공학적 또는 일상적 예를 들게 하고, 하나의方案만 얻을 수 있는 경우와 후보方案 그룹을 얻는 경우 의사결정 방식이 어떻게 달라지는지 설명하게 한다.
> **전환 안내**
>
> 학생이 "단일 목표 최적"과 "다목표 트레이드오프 하의 후보 집합"을 구분할 수 있게 되면, 다음 페이지의 구체적인 방법이나 사례 설명으로 넘어간다.
### 다목표 충돌과 현실 복잡성
*페이지 2*
> **페이지 목표:** 학습자는 실제 공학 세계에서 다목표가 서로 얽혀 있고 제약이 중첩되는 기본 현황을 이해해야 한다.
**강의 요점**
- 실제 공학 최적화는 다목표, 다중 제약, 고비용 피드백이 얽힌 복잡성에 직면한다. 목표 간에 서로 얽혀 있어 트레이드오프 없이 이상적인 단일 최적이 존재하지 않으므로, 먼저 충돌을 식별하고 수용해야 하며 이상화된 단일 목표 가정을 적용해서는 안 된다. 목표가 독립적이지 않아 하나를 개선하면 다른 것이 악화될 수 있다. 예를 들어 양력을 높이면 항력 증가나 안정성 저하가 수반되는 경우가 많다.
- 제약이 중첩되어 국부 변수 조정이 다른 하위 시스템이나 수명 주기 단계에 영향을 미쳐, 결합된 실행 가능 영역과 암묵적 경계를 형성한다.
- 피드백이 고비용이어서 고충실도 시뮬레이션, 풍동, 시험 비행 등의 평가 비용이 높아 무한한 시행착오를 지원할 수 없다.
- 정량화하기 어려운 목표: 안전, 안정성, 비용, 규제, 유지보수성 등은 단일 스칼라로 통합하기 어렵다. 하나의 지표를 개선하면 다른 것이 악화될 수 있다. 항공기 설계에서 양력을 높이면 항력이 증가하고 안정성이 저하된다.
- 특정 공력 지표를 계속 최적화하면 구조 하중, 열 보호 또는 제어 복잡성 등의 제약이 발동될 수 있다. 이는 현실 문제가 단일 목표 최적으로 단순화될 수 없음을 보여준다. 시스템은 너무 일찍 단일 고립된 "최적해"를 제시해서는 안 되며, 전문가가 이익과 대가를 저울질할 수 있도록 차별화된 후보方案 그룹을 탐색하고 유지해야 한다.
**연습 처리**
다목표 충돌의 근본 원인(목표 간 상호 얽힘, 하나를 개선하면 다른 것이 악화될 수 있음), 양력 향상의 결과(항력 증가, 안정성 저하 가능), 고비용 피드백의 한계(피드백 비용이 높고 평가 횟수가 제한됨), 다목표 최적화의 올바른 방법(차별화된 후보方案 그룹을 탐색하고 유지), 제약 중첩의 의미(국부 변수 조정이 다른 하위 시스템이나 수명 주기 단계에 영향). 올바른 피드백에서는 다음을 강조할 수 있다: 다목표 충돌은 구조적 트레이드오프에서 비롯된다. 양력과 항력, 안정성은 고전적 충돌이다. 고비용 피드백은 시행착오를 제한한다. 실제 충돌에서 단일 최적은 종종 존재하지 않는다. 중첩 제약은 결합된 실행 가능 영역을 형성한다.
항공기 다목표 최적화. 시나리오는 신형 드론 설계로, 공력 효율, 구조 중량, 안정성, 제조 비용을 동시에 최적화해야 한다. 고충실도 CFD 시뮬레이션은 수 시간이 소요되고 풍동 시험 비용은 매우 높다. 목표 충돌로는 양력 증가 시 항력과 구조 하중 증가, 중량 감소 시 안정성 저하 가능 등이 있다. 제약 중첩으로는 공력 형상 변화가 구조 하중과 열 보호에 영향을 미치고, 나아가 제어 법칙 설계에 영향을 준다. 문제 1은 최소 두 가지 충돌을 식별하고 단일 목표로 단순히 통합할 수 없는 이유를 설명하도록 요구한다. 참고: 양력과 항력 충돌, 중량과 안정성 충돌. 단순히 통합할 수 없는 이유는 차원과 우선순위가 다르기 때문이며, 통합에는 주관적 가중치가 필요하고 트레이드오프 관계를 은폐하여 예상치 못한 차원에서方案이 악화될 수 있다.
문제 2는 진화 계산으로 차별화된 후보方案을 유지하는 방법과 전문가가 어떻게 저울질하는지 설명하도록 요구한다. 참고: 다목표 진화 알고리즘(예: NSGA-II)을 사용하여 파레토 프론티어를 유지하고, 비지배 해 집합을 보존하며, 각 해가 서로 다른 트레이드오프를 대표한다. 전문가는 임무 요구에 따라 파레토 프론티어에서 적합한方案을 선택하거나 가중치를 대화식으로 조정할 수 있다.
**교실 활동**
학생 경험에 가까운 예를 사용하여 이 페이지 내용을 재진술하고, 학생들이 이 예와 "먼저 충돌을 식별한 후 모델링" 사이의 관계를 말하게 한다.
**이해도 점검**
무작위로 한 학생을 지목하여 자신의 말로 이 페이지의 핵심을 요약하게 하고, 강사는 답변에 따라 누락된 키워드를 보충한다.
> **전환 안내**
>
> 학생이 이 페이지의 핵심 관계를 말할 수 있는지 확인한 후, 다음 페이지의 예제, 응용 또는 요약으로 넘어간다.
### 실제 물리 세계의 트레이드오프와 다목표 탐색
*페이지 3*
> **페이지 목표:** 학습자는 시스템이 왜 너무 일찍 단일 고립된 최적해를 제시해서는 안 되는지 핵심 이유를 파악해야 한다.
**강의 요점**
- 어떤 "최적方案"을 보든, 먼저 그것이 어느 목표에서 양보했는지追问해야 한다. 이익과 대가를 동시에 명확히 설명할 수 있어야 비로소 다목표 문제를 진정으로 이해한 것이다.
- 후보方案 그룹은 의사결정을 지연시키는 것이 아니라, 선호 판단을 임무를 가장 잘 아는 측에 남기는 것이다. 납품 시에는 각각 다른 중점을 가진方案 그룹과 비교 근거를 함께 제공해야 하며, 정렬되지 않은 산점도를 제공해서는 안 된다.
- 모든 시뮬레이션이나 실험은 실제 비용을 치러야 한다. 제한된 예산下에서 동일한 점 주변을 반복적으로 미세 조정하는 것보다 분포가 분산되고 서로 다른 절충 방향을 커버하는 후보를 우선 평가하는 것이 더 완전한 프론티어 정보를 얻을 수 있다.
## 페이지 목표
실제 물리 세계의 최적화 문제에서 왜 일반적으로 "대가 없는 유일한 최적해"가 존재하지 않는지 이해하고, 다목표 탐색에서 차별화된 후보方案을 유지하는 핵심 논리와 가치를 파악한다.
## 설명 순서
목표를 완전히 정량화하기 어렵고, 제약이 서로 중첩되며, 평가 피드백 비용이 높고, 여러 목표가 서로 얽혀 있다.
2. 항공기 설계 예를 사용하여 "양력을 높이면 항력 증가나 안정성 저하가 수반되는 경우가 많다"는 것을 설명한다.
3. 파레토 프론티어示意图를 활용하여 왜 너무 일찍 단일 답으로 수렴해서는 안 되는지 설명한다.
차별화된 후보方案 그룹을 탐색하고 유지하여 전문가에게 이익-대가 비교 기반을 제공한다.
5. 마지막으로 일반적인 오해를 분석하고 연습과 사례를 처리한다.
## 강의 요점
**세 가지 핵심 사실**
목표는 종종 부분적으로만 정량화될 수 있으며(예: "쾌적함", "안전 여유"), 제약이 겹겹이 중첩되고, 매번 실제 평가(고충실도 시뮬레이션, 벤치 시험 또는 시험 비행)마다 상당한 시간과 비용을 치러야 한다.
양력과 항력, 성능과 안정성, 정밀도와 에너지 소비는 종종 동시에 최적에 도달할 수 없으며, 어떤 개선이든 그것이 어떤 대가를 가져왔는지 명확히 설명해야 한다.
무한히 시도할 수 없으므로 제한된 평가 예산下에서 다양성을 유지하는 것이 너무 일찍 단일 점에 고정하는 것보다 더 견고하다.
**왜 너무 일찍 단일 답으로 수렴해서는 안 되는가**
시스템이 탐색 초기에 고립된 "최적해"를 제시하면 의사결정 공간이 압축된다. 전문가는 다른 가능성을 볼 수 없고, 이 점이 어떤 두 목표 사이에서 절충했는지 판단할 수 없다. 더 적절한 방법은 비지배 관계를 따라 후보方案 그룹을 유지하는 것이며, 이들은 양력, 항력, 안정성 등의 차원에서 각각 다른 중점을 가져 저울질 가능한 파레토 프론티어를 구성한다. 프론티어上的 각 점은 하나의 합법적 절충을 대표한다. 하나의 목표를 개선하려면 다른 하나를 희생해야 한다. 따라서 프론티어의 가치는 "어떤 것이 최선인가"에 있는 것이 아니라 이익과 대가의 완전한 관계를 제시하여 후속 선호 판단과 의사결정을 지원하는 데 있다.
**일반적인 오해**
다목표 문제를 미리 "가중 합산"하여 하나의 스칼라 목표로 만드는 것은 탐색 전에 전문가를 대신하여 선호 가중치를 정해버리는 것이며, 트레이드오프 정보가 함께 손실된다. 가중치는 의사결정 단계의 마지막 단계여야 하며, 모델링 단계의 첫 번째 가정이어서는 안 된다.
## 자료 단서
가로축은 목표 A——항력(왼쪽으로 갈수록 우수), 세로축은 목표 B——안정성(높을수록 우수). 그림에는 세 가지 차별화된 후보가 표시되어 있다: 후보 A(저항력 우선), 후보 B(균형형), 후보 C(고안정성 우선). 이들은 모두 비지배 파레토 프론티어 상에 분포한다. 그림에는 또한 지배 영역(개선 여지 존재)과 하나의 "너무 일찍 수렴한 단일 점"이 지배 영역 내에 위치한 것이 표시되어 있다. 화살표로 "이익 ⟷ 대가: 전문가에게 저울질 위임"이라고标注되어 있다.
## 연습 처리
이 페이지에는 5개의 객관식 문제가 포함되어 있으며, 즉각적인 이해 점검에 사용할 수 있다. 정답과 피드백 요점은 다음과 같다.
"목표는 종종 정량화하기 어렵고, 제약이 서로 중첩되며, 평가 피드백 비용이 높고, 다목표 간에 서로 얽혀 있다."를 선택. 피드백: 세 가지 특징과 다목표 얽힘을 정확히 포착했다.
이것은 다목표 충돌의 전형적인 표현이다.
"의사결정 공간을 압축하고 실제 트레이드오프 관계를 은폐하여 전문가가 해당 점이 어떤 절충을 했는지 판단할 수 없게 한다."를 선택. 피드백: 단일 점 답은 다차원 절충을 블랙박스 결론으로 압축한다.
"차별화된 후보方案 그룹을 탐색하고 유지하여 전문가가 이익과 대가를 저울질하는 기반으로 삼는다."를 선택. 피드백: 시스템은 전문가를 대신하여 월권해서는 안 되며, 너무 일찍 수렴해서도 안 된다.
"하나의 목표를 개선하려면 다른 목표를 희생해야 한다."를 선택. 피드백: 비지배란 모든 목표를 동시에 개선하면서 어떤 목표도 악화시키지 않는 해가 존재하지 않음을 의미한다.
## 사례 토론
페이지에서는 "극초음속 비행체 익형의 다목표 설계" 사례를 제공하며, 교실 토론을 제안한다:
목표를 정량화하기 어렵고, 제약이 서로 중첩되며, 피드백이 고비용이고, 다목표 충돌이 있다. 참고 답변은 페이지 해설을 참조.
차별화된 후보方案 그룹(예: 저항력 우선형, 균형형, 고안정성 우선형)을 납품하고, 각 목표 수치, 제약 충족 상황, 핵심 절충 설명을 제공하여 의사결정자가 이익-대가 곡선上에서 비교하고, 전문가가 선호를 결합하여 최종 선택하도록 한다.
## 이해도 점검
세 가지 요점으로 마무리:
어떤 "최적方案"을 보든, 먼저 그것이 어느 목표에서 양보했는지追问한다.
후보方案 그룹은 선호 판단을 임무를 가장 잘 아는 측에 남기며, 납품 시 각각 다른 중점을 가진方案 그룹과 비교 근거를 함께 제공해야 한다.
제한된 예산下에서 동일한 점 주변을 반복적으로 미세 조정하는 것보다 분포가 분산되고 서로 다른 절충 방향을 커버하는 후보를 우선 평가한다.
## 키워드 커버리지
후보方案 그룹, 파레토 프론티어, 비지배, 다목표 트레이드오프, 평가 예산, 조기 수렴.
## 전환 안내
학습자가 자신의 말로 "왜 너무 일찍 단일 점으로 수렴해서는 안 되는가"와 "후보方案 그룹이 어떻게 전문가의 저울질을 지원하는가"를 명확히 설명할 수 있는지 확인한 후, 다음 페이지의 예제, 응용 또는 요약으로 넘어간다.
### 사용 가능한 답 찾기와 사고 실험
*페이지 4*
> **페이지 목표:** 학습자는 실제 문제에 직면했을 때 문제를 탐색하고 검증 가능한 시스템 프로세스로 전환하는 방법을 이해해야 한다.
**강의 요점**
- 실제 문제를 만나면 먼저 사고 실험 네 가지 질문을 적는다: 무엇을 바꿀 수 있는가, 어떻게 평가하는가, 무엇을 반드시 충족해야 하는가, 어떻게 더 나은지 판단하는가. 네 가지 질문에 명확히 답할 수 없으면 이후 어떤 알고리즘을 선택하든 사용 가능한 답을 얻기 어렵다.
- 각 후보方案에 대해 최소 네 가지를 명확히 적는다: 이익, 대가, 적용 조건, 리스크. "더 빠르고, 더 강하다"만 쓰고 대가와 경계를 쓰지 않는方案은 심사 회의에서 거의 반드시 답변할 수 없을 때까지追问받는다.
- 여러 목표를 하나의 점수로 가중 합산한 후 최댓값을 취하는 것은 가중치가 이미 결정되었다고 가정하는 것이다. 가중치 자체가 주관적이라면, 이러한 방식은 트레이드오프 결정을 점수 속에 숨긴다. 차별화된 후보를 유지하고 명시적으로 비교하는 것이 "사용 가능한 답"에 더 가깝다.
> **페이지 목표**
>
> 실제 공학 문제에 직면했을 때, 첫 번째 작업은 알고리즘을 선택하는 것이 아니라 문제를 탐색 가능하고, 실행 가능하며, 검증 가능한 사고 실험으로 전환하는 것임을 이해한다. 그리고 서로 다른 방향으로 체계적으로 탐색을 전개하여 차별화된 후보方案 그룹을 유지하고, 소위 "최적 답"에 너무 일찍 수렴하지 않는다.
> **설명 순서**
>
> 1. 먼저 현실 세계의 다목표 얽힘을 설명한다. 비행체 양력을 높이면 항력과 안정성이 변할 수 있고, 모델 지연을 낮추면 정밀도가 손상될 수 있으며, 시스템 성능을 높이면 에너지 소비, 비용, 안전 리스크가 증가할 수 있다. 하나의 지표에서의 진보는 종종 다른 지표의 퇴보를 대가로 하므로, "모든 지표에서 최고"인 단일 점 답은 일반적으로 존재하지 않는다.
>
> 무엇을 바꿀 수 있는가? 변경 후 어떻게 평가하는가? 어떤 조건을 반드시 충족해야 하는가? 서로 다른 결과를 어떻게 더 낫다고 판단하는가?
>
> 변경 가능 항목과 의사결정 변수를 나열한다. 예: 파라미터, 구조, 전략, 스케줄링 규칙. 그리고 기정 조건을 명확히 구분한다.
>
> 지표와 평가 기준을 결정한다. 예: 시간 효율을 볼지 에너지 소비를 볼지, 피크를 볼지 평균을 볼지, 어느 구간의 데이터로 측정할지.
>
> 하드 제약과 경계를 명확히 한다. 예: 안전 임계값, 지연 상한, 에너지 소비와 예산 상한, 규제와 공역 허가. 경계를 초과하는方案은 즉시 탈락시킨다.
>
> 비교 기준과 선호를 정의한다. 어떤 시나리오에서 어느 목표를 더 중시하는지, 그리고 허용 가능한 대가 범위를 설명한다.
>
> 3. 출력 형태를 설명한다. 탐색은 서로 다른 방향으로 전개되어야 하며, 차별화된 후보方案 그룹을 출력하고, 각 후보에 이익, 대가, 적용 조건, 리스크를标注하여 도메인 전문가가 서로 다른 선호下的 선택을 비교할 수 있게 한다.
>
> 실행 가능하고, 평가 가능하며, 하드 제약을 충족하고, 트레이드오프를 설명할 수 있으며, 서로 다른 선호下的 선택을 지원할 수 있어야 한다. 하나의 지표에서만 최댓값을 취하는 단일 점 답은 일반적으로 이러한 기준을 충족하지 못한다.
>
> 가로축과 세로축은 서로 얽힌 두 목표를 나타낼 수 있고, 곡선이나 점군은 도달 가능한方案 영역을 나타내며, 하드 제약 밖은 경계 초과 영역이다. 후보 A부터 D까지 각각 절충이 있으며, 그림의 중점은 유일한 최적점을 찾는 것이 아니라 차이를 유지하고 명시적으로 비교하는 것이다.
> **연습 단서**
>
> - 변경 가능 항목, 평가 기준, 하드 제약, 비교 기준을 정의한다. "어떤 알고리즘을 사용할까"나 "먼저 데이터를 모으자"를 먼저 묻지 않는다. 두 번째 문제는 "하나의 지표에서의 진보는 종종 다른 지표의 퇴보를 대가로 하므로 일반적으로 유일한 전역 최적은 존재하지 않는다"를 선택해야 한다. 목표 충돌은 실제 문제의 일상이며, 정의 오류가 아니다. 세 번째 문제는 너무 일찍 단일 점으로 수렴하면 차별화된 후보方案을 잃고, 서로 다른 선호下的 전문가 선택과 의사결정 공간을 약화시킨다는 것을 설명해야 한다. 네 번째 문제에서 "사용 가능한 답" 기준에 속하지 않는 것은 "하나의 개별 지표에서 전역 최댓값을 달성하고, 다른 지표는 무시할 수 있다"이다. 다섯 번째 문제는 사고 실험이 실행 전에 목표 충돌, 제약 경계, 평가 기준을 노출시켜 후속 다목표 탐색을 위한 사용 가능한 문제 프레임워크를 구축한다는 것을 설명해야 한다. 도시 드론 배송 스케줄링. 학생들이 시나리오를 네 가지 질문으로 전환하도록 유도할 수 있다: 변경 가능 항목에는 항로와 고도 층, 속도 프로파일, 이착륙점과 중간 기착점, 충전 또는 배터리 교체 시점, 임무 분할과 합주문, 기종 배정 등이 포함된다.
> - 기정 조건에는 날씨, 공역 허가, 도시 지리가 포함된다. 평가 지표에는 평균 배송 시간, 단위 패키지 에너지 소비, 안전 여유, 임무 완료율과 대기 시간 분포가 포함되며, 피크 시간대를 볼지 전일 평균을 볼지 설명해야 한다. 하드 제약에는 최소 배터리 안전 여유 임계값, 풍속 초과 시 비행 금지 또는 일정 변경, 비행 금지 구역과 공역 허가 위반 불가, 단일 적재 중량이 기종 상한을 초과하지 않음이 포함된다. 비교 기준은 피크 시간대에는 시간 효율을 더 중시하고, 악천후에는 안전 여유와 완료율을 더 중시한다고 설명해야 하며, 허용 가능한 대가 범위를 명확히 하여 무리하게 단일 점수로 가중 합산하는 것을 피해야 한다. 고객 선호, 날씨, 공역 조건이 변하므로, 단일 점 최적은 특정 가정 집합下에서만 성립한다.
> - 후보 그룹은 서로 다른 이익-대가 조합을 커버하며, 전문가는 당일 제약과 선호에 따라 선택하고 각方案의 적용 경계와 리스크를 알 수 있다. 각方案에는 최소 이익, 대가, 적용 조건, 리스크, 그리고 동일 그룹 내 다른方案과의 차이점을标注해야 한다. 첫째는 먼저 알고리즘을 선택하고 나중에 문제를 생각하는 것.
> - 둘째는 다목표를 강제로 하나의 점수로 가중 합산한 후 최댓값을 취하는 것인데, 이는 주관적 트레이드오프를 점수 속에 숨기는 것과 같다.
> - 셋째는 "더 빠르고, 더 강하다"만 쓰고 대가와 경계를 쓰지 않아 심사 시 답변하기 어려운 것이다.
**이해도 점검**
학생들에게 자신의 말로 네 가지 질문을 재진술하게 하고, 주변의 공학적 또는 일상적 예를 들어 목표가 어떻게 충돌하는지, 후보가 어떻게 차이를 유지하는지, 하드 제약이 어떻게 경계 초과方案을 탈락시키는지 설명하게 한다. 학생이 "문제 전환, 후보 그룹, 사용 가능한 답 기준" 세 가지를 말할 수 있는지 확인한 후, 다음 페이지의 EvoX가 다목표 탐색을 어떻게 담당하는지에 대한 내용으로 넘어간다.
### 문제 전환: 알고리즘 선택에서 탐색 과정으로
*페이지 5*
> **페이지 목표:** 학습자는 실제 문제에 직면했을 때 명확히 해야 할 변경 가능 대상, 평가 기준, 제약 조건을 파악해야 한다.
**강의 요점**
- 새로운 임무를 받으면 먼저 변경 가능 대상 목록을 작성한다: 어떤 파라미터, 구조, 전략 또는 프로세스가 조정 가능한가? 이 목록이 탐색 공간과 인코딩의 골격이다. 이것이 명확히 작성된 후에 알고리즘을 논의한다.
- 마지막 라운드에서야方案이 배포 불가능하다는 것을 발견하지 않도록 한다. 협상 불가능한 요구사항(예: 지연 상한, GPU 메모리 상한, 배포 호환성)을 생성 또는 평가 단계에서 직접 필터링하여 탐색이 제약을 위반하지 않는 영역에서만 진행되도록 한다.
- 복기 시에는 동일한 문제 정의를 사용해야 한다: 먼저 탐색 공간, 평가 방법, 제약을 고정한 후 서로 다른 알고리즘의 성능을 횡적으로 비교한다. 이렇게 해야 차이가 알고리즘에서 비롯된 것인지, 문제 정의 자체에서 비롯된 것인지 판단할 수 있다.
페이지 목표
실제 문제에 직면했을 때, "DE를 쓸까 PSO를 쓸까"를 먼저 묻지 말고, 임무를 탐색 가능한 과정으로 먼저 전환해야 한다. 학습자는 세 가지를 파악해야 한다: 무엇을 바꿀 수 있는가, 변경 후 어떻게 평가하는가, 어떤 제약을 절대 위반할 수 없는가. 그리고 알고리즘 선택이 이 폐루프 내의 구성 가능한 컴포넌트일 뿐임을 이해해야 한다.
설명 순서
임무를 받으면 먼저 알고리즘 선정을 하는 것은 "어떤 도구로 탐색할까"만 답한 것이며, "무엇을 탐색하고, 무엇이 좋은 것이며, 무엇을 위반할 수 없는가"를 답하지 않은 것이다.
실제 문제 → 변경 가능 대상(파라미터·구조·전략→인코딩) → 평가 방법(목적 함수, 지표, 선호) → 핵심 제약(하드 제약과 소프트 선호) → 탐색 과정 폐루프(후보 생성→평가→피드백→재생성) → 후보方案 그룹.
변경 가능 대상, 평가 방법, 핵심 제약, 탐색 과정.
4. "일회성 알고리즘 선정"과 "폐루프 탐색"의 차이를 비교하고, 문제 정의 품질이 탐색 상한을 결정한다는 점을 지적한다.
5. 객관식 문제와 추천 랭킹 모델 사례로 강화한다.
강의 요점
어떤 파라미터, 구조, 전략 또는 프로세스가 조정 가능한지 정의하여 탐색 공간과 인코딩 경계를 형성한다. 이것이 없으면 후보 해를 표현할 수 없고 생성할 수도 없다.
변경 후 우열을 어떻게 판단하는지 정의한다. 목적 함수, 평가 지표, 선호 방향, 그리고 실행 가능성과 다양성 등의 측정을 포함한다. 평가 방식은 실질적으로 탐색이 어느 방향으로 갈지 결정한다.
반드시 충족해야 하는 하드 제약과 저울질 가능한 소프트 선호를 구분한다. 하드 제약을 목적 함수에 섞어 "할인"하면, 점수는 높아 보이지만 실제로는 배포 불가능한方案이 쉽게 나온다.
문제를 "후보 생성—평가—피드백—재생성"의 폐루프로 형식화하여, 평가 결과가 후속 생성을 역으로 영향하도록 하고, 해결思路를 일회성으로 고정하지 않는다.
어떤 파라미터가 조정 가능한가? 어떤 지표 또는 어떤 서로 충돌하는 지표로 평가하는가? 어떤 제약을 절대 위반할 수 없는가? 이 질문들에 답하면, 임무는 이미 진화 솔버에 연결 가능한 다목표 문제로 형식화된 것이다. 이때 어떤 알고리즘을 사용하고 어떤 연산자 구성으로 탐색할지 결정하는 것은 폐루프 내부에서 대체 가능한 공학적 결정일 뿐이다. 다시 말해, 알고리즘은 답 자체가 아니며, 탐색 과정에서 구성 가능한 한 부분일 뿐이고, 문제 정의의 품질이 탐색의 상한을 결정한다.
"알고리즘 효과가 나쁘다"를 알고리즘 자체에 직접 귀인하면서 탐색 공간 정의가 모호하고, 평가 지표가 실제 비즈니스 목표와 괴리되고, 하드 제약이 누락된 것을 무시한다. 문제 정의를 먼저 수정하고, 그 다음 알고리즘 교체를 논하는 것이 반복적으로 알고리즘을 바꾸는 것보다 종종 더 효과적이다.
자료 단서
실제 문제는 먼저 변경 가능 대상, 평가 방법, 핵심 제약을 거친 후 탐색 과정 폐루프에 들어간다. 폐루프는 후보 생성, 평가, 피드백, 재생성 네 단계를 중점标注하고, 알고리즘 선택이 폐루프 내부 컴포넌트일 뿐임을 강조한다. 설명 시 그림 화살표를 따라가며 학생들이 "문제 정의"와 "알고리즘 실행"의 선후 관계를 볼 수 있게 한다.
연습 처리
첫 번째 단계는 어떤 파라미터, 구조, 전략 또는 프로세스가 조정 가능한지 정의하여 탐색 공간과 인코딩 경계를 형성해야 한다. 피드백 시 강조: 변경 가능 대상이 후보 해를 표현 가능하게 하여 후속 평가와 반복이 성립한다.
평가 방법은 변경 후 우열을 어떻게 판단하는지 정의해야 하며, 목적 함수, 지표, 선호, 그리고 실행 가능성과 다양성 등의 측정을 포함한다. 피드백 시 이것이 알고리즘의 부속품이 아니라 탐색 과정의 "운전대"이며, 임무 자체에 의해 결정되어야 함을 설명한다.
P99 지연이 80밀리초를 초과하지 않는 것은 반드시 충족해야 하는 하드 제약이다. 피드백 시 "반드시 충족"과 "가능한 한 충족"을 구분한다: 협상 불가능한 요구는 하드 제약이고, 저울질 가능한 경향은 소프트 선호이며, 하드 제약은 생성 또는 평가 단계에서 전방 필터링해야 한다.
폐루프와 일회성 선정의 핵심 차이는 평가 결과가 후속 생성을 역으로 변화시켜 탐색 방향을 지속적으로 조정한다는 것이다. 피드백 시 속도나 알고리즘 종류가 아니라, 평가 결과가 후속 생성 방식을 변화시킬 수 있는지가 중점임을 강조한다.
알고리즘은 답 자체가 아니다. 문제 정의 품질이 탐색 상한을 결정하고, 알고리즘은 탐색 과정에서 구성 가능하고 대체 가능한 컴포넌트일 뿐이다. 피드백 시 학생들의 주의를 "어떤 알고리즘으로 바꿀까"에서 "문제 정의가 충분히 명확한가"로 이동시킨다.
사례 안내
추천 랭킹 모델 다목표 튜닝 사례는 "변경 가능 대상—평가 방법—핵심 제약"으로 구성할 수 있다. 변경 가능 대상에는 학습률, 정규화 계수, 네트워크 층 수, 어텐션 헤드 수, 특징 조합 전략이 포함된다. 평가 방법은 오프라인 AUC 최대화, 온라인 P99 추론 지연과 모델 파라미터 수 최소화이며, 동시에 후보 다양성을 추가할 수 있다. 핵심 제약은 P99 지연이 80밀리초를 초과하지 않고, GPU 메모리가 12GB를 초과하지 않으며, 기존 추론 프레임워크에서 직접 출시 가능한 것이다. 소프트 선호는 하드 제약을 충족하는 전제下에서 파라미터가 더 적고 지연이 더 낮은 것이다.
후보 생성은 하이퍼파라미터와 구조 구성을 샘플링하고, 평가 시 AUC를 계산하고 지연과 GPU 메모리 점유를 측정 또는 추정하며, 하드 제약을 확인한다. 피드백 단계에서는 다목표 우열과 선호에 따라 탐색 분포를 업데이트하고, 다음 세대 후보를 재생성한다. 배포 가능성 보장은 지연, GPU 메모리, 프레임워크 호환성을 하드 제약으로 하여 생성 또는 평가 단계에서 실행 불가능한方案을 직접 제거하는 것이다. 지연 등 고비용 지표에 대해서는 먼저 대리 모델이나 소규모 실측으로 스크리닝하고, 소량 후보에 대해 완전한 검증을 수행할 수 있다. 최종적으로 목표 트레이드오프上에서 잘 분포된 후보方案 그룹을 출력하여 엔지니어링과 제품 의사결정에 넘긴다.
이해도 점검
문제 정의가 알고리즘 선택보다 선행한다. 변경 가능 대상이 탐색 공간과 인코딩을 결정한다. 평가 방법이 탐색 방향을 결정한다. 하드 제약은 전방 필터링해야 한다. 알고리즘은 폐루프 내 대체 가능한 컴포넌트일 뿐이다. 학생이 알고리즘 이름만 재진술하면, "알고리즘은 어느 단계에서 진입하는가? 그 전에 무엇을 결정해야 하는가?"를追问할 수 있다.
전환 안내
학생이 "무엇이 변경 가능한지, 어떻게 평가하는지, 무엇을 위반할 수 없는지를 먼저 정의하고, 그 다음求解를 폐루프로 조직한다"를 설명할 수 있는지 확인한 후, 다음 페이지의 구체적인 방법, 응용 또는 요약으로 넘어간다.
### 선호 최적화와 다중 후보方案 그룹
*페이지 6*
> **페이지 목표:** 학습자는 전문가 의사결정에서 다양한 후보方案 그룹을 유지하는 실제 역할을 이해해야 한다.
> **페이지 목표**
>
> 선호 최적화가 전문가를 대신하여 최종 결정을 내리는 것이 아니라, 선호를 탐색과 스크리닝의 유도 신호로 사용하고, 알고리즘이 트레이드오프 구조上에서 비교 가능하고 설명 가능한 후보方案 그룹을 출력하여 절충권을 도메인 전문가에게 남기는 것임을 이해한다.
**강의 요점**
- 다목표를 미리 단일 스칼라 점수로 압축하지 않는다.
- 하나의 "최적해"만 제출하는 것이 아니라 후보方案 그룹을 출력한다. 다목표 충돌下에는 자연적으로 유일한 최적해가 없으며, 비교 가능한 해들이 이상적 트레이드오프 프론티어를 이룬다. 미리 가중 합산하면 의사결정자를 대신하여 암묵적 절충점을 선택하는 것과 같다.
- 제약이나 선호가 변하면 해당 해는 즉시 가치를 잃을 수 있다. 참조점, 목표 우선순위, 가중치 구간, 대화식 피드백. 이들은 함께 관심 영역을 좁히고 탐색 효율을 높이는 데 사용되며, 해 공간을 미리 하나의 점으로 붕괴시키는 것이 아니다. 가치 = 차별성 × 설명 가능성. 유효한 차이는 무작위 노이즈도 아니고 동일 해 근처의 미세 변형 복사본도 아니며, 목표 트레이드오프 구조를 따라 분산되어 보수적 끝, 절충 구간, 공격적 끝에 각각 대표가 있다. 진화는 자발적으로 현재 최적 영역으로 수렴하므로, 분포 유지, 혼잡도 제어 또는 아카이브 전략이 필요하며, 그렇지 않으면 후보 그룹이 단일 답의 반복 표현으로 퇴화한다.
**키워드 커버리지**
- 선호 최적화, 후보方案 그룹, 이상적 트레이드오프 프론티어, 차별성 유지, 설명 가능성, 혼잡도 제어, 아카이브 전략.
> **자료 단서**
>
> - 가로축은 비용(작을수록 좋음), 세로축은 지연(작을수록 좋음), 곡선은 이상적 트레이드오프 프론티어, 선호 참조점이 탐색 방향을 유도하고, 후보方案은 프론티어를 따라 분산 분포해야 한다.
> - 오른쪽은 전통적 가중 합산이 단일 최적점만 제공하는 것과 선호 최적화가 후보方案 그룹을 제공하는 것을 비교한다.
> **연습 단서**
>
> - 선호 최적화는 의사결정자 선호를 탐색과 스크리닝 과정에 인코딩하며, 탐색 종료 후 일회성으로 점수를 매기는 것이 아니다. 피드백 시 "선호 개입 시점"을 강조하고, 선호가 목표 충돌을 제거하지 않음을 설명한다. 유효한 차이 = 목표 트레이드오프上 분산 분포 + 각 차이가 트레이드오프 구조로 설명 가능. 학생에게提示: 수가 많고 차이가 크다고 유효한 것은 아니다. 참조점이나 가중치 구간 등 선호 형식은 탐색 관심 영역을 좁히고 효율을 높이는 데 사용되며, 해 공간을 미리 하나의 점으로 붕괴시키지 않는다.提示: 선호는 목적 함수를 대체하지 않으며, 다양성을 자동으로 보장하지도 않는다. 분포 유지, 혼잡도 제어 또는 아카이브 전략이 없으면 진화는 자연적으로 현재 최적 영역으로 수렴하고, 후보 그룹은 동일 해 근처의 반복 복사본이 된다. 출력 형태 변화는 의사결정권 귀속 변화를 의미한다: 알고리즘은 비교 가능한 후보 그룹을 제공하고, 도메인 전문가가 현실 제약을 결합하여 최종 절충을 완료하며, 선택 결과를 피드백으로 계속 반복할 수 있다. 도시 배송 차량 편성과 경로 결정에서, 선호 최적화는 탐색 과정 중에 참조점, 목표 우선순위, 가중치 구간 또는 대화식 피드백을 반복中的 선택과 스크리닝 신호로 사용한다.
> - 출력 형태上에서 단일 "최적 편성"에서 비용-지연 트레이드오프 프론티어를 따른 후보方案 그룹으로 변화한다. 예: 보수적(비용 우선 압축), 절충(비용과 지연 균형), 공격적(지연 우선 압축). 모든 후보方案이 비용과 지연上에서 매우 유사하면 차별성 유지 메커니즘이 부족한 것을 의심해야 한다.
> - 차이가 유효한지 판단할 때,方案을 비용-지연 평면에 투영하여 점이 프론티어를 따라 명확히 분산되어 있는지, 각 점의 절충 방향이 목표 트레이드오프 구조로 설명 가능한지 본다.
**이해도 점검**
학생들에게 자신의 말로 "유도"와 "대체"를 구분하게 하고, 후보 그룹 가치가 왜 차별성 × 설명 가능성인지 말하게 한다. 학생이 수가 많음만 강조하면, "이方案들이 목표 트레이드오프上에서 서로 다른 절충 패턴으로 설명될 수 있는가?"를追问한다.
> **전환 안내**
>
> 학생이 선호 최적화는 전문가의 절충권을 유지하기 위한 것이고, 후보 그룹은 비교 가능하고 설명 가능해야 한다는 것을 말할 수 있는지 확인한 후, 다음 페이지의 응용 사례나 방법 세부 내용으로 넘어간다.
### 초임계 익형 설계의 다목표 실천 배경
*페이지 7*
> **페이지 목표:** 학습자는 항공 공학에서 초임계 익형 설계의 구체적인 응용 시나리오와 다중 제약을 이해해야 한다.
> **페이지 목표**
>
> 초임계 익형 설계의 실제 공학 시나리오를 이해하고, 다목표 충돌과 제약을 파악하며, 합리적 출력이 단일 최적해가 아닌 절충方案 그룹임을 알게 한다.
**강의 요점**
- 1. 운용 조건과 물리적 원천. 천음속 순항 시, 기류가 익형 상표면에서 초음속으로 가속된 후 충격파를 거쳐 감속한다.
- 충격파 위치와 강도가 동시에 항력 수준과 버페팅 시작 경계에 영향을 미친다. 따라서 설계는 하나의 지표를 극한으로 밀어붙이는 것이 아니라, 다중 지표가 동시에 허용 가능한 구간에 들어오도록 하는 것이다. 2. 삼중 제약. 임계 버페팅 양력 계수가 안전과 사용 가능 양력 경계를 제공하며, 버페팅이 조기에 발생하면 버페팅 여유와 비행 영역이 압축되어,跌破할 수 없는 문턱에 속한다.
- 순항 양항비는 공력 효율과 경제성을 반영하여 항속 거리, 연료 소비, 운영 비용을 결정하며, 주요 이익 항목이다.
- 고정밀 시뮬레이션 비용이 높고 단일 평가 비용이 커서 탐색 가능한 설계 공간이 제한되어 자원 제약을 구성한다. 3. 충돌 원천. 순항 양항비를 높이려면 일반적으로 더 강한 전연 흡입 플랫폼과 더 뒤쪽의 충격파가 필요하지만, 이는 버페팅 경계를 약화시킨다.
- 버페팅 여유를 보존하기 위해 익형을 완만하게 하면 순항 효율을 희생할 수 있다. 전형적인 표현은 "하나를 높이면 다른 하나가 악화된다"이다. 4. 해결思路. 공학에서 실제로 필요한 것은 서로 다른 선호下에서 모두 성립하는 파레토 절충方案 그룹으로, 의사결정자가 안전, 효율, 비용 사이에서 설명 가능한 선택을 할 수 있게 한다. 기초 익형과 교란 샘플을 결합하여 지속적으로 생성하고 예측하여, 직렬 스크리닝을 병렬 다목표 탐색으로 전환하고 다양한 후보方案을 출력할 수 있다. 5. 판단 요점. "어떤 지표를 높이면 다른 지표가 악화된다"가 나타나고 지표에 하드 하한이 있으면, 다목표 제약 문제로 처리해야 하며, 존재하지 않는 단일 최적해를 찾지 않는다.
**키워드 커버리지**
- 초임계 익형
- 임계 버페팅 양력 계수
- 순항 양항비
- 고정밀 시뮬레이션 비용
- 다목표 충돌과 트레이드오프
- 파레토 프론티어
- 실행 가능 절충 영역.
> **자료 단서**
>
> - 익형 단면示意图를 빌려 상표면 흡입 영역, 충격파와 하표면 고압을 설명할 수 있다.
> - 다목표 트레이드오프 공간도를 사용하여 순항 양항비와 버페팅 여유의 상충 관계, 실행 가능 절충 영역, 지배 영역과 파레토 프론티어를 설명한다.
**연습 처리**
객관식 문제는 순차적으로 다목표 절충 본질, 버페팅 계수의 안전 경계 역할, 순항 양항비와 경제 효율의 관계, 직렬 시행착오가 시뮬레이션 예산에 제한됨, 합리적思路는 파레토 절충方案을 유지하는 것을考查한다. 답변 후 학생에게 근거를 말하게 하고, 틀리면 해당 단락으로 돌아가 "목표, 제약, 자원" 세 가지 정보를 확인한다. 사례 문제는 먼저 목표를 순항 양항비 최대화로 판정하고, 제약을 버페팅 계수 안전 임계값과 시뮬레이션 예산 상한으로 한다. 그 다음 기초 익형과 교란 샘플로 생성과 예측을 수행하고, 제한된 평가 횟수下에서 병렬 탐색하여 설명 가능한 후보方案 집합을 출력하며, 평가 기준은 각方案의 버페팅 경계와 순항 양항비上의 구체적 값이다.
**이해도 점검**
이 페이지에서 어느 것이 이익 목표이고, 어느 것이 돌파할 수 없는 문턱이며, 왜 전통적인 점별 시행착오가 효과적이지 않은가. 학생이 명사만 재진술하면, "순항 양항비를 높이면 버페팅 여유에 어떤 영향을 미치는가"를追问한다.
> **전환 안내**
>
> 학생이 목표와 제약을 구분하고 "하나 오르면 하나 내리는" 충돌을 설명할 수 있는지 확인한 후, 다음 페이지의 예제, 응용 또는 요약으로 넘어간다.
### 기초 익형과 교란 샘플의 지속
*페이지 8*
> **페이지 목표:** 학습자는 시스템이 기초 익형과 교란 샘플을 결합하여 지속적으로 예측하는 방법을 파악해야 한다.
> **페이지 목표**
>
> 익형 최적화에서 "기초 익형—교란 샘플—예측/평가—진화 피드백—지속 생성"의 폐루프를 이해하고, 기초 익형이 어떻게 안정적 앵커를 제공하는지, 교란 샘플이 어떻게 다양성을 제공하는지, 진화 피드백이 어떻게 다목표 탐색을 지속 가능하고 확장 가능하게 하는지 파악한다.
> **설명 순서**
>
> 1. 먼저 기준을 세운다. 기초 익형은 먼저 임무 제약을 충족해야 하며, 파라미터화 공간, 교란 범위와 평가 기준을 정의한다. 기준이 없으면 탐색 공간이 무질서하게 표류하기 쉽고, 후보 익형 간에 공정한 비교도 어렵다.
>
> 2. 그 다음 교란을 생성한다. 기초 익형을 중심으로 두께 분포, 캠버 또는 제어점 파라미터에 제어 가능한 교란을 적용하고, 배치 또는 온라인 방식으로 샘플 패밀리를 지속적으로 생성한다. 작은 교란은 국부 정밀 수정에, 큰 교란은 전역 커버리지에 사용된다. 교란 강도, 방향, 샘플링 분포는 모두 제어 가능해야 한다.
>
> 3. 배치 예측/평가. 각 라운드의 샘플을 예측/평가 단계에 보내고, 다중 후보의 목표上 성능을 출력한다. 이러한 성능은 종착점이 아니라, 후속 진화 선택, 업데이트와 재샘플링의 직접적 근거이다.
>
> 4. 피드백으로 폐루프를 닫는다. 진화 피드백에 따라 다음 라운드의 교란 강도, 방향 또는 샘플링 분포를 조정하여 폐루프가 진정으로 지속되도록 하고, 매 라운드 독립적으로 반복 샘플링하지 않도록 한다.
**강의 요점**
- 기초 익형 선정
- 교란 샘플 지속 생성
- 다중 샘플 예측과 진화 결합
- 지속 폐루프. 기초 익형은 안정적 참조이며 최종 답이 아니다.
- 서로 다른 교란 샘플이 동일한 평가 기준下에서 비교 가능하게 한다. 교란 샘플은 다양성을 담당하며, 국부와 전역을 모두 고려해야 한다. 매 라운드 동일 방향의 작은 교란만 하면 개체군이 조숙해지기 쉽다.
- 완전 무작위 큰 교란은 평가 예산을 낭비할 수 있다. 더 안정적인 방법은 국부와 전역 교란을 혼합하고, 피드백으로 다음 라운드 샘플링 중점을 결정하는 것이다. 진화 피드백은 반드시 다음 라운드 교란 생성 전략에 작용해야 한다. 결과만 기록하고 샘플링을 변경하지 않으면 폐루프가 개루프 프로세스로 퇴화한다.
**연습 처리**
기초 익형의 주요 역할은 파라미터화, 교란 범위와 평가 기준의 안정적 앵커가 되는 것이다. 정답 시 탐색 공간을 앵커링하여 후보의 무질서한 표류를 방지하고 샘플을 공정하게 비교할 수 있음을 강조한다. 오답 시 "기준이 없으면 어떤 결과가 발생하는가"라는 증거로 돌아간다.
교란 샘플을 지속 생성할 때, 배치 또는 온라인 방식으로 교란 강도, 방향과 샘플링 분포를 조절해야 한다. 단일 방향 작은 교란은 다양성을 제한하고, 완전 무작위 큰 교란은 예산을 낭비하며, 둘 다 국부 정밀 수정과 전역 커버리지를 모두 고려하기에 충분하지 않다.
교란 샘플을 배치로 예측/평가에 보낸 후, 주로 다중 후보의 목표上 성능을 출력하여 진화 선택, 업데이트와 재샘플링에 사용한다.提示 가능: 예측/평가는 진화 프로세스의 입력이며, 하드코딩된 레이블이나 최종 답이 아니다.
진화 피드백은 교란 강도, 방향 또는 샘플링 분포를 조정하고, 다음 라운드 샘플을 보충하여 "지속" 생성을 지원한다. 피드백이 기록만 하고 샘플링을 변경하지 않으면 폐루프가 지속적으로 개선될 수 없다.
폐루프를 가장 잘 구현하는 방법은 매 라운드 익형 샘플 패밀리를 생성하고, 평가/예측 후 진화에 들어가며, 결과에 따라 다음 라운드 교란 샘플을 보충하는 것이다. 샘플 생성, 평가/예측, 진화 피드백 또는 재샘플링 중 어느 하나라도 빠지면 지속적 최적화를 형성할 수 없다.
사례 단서:
초임계 기초 익형 최적화에서 목표는 양항비 최대화, 항력 발산 최소화, 구조 두께 제약 유지이며, 매 라운드 256개 샘플을 생성할 수 있고 평가 시간이 길다. 한 라운드 프로세스는 다음과 같이 설계할 수 있다: 기초 익형을 앵커로 하여 두께 분포, 캠버 또는 제어점에 제어 가능한 교란을 적용하고, 익형 샘플 배치를 생성한다. 배치로 예측/평가에 보내 양항비, 항력 발산, 두께 제약 등 성능을 얻는다. 그 다음 진화 선택, 업데이트와 재샘플링에 들어간다. 마지막으로 피드백에 따라 다음 라운드 교란 강도, 방향 또는 샘플링 분포를 조정한다. 기초 익형은 임의로 교체할 수 없다. 파라미터화 공간, 교란 범위와 평가 기준을 정의하기 때문이다. 교체하면 탐색 공간이 표류하고 후보가 비교 불가능해져 폐루프가 안정적 참조를 잃는다.
연속 몇 라운드 진화가 정체되면, 피드백으로 교란 강도를 높이거나 샘플링 분포를 확대하여 전역 다양성을 도입할 수 있다. 교란 방향을 조정하여 두께, 캠버 등 민감 파라미터에 대해 방향성 탐색을 할 수도 있다. 국부 정밀 교란과 전역 교란을 혼합하고, 샘플 배치를 늘리거나 온라인으로 보충하며, 파레토 프론티어上의 다양한 후보를 유지하여 개체군 조숙을 방지할 수도 있다.
학생들에게 한 문장으로 폐루프의 네 단계를 재진술하게 하고, 기초 익형이 왜 교란 샘플로 대체될 수 없는지 설명하게 한다. 학생이 "먼저 앵커를 정하고, 그 다음 교란을 제어하고, 평가를 진화에 넣고, 피드백으로 다음 라운드를 조정한다"는 관계를 말할 수 있는지 확인한 후, 다음 페이지의 예제, 응용 또는 요약으로 넘어간다.
### 대리 모델을 활용한 높은 시뮬레이션 비용 대응
*페이지 9*
> **페이지 목표:** 학습자는 대리 모델이 어떻게 고정밀 시뮬레이션 비용이 높은 병목을 효과적으로 극복하는지 이해해야 한다.
> **페이지 목표**
>
> 대리 모델이 왜 고충실도 시뮬레이션 비용이 높은 병목을 효과적으로 대응할 수 있는지 이해하고, 다목표 진화 최적화에서의 위치, 개입 방식과 리스크 제어를 파악한다.
> **설명 순서**
>
> 먼저 고충실도 시뮬레이션을 진화 루프에 직접 넣으면 예산이 빠르게 소진된다는 것을 지적한다. 다음으로 대리 모델이 "저렴한 근사 평가기"로서 점별 평가를 어떻게 대체하는지 설명한다. 그 다음 직접 고충실도 최적화와 대리 보조 최적화의 비교로 가속 메커니즘을 전개한다. 그런 다음 오프라인 훈련, 온라인 배치 예측, 대리 보조 선점, 역채움 보정 네 단계를 중점적으로 설명한다. 마지막으로 정밀도와 비용 트레이드오프, 분포 외 리스크, 일반적인 오해와 자체 점검 목록을 논의한다.
**강의 요점**
- 초임계 익형, 구조 강도 등의 문제에서 단일 CFD 또는 유한 요소 시뮬레이션이 수십 분에서 수 시간 소요된다. 진화 알고리즘은 매 세대 전체 개체군을 평가해야 하고, 평가 횟수와 예산이 거의 선형으로 소비되어 예산이 몇 세대 만에 소진된다. 개체군 규모와 반복 세대가 강제로 압축되고, 다목표 프론티어를 충분히 탐색하기 어려워져 설계 공간이 "평가할 수 없는" 상태로 봉쇄된다. 기존 시뮬레이션 샘플에서 입력-출력 매핑을 학습하여 후보方案의 목표값과 제약 성능을 빠르게 예측한다.
- 더 정확한 시뮬레이션이 아니라 더 저렴한 근사이다. 점별 평가를 대체하는 것이지 검증 단계를 대체하는 것이 아니다. 왼쪽 직접 고충실도 최적화는 후보가 적고, 단일 소요 시간이 길고, 총 평가 횟수가 적고, 탐색 커버리지가 좁다.
- 오른쪽 대리 보조 최적화는 후보가 많고, 단일 예측이 매우 저렴하고, 총 평가 횟수가 많고, 커버리지가 더 넓으며, 고충실도 예산이 핵심 후보에 집중되고, 불확실성 임계값 스크리닝과 소량 고충실도 검증이 수반된다. 오프라인 훈련으로 초기 매핑을 구축한다.
- 온라인 배치 예측으로 매 세대 전체 후보를 예측한다.
- 대리 보조 선점으로 예측값과 불확실성을 결합하여 고잠재력 또는 고정보량 후보를 선택한다.
- 역채움 보정으로 소량의 고충실도 결과를 샘플 라이브러리에 다시 쓰고 대리 모델을 증분 업데이트한다. 대리 모델이 복잡할수록 일반적으로 더 정확하지만 훈련과 추론 오버헤드가 증가한다. 핵심 제약은 대리 모델이 고충실도 시뮬레이션보다 현저히 빨라야 하면서, 정밀도가 선택 압력을 지탱할 만큼 충분해야 한다는 것이다. 그렇지 않으면 새로운 병목이 되거나 진화를 잘못된 방향으로 이끌 수 있다. 대리 모델은 훈련 분포 근처에서만 신뢰할 수 있다. 분포 외 예측은 합리적으로 보이지만 실제 값에서 크게 벗어나 탐색을 오도할 수 있다. 실행 가능한 방법으로는 불확실성 추정 출력, 신뢰 임계값 설정, 경계 초과 후보에 대한 강제 고충실도 검증, 오차 통계로 정기적 대리 모델 품질 점검이 있다. 대리 모델은 검증을 취소하지 않으며, 개체군 압축으로 문제를 해결하지도 않는다.
- 그 가치는 희소한 고충실도 예산을 가장 핵심적이고 가장 불확실한 후보에 집중시키는 것이다.
**키워드 커버리지**
- 대리 모델, 고충실도 시뮬레이션, 저렴한 근사 평가기, 오프라인 훈련, 온라인 배치 예측, 대리 보조 선점, 역채움 보정, 불확실성 임계값, 분포 외 예측, 정밀도와 비용 트레이드오프.
> **연습 단서**
>
> - 모든 후보에 고충실도 시뮬레이션을 실행하는 것을 대리 모델 배치 근사 스크리닝과 소량 고충실도 검증으로 변경한다. 오답 선택지는 종종 검증 취소나 개체군 압축으로 오해한다. 단일 시뮬레이션 비용이 높아 세대별 전체 개체군 평가 시 예산이 빠르게 소진된다. 제한은 비용에서 비롯되며, 미분 가능성이나 다목표 능력이 아니다. 모델이 복잡할수록 일반적으로 더 정확하지만 훈련과 추론이 느려져 진화 탐색 속도와 매칭해야 한다. 복잡도에 대가가 없다거나 단순할수록 더 정확하다고 생각할 수 없다. 예측이 실제 값에서 크게 벗어나 탐색을 오도할 수 있다. 대리 모델은 자동으로 고충실도로 전환하지도, 자동으로 편향을 교정하지도 않으며, 불확실성과 검증으로 제어해야 한다. 대리 모델이 실제 응답면으로 지속적으로 보정되어 후속 예측 편향을 줄이도록 한다. 후보 수를 줄이거나 불확실성 추정을 대체하는 데 사용되는 것이 아니다. 프로세스는 초기 샘플링, 오프라인 훈련, 온라인 배치 예측, 스크리닝, 고충실도 검증, 역채움 업데이트, 루프 반복으로 작성할 수 있다.
> - 리스크 제어는 불확실성 추정, 신뢰 임계값, 예비 보충 샘플링 예산, 오차 통계 모니터링, 그리고 고충실도 예산을 프론티어 근처 후보에 우선 할당하는 것을 강조한다.
**이해도 점검**
학생들에게 자신의 말로 다섯 가지를 명확히 설명하게 한다——누가 누구를 대체했는가, 대리 모델이 어느 단계에서 개입하는가, 신뢰할 수 없는 예측을 어떻게 걸러내는가, 고충실도 예산이 어떤 후보에 사용되는가, 검증 결과가 어떻게 대리 모델을 역채움 보정하는가.
> **전환 안내**
>
> 학생이 "근사 스크리닝"과 "실제 검증"을 구분할 수 있는지 확인한 후, 다음 페이지의 응용 또는 요약으로 넘어간다.
### 각 지표를 고려한 다양한 후보方案 출력
*페이지 10*
> **페이지 목표:** 학습자는 시스템이 최종적으로 여러 지표를 고려한 후보方案 조합을 어떻게 출력하는지 파악해야 한다.
> **페이지 목표**
>
> 다목표 공학 최적화에서 시스템이 출력하는 것은 단일 최적해가 아니라 여러 지표를 고려한 다양한 후보方案이라는 것을 이해하고, 다지표 평가 메커니즘, 대리 모델 역할, 파레토 프론티어 비교 방법 및 재현성 요구사항을 파악한다.
> **설명 순서**
>
> 1. 먼저 산출 형태를 확인한다. 익형 설계와 같은 다목표 문제에서 최종 납품되는 것은 후보方案 그룹이지 단일 점 답이 아니다. 전체 후보 그룹이 임계 버페팅 양력 계수, 순항 양항비, 구조 중량 제어, 교란 저항 견고성 등 지표上에서의 트레이드오프 형태를 관찰해야 한다.
>
> 2. 왜 단일 점 답이 아닌지 설명한다. 목표가 서로 충돌할 때, 예를 들어 임계 버페팅 양력 계수를 높이면 순항 양항비가 하락하는 경우가 많아, 모든 지표에서 동시에 우위를 점하는 실행 가능 해가 존재하지 않는다. 평가가 단일 지표에 의해 지배되면, 탐색은 평균적으로는 괜찮지만 핵심 지표에서는 두드러지지 않는 절충 해로 수렴하거나, 심지어 명확한 선호를 가진 설계 방향을 잃을 수 있다.
>
> 3. 생성과 예측 메커니즘을 명확히 설명한다. 다지표 고려 평가 메커니즘은 다중 제약과 목표를 동일한 평가 공간에 통합한다. 지속 생성과 예측은 기초 익형과 교란 샘플을 중심으로 새로운 후보를 끊임없이 생성하고, 대리 모델로 지표를 빠르게 추정하여 고정밀 시뮬레이션 비용이 높은 병목을 완화한다.
>
> 4. 출력과 비교 방식을 설명한다. 후보方案은 서로 다른 지표 선호와 트레이드오프 위치를 커버한다. 두 핵심 지표를 산점도로 그리면, 외곽에서 다른 후보에 의해 모든 지표에서 동시에 초과되지 않는 점들이 파레토 프론티어를 구성하고, 내측에 위치한 점들은 지배된다. 공학 심사는 일반적으로 먼저 프론티어에서方案을 선택한 후, 고정밀 시뮬레이션으로 확인한다. 프론티어上의 서로 다른 위치는 버페팅 억제 우선 또는 순항 효율 우선 등의 지향에 대응한다.
>
> 5. 재현성을 강조한다. 각 후보는 기초 익형과 교란 출처, 이 지표들上에서의 평가 결과, 그리고 파레토 프론티어上에서의 위치를 추적할 수 있어야 한다. 어느 하나라도 빠지면方案 비교를 확인하기 어렵다.
**강의 요점**
- 다지표 고려 평가 메커니즘, 지속 생성과 예측, 다양한 출력 형태, 비교 가능성. 대리 모델은 체가 아니라 최종 심판이 아니며, 빠른 추정과 방향성 스크리닝을 담당하고, 핵심 후보에서의 고정밀 시뮬레이션 재검증을 대체할 수 없다.
> **자료 단서**
>
> - 레이더 차트는 폐곡선으로 서로 다른 후보 익형의 지표 선호를 나타낸다.
> - 산점도가 오른쪽 위로 갈수록 두 지표가 동시에 더 우수함을 나타낸다.
> - 점선은 비지배 후보를标注하고, 회색 점은 지배된 후보를 나타낸다.
**연습 처리**
이 페이지 연습은 산출 형태, 대리 모델 책임, 다양화 가치, 재현 기록 및 두 지표 관계를 중심으로 전개된다. 참고 방향: 시스템이 납품하는 것은 서로 다른 트레이드오프를 고려한 후보方案 그룹이다. 대리 모델은 빠른 추정과 스크리닝 유도를 하고, 최종적으로는 핵심 후보의 고정밀 재검증이 필요하다. 다양화의 가치는 충돌 지표 간의 트레이드오프 위치를 명시적으로 유지하여 비교와 의사결정을 지원하는 데 있다. 각 후보의 다차원 지표 결과와 생성 교란 출처를 유지해야 한다. 임계 버페팅 양력 계수와 순항 양항비는 프론티어上에서 일반적으로 상충 관계에 있다. 사례 문제에서 고정밀 시뮬레이션을 하나하나 실행하지 않는 이유는 후보 수가 많고 지속적으로 추가되며, 단일 시뮬레이션 비용이 높기 때문이다. 대리 모델이 먼저 범위를 좁히고, 소량의 핵심方案을 재검증한다.
심사에서 버페팅 억제 우선과 순항 효율 우선 사이에서 선택해야 하면, 후보 그룹이 선택 가능한 항목을 제공하고, 파레토 프론티어가 최적 트레이드오프 위치를标注하며, 비교 가능한 기록이 재현성과 확인 가능성을 보장한다.
**이해도 점검**
학생들에게 자신의 말로 시스템이 왜 단일 점 답이 아닌 후보方案 그룹을 출력하는지 설명하게 하고, 재현성을 지원하는 기록을 최소 세 가지 말하게 한다.
> **전환 안내**
>
> 학생이 대리 모델 스크리닝과 고정밀 시뮬레이션 확인의 역할을 구분할 수 있는지 확인한 후, 다음 페이지로 넘어간다.
### 복잡한 공학에서의 목표 충돌과 희소 피드백 대응
*페이지 11*
> **페이지 목표:** 학습자는 공학 실제에서 희소 피드백과 목표 충돌에 대응하는 방법을 이해해야 한다.
> **페이지 목표**
>
> 복잡한 공학 최적화에서 목표 충돌과 희소 피드백의 일상성을 이해하고, 단일 목표 최적 대신 동적 다목표 절충으로 대응하는思路를 파악한다.
**강의 요점**
- 실제 공학에서는 종종 성능, 비용, 신뢰성, 에너지 소비와 제조 제약을 동시에 추구하며, 이러한 지표들은 서로制约한다. 예를 들어 초임계 익형 설계에서 양항비를 높이면 항력 발산이 심화될 수 있고, 구조를 강화하면 중량과 제조 난이도가 증가한다. 핵심은 지표를 정렬하는 것이 아니라, 현재 파레토 프론티어의 어느 구간에 있는지 식별하고 무엇을 교환할 수 있는지 명확히 하는 것이다. 고충실도 시뮬레이션, 물리 실험 등 평가 수단은 비용이 높고, 주기가 길고, 노이즈가 크며, 종종 실패 샘플을 반환한다. 유효 평가 신호가 적고, 지연되고, 불연속적이어서 평가 예산이 하드 제약이 된다. 대리 모델 편향이 증폭되고, 과적합과 조기 수렴 리스크가 상승하며, 탐색과 활용이 균형을 잃기 쉽고, 고정 선호가 단계적 발견에 적응하기 어렵다. 대리 모델과 다중 충실도 평가로 단일 피드백 비용을 낮춘다.
- 능동 샘플링과 배치 실험으로 샘플 효율을 높인다.
- 다목표 진화로 다중 비지배 후보를 유지하고, 파레토 프론티어 다양성을 보존한다.
- 평가 결과에 따라 선호와 제약을 동적으로 업데이트하고, 다양한 후보 집합을 출력하여 전문가 평가에 제공한다. 목표는 충돌을 제거하는 것이 아니라, 충돌, 리스크와 절충 관계를 설명 가능하게 하여 유일한 답을 미리 아는 것에 의존하지 않도록 하는 것이다.
> **연습 단서**
>
> - 이 페이지의 5개 객관식 문제는 각각 (1) 목표 충돌 식별
> - (2) 희소 피드백의 특징
> - (3) 희소 피드백下 대리 모델 편향의 영향
> - (4) 샘플 효율을 높이는 방법
> - (5) 선호와 제약 업데이트에 대한 합리적 인식을考查한다. 답변 시 "적고, 비싸고, 느리고, 노이즈가 있고, 실패 샘플이 있다" 등의 키워드를 포착하고, 목표 충돌과 희소 피드백을 구분해야 한다. 액체 냉각판 다목표 설계. 목표 충돌은 방열 성능, 압력 강하, 중량, 비용과 가공성의 상호制约으로 나타난다.
> - 희소 피드백은 고충실도 CFD가 수십 시간, 벤치 실험이 수 주가 걸리고 변동이 있으며, 공정 불가능 샘플이 직접 실패하는 것으로 나타난다. 대응: 평가 측에서 대리 모델과 다중 충실도 평가, 능동 샘플링 채택.
> - 탐색 측에서 다목표 진화로 다양성 유지.
> - 선호 측에서 단계적으로 가중치, 제약과 참조점을 업데이트하여 초기 고정 가중치에 락인되는 것을 방지.
**이해도 점검**
학생들에게 자신의 말로 목표 충돌과 희소 피드백의 차이를 요약하게 하고, 동적 조정 폐루프에서 어느 단계의 역할이든 예를 들어 설명하게 한다.
> **전환 안내**
>
> 학생이 "목표 충돌 + 희소 피드백 → 동적 다목표 절충"이라는 핵심 관계를 말할 수 있는지 확인한 후, 다음 페이지로 넘어간다.
### 도메인 전문가의 의사결정 역할과方案 평가
*페이지 12*
> **페이지 목표:** 학습자는 다목표 탐색에서 인간 전문가와 자동화 시스템의 역할 분담을 이해해야 한다.
> **페이지 목표**
>
> 다목표 탐색 프로세스에서 자동화 시스템과 도메인 전문가가 어떻게 분업 협력하는지, 그리고 전문가가 도메인 경험을 어떻게 검증 가능하고 추적 가능한 평가와 의사결정 논리로 전환하는지 이해한다.
> **설명 순서**
>
> 먼저 "시스템은 가능성을 펼치고, 전문가는 가능성을 수렴시킨다"를 지적한 후, 시스템 측과 전문가 측의 책임 경계를 설명한다. 다음으로 왜 단일 목표 최적이 납품 가능한方案이 아닌지 설명하고, 이익-대가 평가 매트릭스를 도입한다. 그런 다음 임계값 거부, 이익-대가 트레이드오프, 민감도 분석의 의사결정 순서를 제시한다. 마지막으로 희소 피드백下의 재검증, 재샘플링 또는 종료 판단, 그리고 선택 이유의 환류로 책임 폐루프를 형성하는 것을 설명한다.
**강의 요점**
- 시스템 측은 대규모 후보 생성, 대리 모델 예측, 파레토 프론티어 묘사와 다양성 유지를 완료하고, "어떤 가능성이 있는가"를 답한다.
- 전문가 측은 목표 우선순위, 하드 제약과 리스크 허용도를 주입하고, 실제 시나리오 적합성을 판단하며, 최종 선택을 하고 책임을 지며, "어느 것을 선택해야 하고, 왜인가"를 답한다. 경계는: 시스템이 비교 가능한 후보 집합과 정량적 예측을 제공하지만, 전문가를 대신하여底线과 선호를 결정하지 않는다.
- 전문가는 선호, 제약과 의사결정 기준을 제공하지만, 대량 후보의 생성과 스크리닝을 직접 완료하지 않는다. 方案 평가는 성능 이익과 공학 대가를 설명 가능하고 감사 가능한 근거로 전환해야 한다. 성능 이익 외에도 계산과 제조 비용, 견고성, 유지보수성, 불확실성, 그리고 희소 피드백下 결론의 신뢰도를 동시에考察해야 한다. 단일 목표 최적은 종종 납품 불가능하며, 다차원 평가라야 서로 다른 후보의 적용 시나리오를 드러낼 수 있다. 도메인 경험을 명시적 선호, 계층적 평가, 의사결정 매트릭스, 임계값 거부 항목과 민감도 분석으로 표현한다. 일반적인 순서는 먼저 하드 제약으로底线 요구를 위반하는 후보를 "한 표 거부"하고, 나머지 후보에 대해 이익-대가 트레이드오프를 수행하며, 마지막으로 민감도 분석으로 결론이 가중치 교란에 견고한지 확인한다. 가중 총점으로 치명적 결함을 보상하는 것이 가장 흔한 오해이다. 고충실도 평가가 비싸고 피드백이 희소할 때, 전문가는 대리 모델 신뢰도, 후보 다양성과 관찰된 실패 패턴에 근거하여 재검증, 재샘플링 또는 탐색 종료를 결정해야 하며, 대리 모델이 제시한 "최적해"를 맹신하지 않는다. 최종 선택과 리스크承担은 도메인 전문가에게 속한다.
- 선택 이유는 선호, 제약 또는 평가 신호로 환류되어 다음 진화 탐색을 안내하고, 책임 폐루프를 형성한다. 초임계 익형 다목표 설계에서 시스템은 항력, 양력과 안정성을 고려한 후보를 출력한다.
- 전문가는 풍동과 시뮬레이션 비용, 제조 공차와 임무 프로파일을 결합하여, 먼저 하드 제약 위반자를 탈락시키고, 나머지方案에 대해 이익-대가 트레이드오프를 수행하며, 소수를 선택하여 고정밀 검증에 들어가고, 이번 라운드의 이유를 다음 라운드의 선호와 제약으로 환류한다.
**키워드 커버리지**
- 다목표 탐색, 생성과 스크리닝, 판단과 의사결정, 파레토 프론티어, 이익-대가 평가 매트릭스, 임계값 거부, 민감도 분석, 희소 피드백, 책임 폐루프.
> **연습 단서**
>
> - 1. 시스템 측은 대규모 후보 생성, 대리 모델 예측과 파레토 프론티어 묘사를 담당한다.
> - 하드 제약 판정, 목표 우선순위 또는 리스크承担을 선택하면, 이것이 전문가 측에 속함을提醒한다. 2. 성능 이익, 계산과 제조 비용, 견고성, 유지보수성과 불확실성을 종합해야 한다.
> - 단일 목표 최적은 납품 가능과 같지 않다. 3. 피드백이 희소할 때는 대리 모델 신뢰도, 후보 다양성과 실패 패턴에 근거하여 재검증, 재샘플링 또는 종료를 결정해야 한다. 4. 임계값 거부 항목은 먼저 하드 제약 위반 후보에 대해 한 표 거부를 하고, 나머지 후보를 저울질하는 데 사용되며, 통일된 가중 점수가 아니다. 5. 선택 이유 환류의 목적은 선택 이유를 선호, 제약 또는 평가 신호로 전환하여 다음 진화 탐색을 안내하는 것이다. 먼저 시스템 측 "생성과 스크리닝"과 전문가 측 "판단과 의사결정"의 경계를 설명한다.
> - 그 다음 "임계값 거부→이익-대가 매트릭스→민감도 분석"에 따라 어떤 후보가 고정밀 검증에 들어갈지 결정한다.
> - 신뢰도가 부족하거나 다양성이 낮으면 재샘플링 또는 재검증을 선택한다.
> - 마지막으로 이번 라운드의 이유를 명시적으로 선호, 제약 또는 평가 신호로 기록하여 다음 라운드 탐색에 입력한다.
**이해도 점검**
학생들에게 자신의 말로 "옵션 확장"과 "옵션 수렴"을 구분하게 하고, 하나의 공학 의사결정에서 시스템 측과 전문가 측의 각각의 행동을 예로 들어 설명하게 한다. 학생이 최종 결정, 리스크承担 또는 하드 제약 판정을 시스템 측에 귀속시키면, 책임 분업으로 돌아가 다시 분석한다.
> **전환 안내**
>
> 학생이 "생성—평가—선택—환류"의 폐루프 관계를 명확히 설명할 수 있는지 확인한 후, 다음 페이지의 예제, 응용 또는 요약으로 넘어간다.
### 교실 활동: 다목표 파라미터 최적화 평가方案 설계
*페이지 13*
> **페이지 목표:** 학습자는 실천을 통해 양력과 항력 트레이드오프를 포함하는 파라미터 최적화 평가方案을 설계해야 한다.
**강의 요점**
- 양력과 항력은 원래의 충돌 목표이며, 양항비 같은 복합 지표는 설명과展示에만 사용할 수 있다. 자체 점검 방법: 복합 지표를 제거해도方案이 두 후보의 트레이드오프得失을 비교할 수 있는가? 그렇지 않다면 원래 목표가 은폐된 것이다.
- 두께, 피칭 모멘트 같은 공학 제약을 위반하면方案은 사용 불가능하다. 가중치로 이를 소프트화하여 서로 상쇄할 수 있는 점수로 만들어서는 안 된다. 方案 작성 시 항목별로标注한다: 이 항목은 하드 제약인가 소프트 선호인가, 그리고 결과에 제약 충족 상황을 보고한다.
- 평가 결과의 합격선은: 서로 다른 양항 트레이드오프를 커버하는 후보 그룹 + 지표 증거 + 제약 충족 상황 + 불확실성 설명 + 기록(시드, 예산, 탈락 이유). "최적해" 하나만 제출하는 것은 일반적으로 전문가를 대신하여 절충을 이미 완료했음을 의미한다.
페이지 목표
이 페이지는 교실 활동 설계로, 임무는 "양력—항력"이라는 서로 당기는 목표를 재현 가능하고, 비교 가능하며, 전문가 의사결정에 넘길 수 있는 다목표 파라미터 최적화 평가方案으로 전환하는 것이다. 활동의 중점은 모델이 직접 최적 답을 제시하게 하는 것이 아니라, 반복적으로 검증 가능한 평가 메커니즘을 설계하는 것이다: 누가 평가에 참여하는가, 어떤 지표를 사용하는가, 어떤 제약과 예산下에서, 어떤 규칙으로 후보를 남기는가. 최종적으로 "충돌"을 "실행 가능한 심사 규칙"으로 작성해야 한다.
설명 순서
후보 생성 → 평가 진입 → 피드백에 따라 이익, 대가와 제약 비교 → 유효方案 유지 → 기록 후 다음 라운드 진입.
목표와 제약, 6단계 평가 폐루프, 후보 그룹과 의사결정 인터페이스 출력, 재현 기록.
양력과 항력은 원래의 충돌 목표이며, 양항비 등 복합 지표는 설명展示에만 사용된다.
후보는 서로 다른 양항 트레이드오프 영역을 커버해야 하며, 스크리닝 결과는 최고점 하나만 남겨서는 안 된다.
5. 납품물 템플릿을 제시하고, 일반적인 오해로 마무리한다.
강의 요점
목표 A는 양력 계수 최대화, 목표 B는 항력 계수 최소화이며, 둘은 반드시 독립적으로 열을 이루어야 한다. 양항비로 이들을 대체해서는 안 되며, 그렇지 않으면 트레이드오프가 하나의 비율로 미리 "평탄화"된다.
파라미터 경계, 상대 두께, 피칭 모멘트 범위 등은 일반적으로 하드 제약으로 설정되어 위반 시 탈락한다. 비용, 공학 제조 가능성 등은 소프트 선호로 설정되어 정렬에 사용된다. 方案 작성 시 항목별로 "하드 제약" 또는 "소프트 선호"를标注하고, 결과에 제약 충족 상황을 보고해야 한다.
시뮬레이션 또는 대리 모델 호출 횟수, 시간, 연산 상한을 명시하고, "대리 평가"와 "고정밀 재검증"의额度를 구분해야 한다. 그렇지 않으면 서로 다른方案 간에 공정한 비교가 불가능하다.
파라미터 표현 → 후보 생성 → 평가 계산 → 지표 집계 → 方案 비교 → 기록 아카이빙.
초기 샘플링으로 전역을 펼치고, 교란, 교차와 변이로 국부 정밀화를 하며, 선호 유도로 전문가 관심 영역을 밀집시킨다. 후보 분포가 서로 다른 양항 트레이드오프 영역에 있도록 요구하여, 전체 세대가 "고양력" 또는 "저항력" 단일 방향으로 붕괴되는 것을 방지한다.
파레토 비지배, 가중 합, 임계값 필터링, 참조점 또는 선호 정렬을 사용할 수 있다. 그러나 출력은 서로 다른 트레이드오프를 커버하는 후보 그룹이어야 하며, 지표 증거, 제약 충족 상황, 후보 차이와 불확실성 범위를 첨부하여 전문가가 판단할 수 있게 해야 한다.
양력과 항력을 하나의 총점으로 합산한 후 최댓값을 취하는 것은 단순화해 보이지만, 실제로는 가중치 선택으로 전문가를 대신하여 절충을 미리 한 것이며, 후보 다양성도 잃는다. 올바른 방법은 여러 후보 그룹을 유지하고 "어느 것을 선택할지"의 판단권을 평가 인터페이스 이후에 남기는 것이다.
한 페이지 평가方案 템플릿: 지표 표(원래 목표와 보조 지표), 6단계 흐름도, 후보 생성 규칙, 스크리닝 규칙, 출력 후보 그룹, 리스크와 불확실성 설명 포함. 동시에 파라미터, 지표 정의, 평가 예산, 랜덤 시드, 스크리닝 근거와 탈락 이유를 기록한다.
교실 활동
학습자에게 파라미터화된 객체(예: 익형 파라미터)를 대상으로 간단한 다목표 평가方案을 설계하게 하고, 양력과 항력의 트레이드오프를 명시적으로 가시화해야 한다. 네 블록으로 작성할 수 있다: ①목표와 제약; ②평가 폐루프 6단계; ③출력 후보 그룹과 의사결정 인터페이스; ④재현 기록. 완료 후 그룹 간 상호 평가: 복합 지표를 제거해도方案이 두 후보의 트레이드오프得失을 비교할 수 있는가? 하드 제약이 가중 상쇄 가능한 점수로 오인되었는가? 출력이 "최적해" 하나만 남았는가?
연습 처리
기초 판단은 다음 요점을 중심으로 평석할 수 있다:
양력 계수 최대화, 항력 계수 최소화. 정답 선택지는 둘이 독립적이며 양항비는 보조 설명만 가능함을 강조한다.
2. 두께와 피칭 모멘트 범위는 하드 제약으로 설정해야 하며, 위반 시 탈락한다. 예산은 호출 횟수, 시간, 연산 상한을 미리 명시해야 하며, 예산 부족으로 하드 제약을 완화해서는 안 된다.
3. 후보 생성은 초기 전역 샘플링을 포함하고, 교란, 교차 변이와 선호 유도를 결합하여 후보가 여러 트레이드오프 영역에 분포하도록 해야 한다.
4. 方案 비교는 서로 다른 양항 트레이드오프를 커버하는 비지배 후보 그룹을 출력하고, 분기와 근거를 첨부해야 한다. 가중 합 최고점만 유지하거나 긴 순위만 나열하는 것은 활동 요구에 부합하지 않는다.
5. 기록 아카이빙은 최소한 파라미터 표현과 경계, 지표 정의, 평가 예산, 랜덤 시드, 스크리닝 근거와 탈락 이유를 포함해야 한다. 이렇게 해야 다음 라운드에서 결과 변화가方案 변경에서 비롯된 것인지 평가 조건 변화에서 비롯된 것인지 판단할 수 있다.
사례 평석
초임계 익형方案에서 팀이 가중 합 정렬로 1등만 유지한 문제는 양력과 항력의 충돌을 미리 해소하고, 파레토 다양성을 잃고, 전문가도 트레이드오프 구간을 볼 수 없다는 것이다. 수정 방향: 파레토 비지배 스크리닝으로 변경하여 프론티어上에서 서로 다른 트레이드오프 영역을 커버하는 여러 후보를 유지한다. 가중 합을 유지하면 여러 가중치 또는 참조점을 제시하고 근거를 기록한다. 두 번째 라운드가 이번 라운드 결과를 계승하게 하려면, 파라미터와 경계, 지표 단위, 하드 제약/소프트 선호 구분, 예산과 실제 호출 횟수, 대리 모델 버전, 랜덤 시드, 스크리닝 근거와 탈락 이유를 보충해야 한다. 각 후보에는 지표 증거, 제약 충족 상황, 불확실성 범위와 후보 차이 설명을 첨부하고, 전문가 트레이드오프 인터페이스를 제공해야 한다.
이해도 점검
왜 양항비가 양력과 항력의 독립 목표를 대체할 수 없는가? 하드 제약이 왜 가중 상쇄에 참여할 수 없는가? 후보 그룹이 왜 단일 최적해보다 전문가에게 넘기기에 더 적합한가? 답변이 지표, 제약, 예산, 후보 다양성과 기록 요구를 연결할 수 있으면 된다.
전환 안내
학습자가 "원래 충돌 목표—하드 제약/소프트 선호—후보 생성—다양화 출력—재현 기록"이라는 주선을 명확히 설명할 수 있는지 확인한 후, 다음 페이지의 예제, 응용 또는 요약으로 넘어간다.
### 교실 활동 복기: 트레이드오프方案의 합리성 검증
*페이지 14*
> **페이지 목표:** 학습자는 설계한 트레이드오프 평가方案이 과학적이고 효과적인지 검증하고 반성하는 방법을 이해해야 한다.
> **페이지 목표**
>
> 이 페이지는 교실 활동 "다목표 파라미터 최적화 평가方案 설계"의 복기로, 핵심은 설계한 트레이드오프 평가方案이 합리적인지 검증하는 것이다. 학습자는 누락된 핵심 지표와 목표 충돌을 식별하고, 파라미터 구성의 조정 방향을 명확히 하여方案이 실제 공학 의사결정 요구에 부합하도록 해야 한다.
> **설명 순서**
>
> 먼저 복기의 제일 원리 질문이 "方案이 실제 의사결정을 묘사했는가"임을 명확히 한 후, 일곱 가지 차원으로 전개하는 것을 권장한다: ①목표 커버리지 ②충돌과 중복 ③제약과 선호 ④파라미터 구성 ⑤대리 모델 ⑥후보 다양성 ⑦전문가 지원. 그 다음 복기 진단에 따라 조정 방향을 도출한다. 마지막으로 비교 가능, 절충 가능, 재현 가능 세 가지 기준으로方案의 합격 여부를 판정한다.
**강의 요점**
- 목표, 제약과 선호가 불완전하면 어떤 파라미터 튜닝도 잘못된 모델上에서의 정밀화일 뿐이다. 의사결정자가 실제로 중시하는 양(성능, 비용, 신뢰성, 제조 가능성)이 모두方案에 들어갔는가? 하드 제한이 제약으로 작성되었는가? 선호가 가중치나 참조점으로 명시적으로 표현되었는가? 상충 관계는 충돌이며, 다목표로 유지하고 가중치나 참조점으로 선호를 표현해야 한다.
- 동방향 변화且 정보가 중복되면 중복이며, 하나를 병합하거나 삭제하여 동일 요구가 중복 계량되는 것을 방지해야 한다. 판단 구결: 방향을 보고, 중복 계량인지도 본다. 동시에 제약이 목표로 오인되었는지 확인한다. 개체군 규모와 후보 수가 트레이드오프 구간을 커버하는가.
- 반복 예산이 대리 모델 정밀도와 매칭하는가.
- 변이, 교차, 선택 압력이 탐색과 활용의 균형을 잃게 하는가.
- 샘플링 전략이 시뮬레이션 예산을 정보량이 큰 영역에 투입하는가. 어떤 불일치든 "결과는 있지만 사용 불가"로 나타난다. 다양성 부족→개체군 규모와 후보 출력 그룹 확대.
- 수렴过快→선택 압력 낮추기, 변이 강도 높이기, 엘리트 보존 완화.
- 평가 비용过高→대리 모델 정밀도 향상,加点과 샘플링 전략 최적화.
- 선호 편차→가중치 수정 또는 참조점 이동.
- 지표 누락 또는 충돌→지표 보충, 상충 관계를 다목표 구조로 유지. 비교 가능——도메인 전문가가 후보 간에 절충을 명확히 볼 수 있다.
- 절충 가능——선호에 따라 프론티어에서方案을 선택할 수 있다.
- 재현 가능——파라미터, 랜덤 시드와 프로세스 기록이 완전하다. 최종 산출물은 각 지표를 고려한 다양한 후보여야 하며, 단일 "최적해"가 아니다. 초임계 익형 설계 복기. 양항비만关注하고 구조 강도나 제조 비용을 누락하면, 먼저 지표를 보충하고 충돌을 다목표로 명시적으로 유지해야 한다.
- 그 다음 평가 예산, 개체군 규모, 후보 출력 수를 파라미터 조정 목록에 포함한다.
- 마지막으로 "프론티어가 더 넓어졌는가, 전문가가 절충을 비교할 수 있는가, 결과가 재현 가능한가"로 조정이 효과적인지 검증한다.
**키워드 커버리지**
- 커버리지 점검, 목표 커버리지, 충돌과 중복, 다목표 유지, 가중치/참조점, 개체군 규모, 선택 압력, 변이 강도, 대리 모델, 샘플링 전략, 트레이드오프 프론티어, 비교 가능, 절충 가능, 재현 가능.
> **연습 단서**
>
> - 목표, 제약과 선호가 완전한지 확인하고, 누락된 핵심 지표를 우선 발견한다. 해설: 지표 누락은 후속 모든 트레이드오프를 체계적으로 왜곡하므로, 먼저 커버리지 점검을 하고 그 다음 파라미터 조정을 논의해야 한다. 두 지표가 동방향 변화하고 정보가高度 중복되면 어떻게 처리하는가? 답: 중복 측정에 속하며, 하나를 병합하거나 삭제하여 가중치가 중복 증폭되는 것을 방지해야 한다. 해설: 충돌은 상충 관계, 중복은 동방향且 정보 중복.
> - 중복은 동일 요구가 중복 계량되게 한다. 최적화가 매우 적은 반복 내에 수렴하고 후보가高度 유사할 때, 가장 매칭되는 파라미터 조정은? 답: 개체군 규모와 후보 출력 그룹을 확대하고, 변이 강도를 높이며, 선택 압력을 낮춘다. 해설: 수렴过快는 일반적으로 선택 압력이 너무 크고 변이가 부족하여 다양성이 붕괴된 것이다. 양항비와 구조 강도 같은 실제 충돌에 직면하면 어떻게 처리해야 하는가? 답: 다목표로 유지하고, 가중치나 참조점으로 선호를 반영하며, 트레이드오프 프론티어를 출력하여 전문가 절충에 제공한다. 해설: 실제 충돌은 단일 목표화로 은폐되어서는 안 되며, 다목표를 유지하고 선호를 명시적으로 표현해야 의사결정을 지원할 수 있다. 고충실도 시뮬레이션 평가 비용이过高하고 반복 예산이 부족할 때, 가장 합리적인 조정은? 답: 대리 모델 정밀도를 높이고 샘플링 전략을 최적화하여 예산을 정보량이 큰 영역에 집중시킨다. 해설: 대리 모델과 샘플링 전략이 평가 비용을承担하게 해야 하며, 탐색 규모를 희생하거나 문제 정의를 재작성해서는 안 된다. 초임계 익형 설계 복기. 문제 1: 목표 커버리지—충돌/중복—제약과 선호의 문제를 지적한다. 참고 요점: 지표 누락(구조 강도, 제조 비용).
> - 충돌 미명시 처리(양항비와 구조 강도).
> - 제약과 선호 미명시화(기하, 공정, 안전 여유).
> - 개체군 규모를 100 이상, 후보 출력 20~50개로 확대.
> - 선택 압력 낮추기, 변이 강도 높이기.
> - 대리 정밀도 향상, 샘플링 개선(예: 불확실성加点).
> - 가중치 수정 또는 참조점 이동.
> - 후보 커버리지가 더 넓어지고, 혼잡도 하락, 프론티어 커버리지와 분포 품질 향상, 대리 오차 하락, 전문가가 절충을 명확히 비교 가능, 결과 재현 가능.
**이해도 점검**
무작위로 학생을 지목하여 자신의 말로 이 페이지의 핵심을 요약하게 하고, 강사는 답변에 따라 누락된 키워드를 보충한다.追问 가능: "목표 집합 자체가 불완전하면 후속 파라미터 튜닝은 어떻게 되는가?" 학생이 "잘못된 모델上에서 최적화하는 것일 뿐"이라고 말하도록 유도한다.
> **전환 안내**
>
> 학생이 "먼저 커버리지 점검, 그 다음 파라미터 조정"과 "충돌은 다목표 유지, 중복은 병합 삭제"를 말할 수 있는지 확인한 후, 다음 페이지의 예제, 응용 또는 요약으로 넘어간다.
> **자료 단서**
>
> - 이 페이지에는 "方案 합리성 검증 점검표"示意图가 있으며, 왼쪽에는 일곱 가지 검증 차원, 오른쪽에는 대응 조정 방향, 하단에는 예상 검증 증거가 제시되어 있다. 설명 시 이 그림을 참조하여 단계적으로 전개할 수 있다.
### 본과 핵심 개념 복습
*페이지 15*
> **페이지 목표:** 학습자는 본과에서 다룬 다목표 트레이드오프, 대리 모델과 초임계 익형 사례를 체계적으로 정리해야 한다.
> **페이지 목표**
>
> 학습자가 본과의 세 가지 핵심 개념——다목표 트레이드오프, 대리 모델 비용 절감과 초임계 익형 다목표 실천——을 체계적으로 복습하고, "충돌—비지배 후보—선호 의사결정"이라는 주선을 연결할 수 있도록 돕는다.
> **설명 순서**
>
> 먼저 이 페이지가 수렴 페이지임을 지적하고, 본과의 주선은 진화 계산이 유일한 답을 미리 지정하지 않는 해결 경로를 제공하며, 개체군 후보 병렬 생성과 다양성으로 목표 충돌과 복잡한 제약에 대응한다는 것임을 설명한다. 그 다음 세 가지 주선으로 복습한다: 첫째, 목표 충돌과 파레토 트레이드오프. 둘째, 대리 모델 비용 절감과 검증. 셋째, 다중 후보方案 그룹과 전문가 의사결정. 마지막으로 사례와 기억 체인으로 지식을 공학 폐루프에 착지시킨다.
**강의 요점**
- 실제 공학에서 순항 효율, 구조 두께, 조종 안정성 제약이 종종 서로制约한다. 너무 일찍 가중 압축하여 단일 목표로 만들면 충돌이 은폐되고, 선호가 고정되고, 트레이드오프 정보가 손실된다. 파레토 후보를 유지해야 후속 의사결정에 여지가 생긴다. 고충실도 CFD, 풍동 또는 실험의 단일 평가 비용이 높고, 탐색에 대량 평가가 필요할 때, 대리 모델은 근사로 속도를 얻어 탐색, 스크리닝과 민감도 분석을 가속한다. 그러나 그 신뢰도는 독립 검증 샘플, 오차 평가와 불확실성 정량화에서 비롯된다.
- 훈련 집합 피팅 정밀도가 일반화 신뢰성을 직접 증명할 수는 없다. 기초 익형 교란→대리 보조 탐색→다양화 후보 출력→전문가 평가 의사결정이 폐루프를 구성한다. 중점은 유일한 답이 아니라 비교 가능하고, 설명 가능하고, 의사결정 가능한方案 그룹을 산출하는 것이다. 전문가는 임무 선호와 제약에 따라 절충하고, 새 샘플을 다시 환류하여 대리 모델을 업데이트한다. 양항비만 최적화하면 항력 발산 특성이나 피칭 모멘트가 허용 불가능한方案을 얻을 수 있다.
- 후보 그룹을 유지한 후, 순항 효율, 구조 두께와 조종 안정성 제약 사이에서 임무 선호에 따라 저울질할 수 있고, 선호 변화, 견고성 비교와 의사결정 추적에도 용이하다. 샘플/시뮬레이션 → 대리 모델 → 다목표 탐색 → 후보 평가 → 선호 의사결정 → 새 샘플 환류. 학생들이 각 단계를 재진술하고 "왜 필요한가"를 한 마디 보충하게 할 수 있다.
**연습 처리**
이 페이지 객관식 문제는 빠른 점검에 사용할 수 있다. 제1题는 "조기 압축은 목표 간 충돌을 은폐하고 저울질 가능한 설계 공간을 축소한다"를 선택해야 하며, 다목표 방법이 비지배 관계를 명시적으로 유지함을 강조한다. 제2题는 "고충실도 시뮬레이션 또는 풍동의 단일 평가 비용이 높고, 탐색에 대량 평가가 필요할 때"를 선택해야 하며, 대리 모델의 가치가 평가 비용과 횟수에 달려 있음을 강조한다. 제3题는 "독립 검증 샘플로 예측 오차를 평가하고, 예측 불확실성을 정량화하고 모니터링한다"를 선택해야 하며, 일반화와 신뢰성을 강조한다. 제4题는 "기초 익형 교란→대리 보조 탐색→다양화 후보 출력→전문가 평가 의사결정"을 선택해야 하며, 폐루프 산출方案 그룹을 강조한다.
제5题는 "선호 변화, 견고성 비교와 의사결정 추적을 지원하고, 단일 경로 락인 리스크를 낮춘다"를 선택해야 하며, 후보 그룹이 트레이드오프 공간을 유지함을 강조한다.
첫째는 직접 단일 가중 고충실도 최적화를 하지 않고, 먼저 대리 모델을 구축하고 파레토 후보 그룹을 유지하는 것이며, 이유는 "비용 절감"과 "트레이드오프 공간 유지"이다. 둘째는 대리 모델 국부 편향이 크면, 먼저 독립 검증 샘플로 고오차 또는 고불확실성 영역을 위치시키고, 선정 후보에 고충실도 검증을 보충하며, 필요시 적응 샘플링을 하고, 마지막으로 파레토 프론티어가 검증 데이터下에서 여전히 비지배 관계를 유지하는지 확인한다.
**이해도 점검**
학생들에게 자신의 말로 "왜 최적해 하나만 남기지 않고 후보 그룹을 유지하는가"를 명확히 설명하게 하고, 대리 모델이 왜 반드시 검증되어야 하는지 설명하게 한다. 학생이 단어만 암기하면, "충돌 → 비지배 후보 → 선호 의사결정"에서 각 단계의 역할을追问할 수 있다.
> **전환 안내**
>
> 학생이 이 페이지의 세 가지 주선과 그 폐루프 관계를 말할 수 있는지 확인한 후, 다음 페이지의 요약, 응용 또는 새 주제로 넘어간다.
### 요약과 전망: 실제 복잡한 세계에서의 과학 연구 가치
*페이지 16*
> **페이지 목표:** 학습자는 다양화된 사용 가능方案을 유지하는 것이 현실 복잡성에 대응할 때 갖는 심원한 과학 연구 가치를 깨달아야 한다.
> **페이지 목표**
>
> 실제 공학과 물리 세계에서의 과학 연구 가치는 단일 알고리즘으로 빠르게 "최적 답"에 수렴하는 것이 아니라, 다목표 충돌, 물리 제약과 희소 피드백을 지속 가능한 탐색 문제 과정으로 전환하는 데 있다. EvoX와 AI Native 실천의 핵심思路는 다양화된 사용 가능方案을 생성하고 유지하여 후속 트레이드오프, 의사결정과 방법 진화에 공간을 제공하는 것이다.
> **설명 순서**
>
> 1. 먼저 왼쪽의 "실제 복잡한 세계"에서 시작하여, 다목표 충돌, 물리 제약, 희소 피드백이 예외가 아니라 일상임을 설명한다.
>
> 2. 왜 단일 목표 최적이 핵심 정보를 잃는지 설명한다. 초임계 익형 설계를 예로 들 수 있다: 양항비, 항력 발산 특성, 구조 두께 등 목표가 서로制约하며, 양항비를 높이면 항력 발산 성능을 희생하거나 구조 두께를 증가시킬 수 있다. 단일 목표 최적만 추구하면 트레이드오프 관계를 잃고, 새로운 제약이나 선호 변화에 직면했을 때 조정 여지가 없다.
>
> 단일 해가 아니라多种 트레이드오프 관계를 포함하는 후보方案 그룹이어야 한다. EvoX를借助하면 대량의 후보 익형을 병렬 생성하고, 대리 모델로 시뮬레이션 비용이 높을 때 평가를 보조하여 서로 다른 선호와 제약을 커버할 수 있다.
>
> 도메인 전문가 의사결정을 지원한다. 조기 오류 수렴 리스크를 낮춘다. 후속 문제 재구성과 지속 진화를 위한 가능성을 유지한다.
>
> AI Native 과학 연구의 방향은 "알고리즘을 선택하여 답을 구하는 것"에서 "재사용 가능하고, 검증 가능하고, 계승 가능한 탐색 과정을 설계하는 것"으로 나아가, 실제 복잡성을 방법 혁신의 원천으로 만드는 것이다.
**강의 요점**
- 실제 문제에서 목표는 종종 서로制约한다. 습관적으로 유일한 최적해를 찾지 말고, 먼저 물어야 한다: 나는 어떤 트레이드오프 관계를 간과했는가? 진화 탐색은 서로 다른 트레이드오프 관계를 포함하는 후보方案 그룹을 출력해야 한다. 다양화된方案 그룹은 더 많은 선호와 제약을 커버하여 전문가 의사결정과 후속 진화에 공간을 남긴다. 왼쪽은 실제 복잡한 세계, 중간은 EvoX 구동 탐색, 오른쪽은 과학 연구 가치.
- 하단에는 "지속 진화 피드백" 회로가 있어 탐색 과정이 일회성으로 끝나지 않고 축적 가능하고 계승 가능함을 보여준다. 실제 복잡한 세계에서의 과학 연구 가치는 다목표 충돌, 물리 제약과 희소 피드백을 지속 가능한 탐색 문제 과정으로 전환하는 데 있다.
- EvoX와 AI Native 실천은 다양화된 사용 가능方案을 생성하고 유지하여 후속 트레이드오프, 의사결정과 방법 진화에 공간을 제공한다. 연습 단서와 처리: 객관식 문제는 "핵심 개념", "익형 설계가 보여주는 과학 연구 탐색 가치", "다양화된 사용 가능方案을 유지하는 장기적 의미" 등을 중심으로 전개된다. 정답은 다음을 지향해야 한다: 다양화된 사용 가능方案을 유지하는 것은 현실 복잡성에 대응할 때 심원한 과학 연구 가치가 있다. 학생이 틀리면 본 페이지 설명으로 돌아가 핵심 증거나 예를 찾은 후 다시 판단하도록 유도한다.
- 맞으면 본 페이지 개념과 연결하고 근거를 설명할 수 있음을 긍정한다. 첫 번째 질문, 다목표 충돌은 양항비, 항력 발산 특성, 구조 두께 등 목표에 충돌이 존재하는 것으로 나타난다. 예를 들어 양항비를 높이면 구조 두께 증가 또는 항력 발산 성능 희생을 대가로 할 수 있다. 두 번째 질문, 다양화된 후보方案 그룹은 서로 다른 선호와 제약을 커버하여 전문가가 절충을 평가하기 쉽고, 동시에 조기 오류 수렴 리스크를 낮추며, 후속 문제 재구성, 제약 변화 또는 방법 진화를 위한 계승 가능한 탐색 공간을 유지한다. 정확할 때는 "이 답변이 본 페이지 개념과 연결되고 근거를 설명한다"고 말할 수 있다.
- 불완전할 때는 "본 페이지 설명으로 돌아가 핵심 증거나 예를 찾은 후 다시 판단하세요"라고 말할 수 있다.
**이해도 점검**
왜 다양화된 사용 가능方案을 유지하는 것이 단일 최적해만 출력하는 것보다 과학 연구 가치가 더 큰가? 최소한 본 페이지의 예(초임계 익형 설계) 하나와 장기적 의미(전문가 의사결정 지원 또는 지속 진화) 하나를 연결하도록 요구한다. 학생이 용어만 재진술하면, "다목표 충돌"과 "후보方案 그룹"의 관계를 예로 설명할 수 있는지追问한다.
> **전환 안내**
>
> 학생이 "다목표 충돌—후보方案 그룹—과학 연구 가치"의 관계를 말할 수 있는지 확인한 후, 다음 페이지 또는 과정 요약으로 넘어간다.
Source Language: Chinese (Simplified) 中文 (简体)
Target Language: Korean 한국어
Please translate the above text into Korean 한국어 while preserving the original structure and formatting.
Directly return the translated text without additional wrapping or explanations.