# Sistema de Evolução Inteligente EvoX e Prática de Pesquisa Científica AI Native — Material Didático Carga horária: 1 · Páginas do material: 16 ## Navegação de Leitura - [Aula 3｜Tema: Complexidade do Mundo Real e Trade-offs Multiobjetivo](#lecture-lesson-1) --- ## Aula 3｜Tema: Complexidade do Mundo Real e Trade-offs Multiobjetivo ### Complexidade do Mundo Real e Trade-offs Multiobjetivo *Página 1* > **Objetivo da página:** Explorar objetivos e restrições complexos que se contrapõem no mundo físico real, aprendendo a utilizar o EvoX para gerar um conjunto de soluções candidatas que incorporam diversas relações de trade-off. > **Objetivo da página** > > Esta página desloca a perspectiva de problemas de otimização idealizados para o mundo físico real, apontando que objetivos de engenharia frequentemente se contrapõem e que o feedback é esparso, e introduz a ideia de usar o EvoX para gerar um conjunto de soluções candidatas que refletem diferentes relações de trade-off. > **Sequência de exposição** > > Primeiro, explicar por que o "conflito de objetivos" é onipresente, por exemplo, no design de perfis aerodinâmicos, onde sustentação, arrasto, resistência estrutural e ruído dificilmente podem ser otimizados simultaneamente; depois, explicar que "feedback esparso" significa alto custo de avaliação e poucas amostras válidas, não sendo possível depender de tentativa e erro em larga escala; por fim, introduzir a exploração multi-candidata, fazendo com que o EvoX não retorne apenas uma única solução ótima, mas sim um conjunto de soluções com vantagens em diferentes direções de trade-off, para decisões subsequentes. **Pontos-chave de ensino** - Sistemas reais são limitados por leis físicas, processos de fabricação, normas de segurança, etc., e as variáveis se influenciam mutuamente. A melhoria de um indicador frequentemente ocorre às custas da deterioração de outro, portanto não existe um único "melhor", apenas compromissos sob diferentes preferências. Simulações ou experimentos reais têm alto custo, o feedback não é denso, e o algoritmo precisa utilizar de forma mais eficiente as informações de avaliação já disponíveis. Gerar um conjunto de soluções candidatas pode apresentar a fronteira de trade-offs, ajudando engenheiros a escolher conforme o cenário, em vez de ficarem presos a uma única solução. Pode ser usado para ilustrar concretamente como encontrar múltiplos conjuntos de designs viáveis entre objetivos como eficiência aerodinâmica, confiabilidade estrutural e ruído. **Cobertura de palavras-chave** - Complexidade do mundo real, trade-offs multiobjetivo, conflito de objetivos, feedback esparso, exploração multi-candidata, EvoX, otimização de perfis aerodinâmicos. **Verificação de compreensão** Peça aos alunos que deem um exemplo de engenharia ou do cotidiano em que "melhorar A sacrifica B", e expliquem como a forma de decisão seria diferente se pudessem obter apenas uma solução versus um conjunto de soluções candidatas. > **Dica de transição** > > Após os alunos conseguirem distinguir entre "ótimo de objetivo único" e "conjunto de candidatas sob trade-offs multiobjetivo", avançar para a próxima página sobre métodos ou casos específicos. ### Conflitos Multiobjetivo e Complexidade do Mundo Real *Página 2* > **Objetivo da página:** Os aprendizes devem compreender o estado fundamental de objetivos que se contrapõem e restrições aninhadas no mundo real da engenharia. **Pontos-chave de ensino** - A otimização na engenharia real enfrenta a complexidade de múltiplos objetivos, múltiplas restrições e feedback custoso entrelaçados. Os objetivos se contrapõem mutuamente, não existindo um único ótimo ideal sem trade-offs, portanto é preciso primeiro identificar e aceitar os conflitos, em vez de aplicar suposições idealizadas de objetivo único. Os objetivos não são independentes; melhorar um pode piorar outro, por exemplo, aumentar a sustentação frequentemente vem acompanhado de aumento do arrasto ou redução da estabilidade - Restrições aninhadas: ajustes de variáveis locais afetam outros subsistemas ou fases do ciclo de vida, formando regiões viáveis acopladas e fronteiras implícitas - Feedback custoso: simulações de alta fidelidade, túneis de vento, voos de teste e outras avaliações têm alto custo, não sendo possível sustentar tentativa e erro ilimitados - Objetivos difíceis de quantificar, como segurança, estabilidade, custo, regulamentações, manutenibilidade, etc., são difíceis de unificar em um único escalar. Melhorar um indicador pode piorar outro. No design de aeronaves, aumentar a sustentação aumenta o arrasto e reduz a estabilidade - Se continuar otimizando algum indicador aerodinâmico, pode acionar restrições como cargas estruturais, proteção térmica ou complexidade de controle. Isso mostra que problemas reais não podem ser simplificados como ótimo de objetivo único. O sistema não deve prematuramente fornecer uma única "resposta ótima" isolada, mas sim explorar e reter um conjunto de soluções candidatas com diferenças, permitindo que especialistas ponderem benefícios e custos. **Tratamento dos exercícios** Causa fundamental do conflito multiobjetivo (objetivos se contrapõem, melhorar um pode piorar outro); consequências de aumentar a sustentação (aumento do arrasto, possível redução da estabilidade); limitações do feedback custoso (custo elevado de feedback, número limitado de avaliações); abordagem correta da otimização multiobjetivo (explorar e reter um conjunto de soluções candidatas com diferenças); significado de restrições aninhadas (ajustes de variáveis locais afetam outros subsistemas ou fases do ciclo de vida). O feedback correto pode enfatizar: conflitos multiobjetivo originam-se de trade-offs estruturais; sustentação e arrasto, estabilidade são conflitos clássicos; feedback custoso limita tentativa e erro; o ótimo único frequentemente não existe em conflitos reais; restrições aninhadas formam regiões viáveis acopladas. Otimização multiobjetivo de aeronaves. Cenário: projetar um novo drone, otimizando simultaneamente eficiência aerodinâmica, peso estrutural, estabilidade e custo de fabricação; simulações CFD de alta fidelidade levam horas, testes em túnel de vento têm custo extremamente alto; conflitos de objetivos como aumentar a sustentação aumenta o arrasto e as cargas estruturais, reduzir o peso pode diminuir a estabilidade; restrições aninhadas como mudanças na forma aerodinâmica afetam cargas estruturais e proteção térmica, impactando o design das leis de controle. A questão 1 pede para identificar pelo menos dois conflitos e explicar por que não podem ser simplesmente combinados em um único objetivo. Referência: conflito entre sustentação e arrasto, conflito entre peso e estabilidade; não podem ser simplesmente combinados porque as dimensões e prioridades são diferentes, a combinação requer pesos subjetivos, podendo mascarar relações de trade-off e levar a soluções que se deterioram em dimensões não previstas. A questão 2 pede para descrever como usar computação evolutiva para reter soluções candidatas diferenciadas e explicar como os especialistas fazem os trade-offs. Referência: adotar algoritmos evolutivos multiobjetivo (como NSGA-II) para manter a fronteira de Pareto, retendo um conjunto de soluções não dominadas, cada uma representando um trade-off diferente; especialistas podem selecionar a solução adequada da fronteira de Pareto conforme as necessidades da missão, ou ajustar pesos interativamente. **Atividade em sala** Peça para recontar o conteúdo desta página usando um exemplo próximo da experiência dos alunos, e pedir que eles expliquem a relação entre esse exemplo e "primeiro identificar conflitos, depois modelar". **Verificação de compreensão** Escolha aleatoriamente um aluno para resumir os pontos principais desta página com suas próprias palavras; o instrutor complementa palavras-chave esquecidas com base na resposta. > **Dica de transição** > > Após confirmar que os alunos conseguem enunciar a relação central desta página, avançar para a próxima página com exemplos, aplicações ou resumo. ### Trade-offs no Mundo Físico Real e Exploração Multiobjetivo *Página 3* > **Objetivo da página:** Os aprendizes devem dominar a razão central pela qual o sistema não pode fornecer prematuramente uma única solução ótima isolada. **Pontos-chave de ensino** - Ao ver qualquer "solução ótima", primeiro pergunte em qual objetivo ela abriu mão de algo. Somente quando é possível explicar simultaneamente benefícios e custos é que se compreende verdadeiramente um problema multiobjetivo. - Um conjunto de soluções candidatas não é procrastinação na decisão, mas sim deixar o julgamento de preferência para quem melhor entende a tarefa. Na entrega, deve-se fornecer simultaneamente um conjunto de soluções com diferentes ênfases e suas bases de comparação, e não um monte de pontos dispersos sem ordenação. - Cada simulação ou experimento tem um custo real. Sob orçamento limitado, priorizar a avaliação de candidatas com distribuição dispersa, cobrindo diferentes direções de trade-off, em vez de ajustar repetidamente em torno do mesmo ponto, permite obter informações mais completas sobre a fronteira. ## Objetivo da página Compreender por que problemas de otimização no mundo físico real geralmente não têm uma "solução ótima única sem custo", e dominar a lógica central e o valor de reter soluções candidatas diferenciadas na exploração multiobjetivo. ## Sequência de exposição Objetivos difíceis de quantificar completamente, restrições aninhadas mutuamente, custo elevado de feedback de avaliação, múltiplos objetivos se contrapondo. 2. Usar o exemplo de design de aeronaves para ilustrar que "aumentar a sustentação frequentemente vem acompanhado de aumento do arrasto ou redução da estabilidade". 3. Com o auxílio de um diagrama esquemático da fronteira de Pareto, explicar por que não se pode convergir prematuramente para uma única resposta. Explorar e reter um conjunto de soluções candidatas com diferenças, fornecendo aos especialistas uma base de comparação benefício–custo. 5. Por fim, esclarecer equívocos comuns e tratar exercícios e casos. ## Pontos-chave de ensino **Três fatos fundamentais** Objetivos frequentemente só podem ser parcialmente quantificados (como "conforto", "margem de segurança"), restrições são aninhadas em camadas, e cada avaliação real (simulação de alta fidelidade, teste em bancada ou voo de teste) exige tempo e dinheiro consideráveis. Sustentação e arrasto, desempenho e estabilidade, precisão e consumo de energia frequentemente não podem atingir o ótimo simultaneamente; qualquer melhoria deve explicar claramente qual custo ela trouxe. Não se pode tentar infinitas vezes, portanto, sob um orçamento limitado de avaliações, reter diversidade é mais robusto do que travar prematuramente em um único ponto. **Por que não se pode convergir prematuramente para uma única resposta** Se o sistema entregar uma "solução ótima" isolada no início da exploração, o espaço de decisão será comprimido: os especialistas não verão outras possibilidades, nem poderão julgar entre quais dois objetivos esse ponto fez um trade-off. A abordagem mais adequada é reter um conjunto de soluções candidatas ao longo de relações de não dominância, que têm ênfases diferentes em dimensões como sustentação, arrasto e estabilidade, constituindo uma fronteira de Pareto disponível para trade-offs. Cada ponto na fronteira representa um trade-off legítimo — para melhorar um objetivo, é necessário sacrificar outro; portanto, o valor da fronteira não está em "qual é o melhor", mas em apresentar a relação completa entre benefícios e custos, apoiando julgamentos de preferência e decisões subsequentes. **Equívocos comuns** Somar "prematuramente por pesos" um problema multiobjetivo em um objetivo escalar equivale a definir os pesos de preferência pelo especialista antes da exploração, e a informação de trade-off se perde. Os pesos devem ser o último passo da etapa de decisão, e não a primeira suposição da etapa de modelagem. ## Pistas de material Eixo horizontal representa o objetivo A — arrasto (mais à esquerda é melhor), eixo vertical representa o objetivo B — estabilidade (mais alto é melhor). O diagrama marca três candidatas diferenciadas: candidata A (prioridade em baixo arrasto), candidata B (equilibrada), candidata C (prioridade em alta estabilidade), todas distribuídas na fronteira de Pareto não dominada. O diagrama também marca a região dominada (onde há espaço para melhoria), e um "ponto único de convergência prematura" caindo na região dominada. Uma seta indica "benefício ⟷ custo: deixado para o especialista ponderar". ## Tratamento dos exercícios Esta página contém 5 questões de múltipla escolha, que podem ser usadas para verificação imediata de compreensão. As respostas corretas e pontos de feedback são os seguintes: Escolher "Objetivos frequentemente difíceis de quantificar, restrições aninhadas mutuamente, custo elevado de feedback de avaliação, múltiplos objetivos se contrapondo." Feedback: captura com precisão as três características e a contraposição multiobjetivo. Esta é a manifestação típica do conflito multiobjetivo. Escolher "Comprime o espaço de decisão e mascara relações reais de trade-off, impossibilitando que o especialista julgue qual trade-off foi feito nesse ponto." Feedback: a resposta de ponto único comprime trade-offs multidimensionais em uma conclusão de caixa-preta. Escolher "Explorar e reter um conjunto de soluções candidatas com diferenças, como base para os especialistas ponderarem benefícios e custos." Feedback: o sistema não deve ultrapassar sua autoridade decidindo pelo especialista, nem convergir prematuramente. Para melhorar um dos objetivos, é necessário sacrificar o outro." Feedback: não dominância significa que não existe solução que melhore todos os objetivos simultaneamente sem piorar nenhum. ## Discussão de caso A página fornece o caso "Design multiobjetivo de perfil aerodinâmico de veículo hipersônico", sugerindo discussão em sala: Objetivos difíceis de quantificar, restrições aninhadas mutuamente, feedback custoso, conflitos multiobjetivo. Respostas de referência na análise da página. Entregar um conjunto de soluções candidatas com diferenças (como tipo prioridade em baixo arrasto, tipo equilibrado, tipo prioridade em alta estabilidade), fornecendo valores de cada objetivo, situação de satisfação das restrições e explicações dos trade-offs principais, permitindo que os decisores comparem na curva benefício–custo e que especialistas façam a escolha final combinando preferências. ## Verificação de compreensão Encerrar com três pontos principais: Ao ver qualquer "solução ótima", primeiro pergunte em qual objetivo ela abriu mão de algo. O conjunto de soluções candidatas deixa o julgamento de preferência para quem melhor entende a tarefa; na entrega, deve-se fornecer simultaneamente um conjunto de soluções com diferentes ênfases e suas bases de comparação. Sob orçamento limitado, priorizar a avaliação de candidatas com distribuição dispersa, cobrindo diferentes direções de trade-off, em vez de ajustar repetidamente em torno do mesmo ponto. ## Cobertura de palavras-chave Conjunto de soluções candidatas, fronteira de Pareto, não dominância, trade-offs multiobjetivo, orçamento de avaliação, convergência prematura. ## Dica de transição Após confirmar que os aprendizes conseguem explicar com suas próprias palavras "por que não se pode convergir prematuramente para um ponto único" e "como o conjunto de soluções candidatas apoia os trade-offs dos especialistas", avançar para a próxima página com exemplos, aplicações ou resumo. ### Buscando Respostas Utilizáveis e Experimentos Mentais *Página 4* > **Objetivo da página:** Os aprendizes devem compreender como transformar problemas reais em processos sistemáticos exploráveis e verificáveis. **Pontos-chave de ensino** - Ao encontrar um problema real, primeiro escreva as quatro perguntas do experimento mental: o que pode ser mudado, como avaliar, o que deve ser satisfeito, como julgar se é melhor. Se as quatro perguntas não estiverem claras, qualquer algoritmo escolhido depois dificilmente produzirá respostas utilizáveis. - Cada solução candidata deve especificar pelo menos quatro itens: benefício, custo, condições de aplicabilidade, risco. Soluções que só dizem "mais rápido, mais forte" sem mencionar custos e limites quase certamente serão questionadas até não poderem responder em reuniões de revisão. - Somar múltiplos objetivos em uma pontuação e tomar o máximo equivale a assumir que os pesos já estão determinados. Se os pesos em si são subjetivos, essa abordagem esconde a decisão de trade-off dentro da pontuação. Reter candidatas diferenciadas e compará-las explicitamente está mais próximo de uma "resposta utilizável". > **Objetivo da página** > > Compreender que, diante de problemas reais de engenharia, o primeiro trabalho não é escolher um algoritmo, mas transformar o problema em um experimento mental explorável, executável e verificável; e explorar sistematicamente em diferentes direções, retendo um conjunto de soluções candidatas com diferenças, em vez de convergir prematuramente para uma suposta "resposta ótima". > **Sequência de exposição** > > 1. Primeiro falar sobre a contraposição multiobjetivo no mundo real. Aumentar a sustentação de uma aeronave pode alterar o arrasto e a estabilidade, reduzir a latência do modelo pode prejudicar a precisão, aumentar o desempenho do sistema pode aumentar o consumo de energia, custo e risco de segurança. O progresso em um indicador frequentemente ocorre às custas do retrocesso em outro, portanto uma resposta de ponto único "melhor em todos os indicadores" geralmente não existe. > > O que pode ser mudado? Como avaliar após a mudança? Quais condições devem ser satisfeitas? Como julgar qual resultado é melhor? > > Listar itens variáveis e variáveis de decisão, como parâmetros, estrutura, estratégia, regras de agendamento, e delimitar condições preestabelecidas. > > Determinar indicadores e critérios de avaliação, por exemplo, se olhar para temporalidade ou consumo de energia, se olhar para pico ou média, qual segmento de dados usar para medir. > > Definir restrições rígidas e fronteiras, como limiares de segurança, limite superior de latência, limite superior de consumo de energia e orçamento, regulamentações e permissões de espaço aéreo; soluções que ultrapassam são diretamente eliminadas. > > Definir critérios de comparação e preferências, explicando em qual cenário qual objetivo é mais valorizado, e a faixa aceitável de custo. > > 3. Falar sobre a forma de saída. A exploração deve se desenrolar em diferentes direções, produzindo um conjunto de soluções candidatas com diferenças, cada candidata anotada com benefício, custo, condições de aplicabilidade e risco, permitindo que especialistas da área comparem escolhas sob diferentes preferências. > > Executável, avaliável, satisfazendo restrições rígidas, capaz de explicar trade-offs, e capaz de apoiar escolhas sob diferentes preferências. Uma resposta de ponto único que atinge o máximo em apenas um indicador geralmente não satisfaz esses critérios. > > Os eixos horizontal e vertical podem representar dois objetivos que se contrapõem, a curva ou agrupamento de pontos representa a região de soluções alcançáveis, e fora das restrições rígidas está a região de ultrapassagem. As candidatas A a D têm trade-offs diferentes; o ponto principal do diagrama não é encontrar o único ponto ótimo, mas reter diferenças e comparar explicitamente. > **Pistas de exercícios** > > - Definir itens variáveis, critérios de avaliação, restrições rígidas e critérios de comparação. Não perguntar primeiro "qual algoritmo usar" ou "acumular dados primeiro". A segunda questão deve escolher "O progresso em um indicador frequentemente ocorre às custas do retrocesso em outro, portanto geralmente não existe um ótimo global único". Conflito de objetivos é a norma em problemas reais, não um erro de definição. A terceira questão deve explicar que a convergência prematura para um ponto único perde soluções candidatas diferenciadas, enfraquecendo o espaço para especialistas escolherem e decidirem sob diferentes preferências. Na quarta questão, o que não é critério de "resposta utilizável" é "atingir o máximo global em um indicador isolado, podendo ignorar os outros indicadores". A quinta questão deve explicar que o experimento mental expõe conflitos de objetivos, fronteiras de restrições e critérios de avaliação antes da execução, estabelecendo uma estrutura de problema utilizável para a exploração multiobjetivo subsequente. Agendamento de entrega por drones urbanos. Pode-se orientar os alunos a transformar o cenário nas quatro perguntas: itens variáveis incluem rotas e camadas de altitude, perfil de velocidade, pontos de decolagem e pouso e pontos de transferência, momentos de recarga ou troca de bateria, agrupamento e combinação de tarefas, designação de modelo de aeronave, etc. > - Condições preestabelecidas incluem clima, permissões de espaço aéreo, geografia urbana. Indicadores de avaliação incluem tempo médio de entrega, consumo de energia por pacote, margem de segurança, taxa de conclusão de tarefas e distribuição de tempos de espera, especificando se é horário de pico ou média diária. Restrições rígidas incluem pelo menos limiar de margem de segurança da bateria, proibição de voo ou reagendamento por vento excessivo, zonas de exclusão aérea e permissões de espaço aéreo não podem ser violadas, carga única não pode exceder o limite do modelo. Critérios de comparação devem indicar que no horário de pico dá-se mais peso à temporalidade, em condições climáticas adversas dá-se mais peso à margem de segurança e taxa de conclusão, e definir claramente a faixa aceitável de custo, evitando somar grosseiramente em uma pontuação única. Preferências dos clientes, clima e condições de espaço aéreo mudam, o ótimo de ponto único só se sustenta sob um conjunto de suposições > - O conjunto de candidatas cobre diferentes combinações benefício–custo, especialistas podem escolher conforme restrições e preferências do dia, e conhecer os limites de aplicabilidade e riscos de cada solução. Cada solução deve anotar pelo menos benefício, custo, condições de aplicabilidade, risco, e os pontos de diferença em relação às outras soluções do mesmo grupo. Primeiro: escolher o algoritmo antes de pensar no problema > - Segundo: forçar a soma ponderada de múltiplos objetivos em uma pontuação e tomar o máximo, escondendo trade-offs subjetivos na pontuação > - Terceiro: escrever apenas "mais rápido, mais forte", sem custos e limites, difícil de responder na revisão. **Verificação de compreensão** Peça aos alunos que reconte as quatro perguntas com suas próprias palavras, e deem um exemplo de engenharia ou do cotidiano próximo, explicando como os objetivos conflitam, como as candidatas retêm diferenças, e como as restrições rígidas eliminam soluções que ultrapassam limites. Após confirmar que os alunos conseguem enunciar as três coisas — "transformação do problema, conjunto de candidatas, critérios de resposta utilizável" — avançar para a próxima página sobre como o EvoX sustenta a exploração multiobjetivo. ### Transformação do Problema: Da Escolha do Algoritmo ao Processo de Exploração *Página 5* > **Objetivo da página:** Os aprendizes devem dominar os objetos variáveis, critérios de avaliação e condições de restrição que precisam ser definidos diante de problemas reais. **Pontos-chave de ensino** - Ao receber qualquer nova tarefa, primeiro liste os objetos variáveis: quais parâmetros, estruturas, estratégias ou processos podem ser ajustados? Essa lista é o esqueleto do espaço de busca e da codificação. Depois de escrevê-la claramente, então discuta o algoritmo. - Não espere até a última rodada para descobrir que a solução não é implantável. Coloque requisitos não negociáveis (como limite de latência, limite de memória de GPU, compatibilidade de implantação) diretamente no filtro durante a geração ou avaliação, fazendo com que a exploração ocorra apenas em regiões que não violam restrições. - Na revisão, deve-se usar o mesmo conjunto de definições do problema: primeiro fixar o espaço de busca, métodos de avaliação e restrições, depois comparar horizontalmente o desempenho de diferentes algoritmos. Assim é possível julgar se as diferenças vêm do algoritmo ou da própria definição do problema. Objetivo da página Diante de problemas reais, não perguntar logo de cara "usar DE ou PSO", mas primeiro transformar a tarefa em um processo explorável. Os aprendizes precisam dominar três coisas: o que pode ser mudado, como avaliar após a mudança, quais restrições absolutamente não podem ser violadas, e compreender que a escolha do algoritmo é apenas um componente configurável nesse ciclo fechado. Sequência de exposição Ao receber uma tarefa, fazer primeiro a seleção de algoritmo responde apenas "qual ferramenta usar para buscar", sem responder "buscar o quê, o que conta como bom, o que não pode ser violado". Problema real → Objetos variáveis (parâmetros·estrutura·estratégia→codificação) → Métodos de avaliação (função objetivo, indicadores, preferências) → Restrições centrais (restrições rígidas e preferências flexíveis) → Ciclo fechado de exploração (geração de candidatas→avaliação→feedback→regeração) → Conjunto de soluções candidatas. Objetos variáveis, métodos de avaliação, restrições centrais, processo de exploração. 4. Comparar a diferença entre "seleção única de algoritmo" e "exploração em ciclo fechado", destacando que a qualidade da definição do problema determina o teto da exploração. 5. Consolidar com questões de múltipla escolha e o caso do modelo de ranking de recomendação. Pontos-chave de ensino Definir quais parâmetros, estruturas, estratégias ou processos podem ser ajustados, formando assim o espaço de busca e as fronteiras de codificação. Sem isso, as soluções candidatas não podem ser representadas nem geradas. Definir como julgar a qualidade após a mudança, incluindo função objetivo, indicadores de avaliação, direção de preferência, e métricas como viabilidade e diversidade. O método de avaliação essencialmente determina para qual direção a busca irá. Distinguir restrições rígidas que devem ser satisfeitas de preferências flexíveis negociáveis. Misturar restrições rígidas na função objetivo com "um desconto" facilita produzir soluções com pontuação aparentemente alta, mas impossíveis de implantar. Formalizar o problema como um ciclo fechado de "geração de candidatas—avaliação—feedback—regeração", fazendo com que os resultados da avaliação influenciem a geração subsequente, em vez de fixar de uma vez por todas a abordagem de solução. Responder sequencialmente: quais parâmetros são ajustáveis? Com quais indicadores ou quais indicadores conflitantes avaliar? Quais restrições absolutamente não podem ser violadas? Após responder essas perguntas, a tarefa já foi formalizada como um problema multiobjetivo que pode ser conectado a um solucionador evolutivo; nesse momento, decidir qual algoritmo usar, com qual configuração de operadores explorar, é apenas uma decisão de engenharia substituível dentro do ciclo fechado. Em outras palavras, o algoritmo não é a resposta em si, é apenas um elo configurável no processo de exploração; a qualidade da definição do problema é que determina o teto da exploração. Atribuir diretamente o "desempenho ruim do algoritmo" ao próprio algoritmo, ignorando definições vagas do espaço de busca, indicadores de avaliação desconectados dos objetivos reais do negócio, e ausência de restrições rígidas. Corrigir primeiro a definição do problema e depois discutir a substituição do algoritmo geralmente é mais eficaz do que trocar de algoritmo repetidamente. Pistas de material O problema real passa primeiro por objetos variáveis, métodos de avaliação, restrições centrais, e então entra no ciclo fechado de exploração. O ciclo fechado destaca quatro elos: geração de candidatas, avaliação, feedback, regeração, e enfatiza que a escolha do algoritmo é apenas um componente interno do ciclo fechado. Durante a exposição, pode-se percorrer as setas do diagrama, ajudando os alunos a ver a relação de precedência entre "definição do problema" e "execução do algoritmo". Tratamento dos exercícios O primeiro passo deve ser definir quais parâmetros, estruturas, estratégias ou processos podem ser ajustados, formando o espaço de busca e as fronteiras de codificação. No feedback, enfatizar: os objetos variáveis permitem que as soluções candidatas sejam representadas, e só então a avaliação e iteração subsequentes se tornam possíveis. Os métodos de avaliação devem definir como julgar a qualidade após a mudança, incluindo função objetivo, indicadores, preferências, e métricas como viabilidade e diversidade. No feedback, explicar que não é um acessório do algoritmo, mas o "volante" do processo de exploração, que precisa ser determinado pela própria tarefa. Latência P99 não superior a 80 milissegundos é uma restrição rígida que deve ser satisfeita. No feedback, distinguir "deve ser satisfeito" de "preferencialmente satisfeito": requisitos não negociáveis são restrições rígidas, tendências negociáveis são preferências flexíveis, e restrições rígidas devem ser filtradas previamente na geração ou avaliação. A diferença chave entre o ciclo fechado e a seleção única é que os resultados da avaliação mudam retroativamente a geração subsequente, ajustando continuamente a direção da busca. No feedback, enfatizar que o ponto principal não está na velocidade ou no tipo de algoritmo, mas em se os resultados da avaliação podem retroalimentar e mudar a forma de geração subsequente. O algoritmo não é a resposta em si, porque a qualidade da definição do problema determina o teto da exploração, e o algoritmo é apenas um componente configurável e substituível no processo de exploração. No feedback, orientar os alunos a deslocar a atenção de "qual algoritmo trocar" para "a definição do problema está suficientemente clara". Orientação de caso O caso de ajuste multiobjetivo do modelo de ranking de recomendação pode ser organizado como "objetos variáveis—métodos de avaliação—restrições centrais". Objetos variáveis incluem taxa de aprendizado, coeficiente de regularização, número de camadas da rede, número de cabeças de atenção, estratégia de combinação de features; métodos de avaliação são maximização de AUC offline, minimização de latência de inferência P99 online e minimização do número de parâmetros do modelo, podendo também adicionar diversidade de candidatas; restrições centrais são latência P99 não superior a 80 milissegundos, memória de GPU não superior a 12GB, capacidade de implantação direta no framework de inferência existente; preferências flexíveis são menos parâmetros e menor latência sob a premissa de satisfazer as restrições rígidas. A geração de candidatas amostra hiperparâmetros e configurações de estrutura, a avaliação calcula AUC e mede ou estima latência e uso de memória de GPU, verificando simultaneamente as restrições rígidas; a fase de feedback atualiza a distribuição de busca com base na qualidade multiobjetivo e preferências, e então gera uma nova geração de candidatas. A garantia de implantabilidade é tratar latência, memória de GPU e compatibilidade de framework como restrições rígidas, eliminando diretamente soluções inviáveis na fase de geração ou avaliação; para indicadores custosos como latência, pode-se primeiro usar modelos substitutos ou testes em pequena escala para triagem, e depois fazer verificação completa em poucas candidatas. A saída final é um conjunto de soluções candidatas bem distribuídas nos trade-offs dos objetivos, entregue à decisão de engenharia e produto para escolha. Verificação de compreensão A definição do problema precede a escolha do algoritmo; os objetos variáveis determinam o espaço de busca e a codificação; os métodos de avaliação determinam a direção da busca; restrições rígidas devem ser filtradas previamente; o algoritmo é apenas um componente substituível dentro do ciclo fechado. Se o aluno apenas repetir nomes de algoritmos, pode-se perguntar "Em qual elo o algoritmo entra? O que precisa ser determinado antes dele?" Dica de transição Após confirmar que os alunos conseguem explicar "primeiro definir o que é variável, como avaliar, o que não pode ser violado, e então organizar a solução em um ciclo fechado", avançar para a próxima página com métodos específicos, aplicações ou resumo. ### Otimização de Preferências e Conjunto de Soluções Candidatas *Página 6* > **Objetivo da página:** Os aprendizes devem compreender o papel prático de reter um conjunto diversificado de soluções candidatas na decisão de especialistas. > **Objetivo da página** > > Compreender que a otimização de preferências não substitui o especialista na decisão final, mas usa as preferências como sinais guia para busca e triagem, e faz com que o algoritmo produza um conjunto de soluções candidatas comparáveis e interpretáveis na estrutura de trade-offs, deixando o poder de escolha para os especialistas da área. **Pontos-chave de ensino** - Não comprimir prematuramente múltiplos objetivos em uma pontuação escalar única - Não entregar apenas uma "solução ótima", mas sim um conjunto de soluções candidatas. Sob conflitos multiobjetivo não há solução ótima única natural; soluções comparáveis se conectam formando uma fronteira ideal de trade-offs. Se somar por pesos antecipadamente, equivale a escolher um ponto de compromisso implícito pelo decisor - Uma vez que restrições ou preferências mudem, essa solução pode perder valor imediatamente. Pontos de referência, prioridades de objetivos, intervalos de pesos, feedback interativo. Eles são usados em conjunto para estreitar a região de interesse e melhorar a eficiência da busca, e não para colapsar o espaço de soluções em um ponto prematuramente. Valor = Diferenciação × Interpretabilidade. Diferença efetiva não é ruído aleatório, nem cópias com pequenas perturbações próximas da mesma solução, mas sim dispersão ao longo da estrutura de trade-offs dos objetivos, com representantes na extremidade conservadora, no segmento de compromisso e na extremidade agressiva. A evolução converge espontaneamente para a região atualmente ótima, portanto são necessárias manutenção de distribuição, controle de aglomeração ou estratégias de arquivo, caso contrário o conjunto de candidatas degenera em expressões repetidas de uma única resposta. **Cobertura de palavras-chave** - Otimização de preferências, conjunto de soluções candidatas, fronteira ideal de trade-offs, retenção de diversidade, interpretabilidade, controle de aglomeração, estratégias de arquivo. > **Pistas de material** > > - Eixo horizontal representa custo (menor é melhor), eixo vertical representa latência (menor é melhor), a curva é a fronteira ideal de trade-offs, pontos de referência de preferência guiam a direção da busca, e as soluções candidatas devem estar dispersas ao longo da fronteira > - À direita, comparação entre a soma ponderada tradicional que fornece apenas um único ponto ótimo e a otimização de preferências que fornece um conjunto de soluções candidatas. > **Pistas de exercícios** > > - A otimização de preferências codifica as preferências do decisor no processo de busca e triagem, em vez de pontuar de uma vez após o término da busca. No feedback, enfatizar o "momento de intervenção das preferências", e explicar que as preferências não eliminam conflitos de objetivos. Diferença efetiva = distribuição dispersa nos trade-offs dos objetivos + cada diferença pode ser explicada pela estrutura de trade-offs. Dica para os alunos: quantidade grande e diferenças grandes não significam eficácia. Formas de preferência como pontos de referência ou intervalos de pesos são usadas para estreitar a região de interesse da busca e melhorar a eficiência, não colapsando o espaço de soluções em um ponto prematuramente. Dica: preferências não substituem a função objetivo, nem garantem automaticamente diversidade. Sem manutenção de distribuição, controle de aglomeração ou estratégias de arquivo, a evolução converge naturalmente para a região atualmente ótima, e o conjunto de candidatas se torna cópias repetidas próximas da mesma solução. A mudança na forma de saída significa mudança na atribuição do poder de decisão: o algoritmo fornece um conjunto de candidatas comparáveis, e o especialista da área completa o trade-off final combinando restrições reais, podendo usar o resultado da escolha como feedback para continuar iterando. No agendamento de frotas de entrega urbana e decisão de rotas, a otimização de preferências usa pontos de referência, prioridades de objetivos, intervalos de pesos ou feedback interativo como sinais de seleção e triagem durante a iteração > - Na forma de saída, passa de um único "agendamento ótimo" para um conjunto de soluções candidatas ao longo da fronteira de trade-off custo–latência, por exemplo, conservadora (prioridade em reduzir custo), equilibrada (equilíbrio entre custo e latência), agressiva (prioridade em reduzir latência). Se todas as soluções candidatas forem muito próximas em custo e latência, deve-se suspeitar de falta de mecanismos de manutenção de diversidade > - Ao julgar se as diferenças são efetivas, projetar as soluções no plano custo–latência, verificar se os pontos estão claramente dispersos ao longo da fronteira, e se a direção de trade-off de cada ponto pode ser explicada pela estrutura de trade-offs dos objetivos. **Verificação de compreensão** Peça aos alunos que distingam com suas próprias palavras "guiar" de "substituir", e expliquem por que o valor do conjunto de candidatas é igual a diferenciação × interpretabilidade. Se o aluno apenas enfatizar a quantidade, perguntar: "Essas soluções podem ser interpretadas como diferentes padrões de trade-off na estrutura de trade-offs dos objetivos?" > **Dica de transição** > > Após confirmar que os alunos conseguem enunciar que a otimização de preferências serve para reter o poder de escolha dos especialistas, e que o conjunto de candidatas deve ser comparável e interpretável, avançar para a próxima página sobre casos de aplicação ou detalhes de métodos. ### Contexto Prático Multiobjetivo do Design de Perfil Aerodinâmico Supercrítico *Página 7* > **Objetivo da página:** Os aprendizes devem conhecer o cenário específico de aplicação e as múltiplas restrições do design de perfil aerodinâmico supercrítico na engenharia aeronáutica. > **Objetivo da página** > > Compreender o cenário real de engenharia do design de perfil aerodinâmico supercrítico, apreender os conflitos multiobjetivo e as restrições, e saber que a saída razoável é um conjunto de soluções de compromisso, e não uma única solução ótima. **Pontos-chave de ensino** - 1. Condições de operação e origem física. Em cruzeiro transônico, o fluxo acelera para supersônico na superfície superior do perfil, depois desacelera através de uma onda de choque - A posição e intensidade da onda de choque afetam simultaneamente o nível de arrasto e a fronteira de início de buffeting. Portanto, o design não é levar um indicador ao extremo, mas fazer com que múltiplos indicadores caiam simultaneamente em intervalos aceitáveis. 2. Tríplice restrição. O coeficiente de sustentação crítico de buffeting define a fronteira de segurança e sustentação utilizável; a ocorrência antecipada de buffeting comprime a margem de buffeting e o envelope de voo, sendo um limiar que não pode ser ultrapassado - A razão sustentação/arrasto de cruzeiro reflete a eficiência aerodinâmica e economicidade, determinando alcance, consumo de combustível e custo operacional, sendo o principal item de benefício - Simulações de alta precisão têm alto custo, e cada avaliação é cara, limitando o espaço de design explorável, constituindo uma restrição de recursos. 3. Fontes de conflito. Aumentar a razão sustentação/arrasto de cruzeiro geralmente requer uma plataforma de sucção na borda de ataque mais forte e uma onda de choque mais recuada, mas isso enfraquece a fronteira de buffeting - Suavizar o perfil para preservar a margem de buffeting pode sacrificar a eficiência de cruzeiro. A manifestação típica é "melhorar um item, deteriorar outro". 4. Abordagem de solução. O que a engenharia realmente precisa é de um conjunto de soluções de compromisso de Pareto que se sustentem sob diferentes preferências, permitindo que os decisores façam escolhas explicáveis entre segurança, eficiência e custo. Pode-se combinar perfis base e amostras de perturbação para geração e previsão contínuas, transformando a triagem serial em exploração multiobjetivo paralela, produzindo um conjunto diversificado de soluções candidatas. 5. Pontos de julgamento. Sempre que aparecer "melhorar um indicador deteriora outro" e os indicadores tiverem limites mínimos rígidos, deve-se tratar como um problema de restrições multiobjetivo, e não buscar uma solução ótima única que não existe. **Cobertura de palavras-chave** - Perfil aerodinâmico supercrítico - Coeficiente de sustentação crítico de buffeting - Razão sustentação/arrasto de cruzeiro - Custo de simulação de alta precisão - Conflitos e trade-offs multiobjetivo - Fronteira de Pareto - Região viável de compromisso. > **Pistas de material** > > - Pode-se usar um diagrama esquemático do perfil aerodinâmico para ilustrar a região de sucção na superfície superior, a onda de choque e a alta pressão na superfície inferior > - Usar um diagrama do espaço de trade-offs multiobjetivo para ilustrar a relação antagônica entre razão sustentação/arrasto de cruzeiro e margem de buffeting, a região viável de compromisso, a região dominada e a fronteira de Pareto. **Tratamento dos exercícios** As questões de múltipla escolha avaliam sequencialmente a essência do compromisso multiobjetivo, o papel do coeficiente de buffeting como fronteira de segurança, a relação entre razão sustentação/arrasto de cruzeiro e eficiência econômica, a limitação da tentativa e erro serial pelo orçamento de simulação, e a abordagem razoável de reter soluções de compromisso de Pareto. Após responder, pedir aos alunos que expliquem a base; em caso de erro, voltar ao parágrafo correspondente para verificar as três categorias de informação: "objetivos, restrições, recursos". Na questão de caso, primeiro determinar que o objetivo é maximizar a razão sustentação/arrasto de cruzeiro, e as restrições são o limiar de segurança do coeficiente de buffeting e o limite superior do orçamento de simulação; depois explicar o uso de perfil base mais amostras de perturbação para geração e previsão, explorando em paralelo sob número limitado de avaliações, produzindo um conjunto interpretável de soluções candidatas, com critério de avaliação sendo os valores específicos de cada solução na fronteira de buffeting e na razão sustentação/arrasto de cruzeiro. **Verificação de compreensão** Nesta página, qual item é o objetivo de benefício, qual é o limiar que não pode ser ultrapassado, e por que a tentativa e erro ponto a ponto tradicional dificilmente funciona. Se o aluno apenas repetir termos, perguntar "Como aumentar a razão sustentação/arrasto de cruzeiro afeta a margem de buffeting". > **Dica de transição** > > Após confirmar que os alunos conseguem distinguir objetivos de restrições, e explicar o conflito de "um sobe, outro desce", avançar para a próxima página com exemplos, aplicações ou resumo. ### Continuidade do Perfil Base e Amostras de Perturbação *Página 8* > **Objetivo da página:** Os aprendizes devem dominar como o sistema combina perfis base e amostras de perturbação para previsão contínua. > **Objetivo da página** > > Compreender o ciclo fechado de "perfil base—amostras de perturbação—previsão/avaliação—feedback evolutivo—geração contínua" na otimização de perfis aerodinâmicos, dominar como o perfil base fornece uma âncora estável, como as amostras de perturbação fornecem diversidade, e como o feedback evolutivo torna a exploração multiobjetivo contínua e escalável. > **Sequência de exposição** > > 1. Primeiro estabelecer a referência. O perfil base deve primeiro satisfazer as restrições da tarefa; ele define o espaço de parametrização, a faixa de perturbação e os critérios de avaliação. Sem uma referência, o espaço de busca tende a derivar desordenadamente, e a comparação justa entre perfis candidatos se torna difícil. > > 2. Depois gerar perturbações. Em torno do perfil base, aplicar perturbações controláveis na distribuição de espessura, curvatura ou parâmetros de pontos de controle, gerando continuamente famílias de amostras em lotes ou online. Perturbações pequenas para refinamento local, perturbações grandes para cobertura global; a intensidade, direção e distribuição de amostragem das perturbações devem ser controláveis. > > 3. Previsão/avaliação em lote. Enviar cada rodada de amostras para o elo de previsão/avaliação, produzindo o desempenho de múltiplas candidatas nos objetivos. Esses desempenhos não são o ponto final, mas a base direta para seleção, atualização e reamostragem evolutiva subsequente. > > 4. Fechar com feedback. Ajustar a intensidade, direção ou distribuição de amostragem das perturbações da próxima rodada com base no feedback evolutivo, fazendo com que o ciclo fechado seja realmente contínuo, em vez de repetir amostragem independente a cada rodada. **Pontos-chave de ensino** - Seleção do perfil base - Geração contínua de amostras de perturbação - Combinação de previsão multi-amostra e evolução - Ciclo fechado contínuo. O perfil base é uma referência estável, não a resposta final - Ele permite que diferentes amostras de perturbação sejam comparáveis sob o mesmo critério de avaliação. As amostras de perturbação são responsáveis pela diversidade; local e global devem ser equilibrados. Se a cada rodada apenas perturbações pequenas na mesma direção forem feitas, a população tende à maturidade precoce - Se perturbações grandes completamente aleatórias, pode-se desperdiçar o orçamento de avaliação. Mais robusto é misturar perturbações locais e globais, e usar o feedback para decidir o foco de amostragem da próxima rodada. O feedback evolutivo deve atuar sobre a estratégia de geração de perturbações da próxima rodada. Se apenas registrar resultados sem alterar a amostragem, o ciclo fechado degenera em um processo de ciclo aberto. **Tratamento dos exercícios** O papel principal do perfil base é ser uma âncora estável para parametrização, faixa de perturbação e critérios de avaliação. Ao acertar, enfatizar que ele ancora o espaço de busca, evita deriva desordenada das candidatas, e permite comparação justa das amostras; ao errar, voltar à evidência "quais seriam as consequências da falta de referência". Ao gerar continuamente amostras de perturbação, deve-se ajustar a intensidade, direção e distribuição de amostragem das perturbações em lotes ou online. Perturbações pequenas em uma única direção limitam a diversidade, perturbações grandes completamente aleatórias desperdiçam o orçamento, e nenhuma das duas é suficiente para equilibrar refinamento local e cobertura global. Após enviar amostras de perturbação em lote para previsão/avaliação, a saída principal é o desempenho de múltiplas candidatas nos objetivos, para uso na seleção, atualização e reamostragem evolutiva. Pode-se indicar: a previsão/avaliação é a entrada do fluxo evolutivo, e não rótulos codificados ou respostas finais. O feedback evolutivo apoia a geração "contínua" ajustando a intensidade, direção ou distribuição de amostragem das perturbações, e suplementando a próxima rodada de amostras. Se o feedback apenas registra sem alterar a amostragem, o ciclo fechado não pode melhorar continuamente. A prática que melhor reflete o ciclo fechado é gerar uma família de amostras de perfis a cada rodada, passar por avaliação/previsão e entrar na evolução, e então suplementar amostras de perturbação da próxima rodada com base nos resultados. Sem qualquer etapa de geração de amostras, avaliação/previsão, feedback evolutivo ou reamostragem, não se forma uma otimização contínua. Pistas do caso: Na otimização de perfil base supercrítico, o objetivo é maximizar a razão sustentação/arrasto, minimizar a divergência de arrasto, manter a restrição de espessura estrutural; a cada rodada podem ser geradas 256 amostras, e a avaliação leva muito tempo. Uma rodada do fluxo pode ser: com o perfil base como âncora, aplicar perturbações controláveis na distribuição de espessura, curvatura ou pontos de controle, gerando um lote de amostras de perfis; enviar em lote para previsão/avaliação, obtendo desempenhos como razão sustentação/arrasto, divergência de arrasto, restrição de espessura; depois entrar na seleção, atualização e reamostragem evolutiva; finalmente ajustar a intensidade, direção ou distribuição de amostragem das perturbações da próxima rodada com base no feedback. O perfil base não pode ser substituído arbitrariamente, porque define o espaço de parametrização, a faixa de perturbação e o critério de avaliação; a substituição faria o espaço de busca derivar, as candidatas se tornarem incomparáveis, e o ciclo fechado perder a referência estável. Se a evolução estagnar por várias rodadas consecutivas, pode-se usar o feedback para aumentar a intensidade das perturbações ou ampliar a distribuição de amostragem, introduzindo diversidade global; também pode-se ajustar a direção das perturbações, fazendo exploração direcionada em parâmetros sensíveis como espessura e curvatura; também pode-se misturar perturbações finas locais com perturbações globais, aumentar o lote de amostras ou suplementar online, e reter candidatas diversas na fronteira de Pareto, evitando a maturidade precoce da população. Peça aos alunos que reconte em uma frase os quatro elos do ciclo fechado, e expliquem por que o perfil base não pode ser substituído por amostras de perturbação. Após confirmar que os alunos conseguem enunciar a relação "primeiro definir a âncora, depois controlar perturbações, avaliação entra na evolução, feedback ajusta a próxima rodada", avançar para a próxima página com exemplos, aplicações ou resumo. ### Aplicação de Modelos Substitutos para Enfrentar o Alto Custo de Simulação *Página 9* > **Objetivo da página:** Os aprendizes devem compreender como modelos substitutos podem efetivamente superar o gargalo do alto custo de simulações de alta precisão. > **Objetivo da página** > > Compreender por que modelos substitutos podem efetivamente enfrentar o gargalo do alto custo de simulações de alta fidelidade, e dominar seu posicionamento, forma de intervenção e controle de risco na otimização evolutiva multiobjetivo. > **Sequência de exposição** > > Primeiro apontar que inserir simulações de alta fidelidade diretamente no ciclo evolutivo esgota rapidamente o orçamento; depois explicar como o modelo substituto como "avaliador aproximado barato" substitui a avaliação ponto a ponto; em seguida usar a comparação entre otimização direta de alta fidelidade e otimização assistida por substituto para desenvolver o mecanismo de aceleração; depois focar nos quatro elos: treinamento offline, previsão em lote online, seleção assistida por substituto, retroalimentação e correção; finalmente discutir o trade-off entre precisão e custo, risco fora da distribuição, equívocos comuns e lista de autoverificação. **Pontos-chave de ensino** - Em problemas como perfis supercríticos e resistência estrutural, uma única simulação CFD ou de elementos finitos leva de dezenas de minutos a horas. O algoritmo evolutivo precisa avaliar toda a população a cada geração, e o número de avaliações e o orçamento são consumidos de forma aproximadamente linear, com o orçamento sendo esgotado em poucas gerações. O tamanho da população e o número de gerações de iteração são forçados a se comprimir, a fronteira multiobjetivo é difícil de explorar suficientemente, e o espaço de design é bloqueado por "não se pode pagar pela avaliação". Aprender o mapeamento entrada—saída a partir de amostras de simulação existentes, prevendo rapidamente os valores dos objetivos e o desempenho das restrições das soluções candidatas - Não é uma simulação mais precisa, mas uma aproximação mais barata. Ele substitui a avaliação ponto a ponto, não a etapa de verificação. À esquerda, a otimização direta de alta fidelidade tem poucas candidatas, tempo longo por avaliação, poucas avaliações totais, cobertura de busca estreita - À direita, a otimização assistida por substituto tem muitas candidatas, previsão por avaliação extremamente baixa, muitas avaliações totais, cobertura mais ampla, com o orçamento de alta fidelidade concentrado em candidatas-chave, acompanhado de triagem por limiar de incerteza e um pequeno número de verificações de alta fidelidade. Treinamento offline estabelece o mapeamento inicial - Previsão em lote online de todas as candidatas de cada geração - Seleção assistida por substituto combina valores previstos e incerteza para escolher candidatas de alto potencial ou alto conteúdo informacional - Retroalimentação e correção gravam um pequeno número de resultados de alta fidelidade de volta na biblioteca de amostras e atualizam incrementalmente o substituto. Substitutos mais complexos geralmente são mais precisos, mas o custo de treinamento e inferência aumenta. A restrição chave é que o substituto deve ser significativamente mais rápido que a simulação de alta fidelidade, com precisão suficiente para sustentar a pressão de seleção, caso contrário se torna um novo gargalo ou desvia a evolução. O substituto só é confiável próximo da distribuição de treinamento. Previsões fora da distribuição podem parecer razoáveis mas se desviar gravemente do valor real, enganando a busca. Práticas viáveis incluem produzir estimativas de incerteza, definir limiares de confiança, forçar verificação de alta fidelidade para candidatas fora dos limites, e verificar periodicamente a qualidade do substituto com estatísticas de erro. O modelo substituto não cancela a verificação, nem resolve o problema comprimindo a população - Seu valor é concentrar o escasso orçamento de alta fidelidade nas candidatas mais críticas e incertas. **Cobertura de palavras-chave** - Modelo substituto, simulação de alta fidelidade, avaliador aproximado barato, treinamento offline, previsão em lote online, seleção assistida por substituto, retroalimentação e correção, limiar de incerteza, previsão fora da distribuição, trade-off entre precisão e custo. > **Pistas de exercícios** > > - Rodar simulação de alta fidelidade para cada candidata, substituir por triagem aproximada em lote com o substituto mais um pequeno número de verificações de alta fidelidade. Opções erradas frequentemente presumem cancelar a verificação ou comprimir a população. O custo de uma única simulação é alto, avaliar toda a população a cada geração esgota rapidamente o orçamento. A limitação vem do custo, não da diferenciabilidade ou capacidade multiobjetivo. Modelos mais complexos geralmente são mais precisos mas o treinamento e a inferência são mais lentos, precisando corresponder à velocidade da busca evolutiva. Não se pode considerar que a complexidade não tem custo ou que mais simples é mais preciso. As previsões podem se desviar gravemente do valor real e enganar a busca. O substituto não muda automaticamente para alta fidelidade, nem corrige automaticamente desvios; é preciso controlar por incerteza e verificação. Fazer o substituto se corrigir continuamente em direção à superfície de resposta real, reduzindo o viés de previsões subsequentes. Não é usado para reduzir o número de candidatas ou substituir a estimativa de incerteza. O fluxo pode ser escrito como amostragem inicial, treinamento offline, previsão em lote online, triagem, verificação de alta fidelidade, retroalimentação e atualização, iteração em ciclo > - O controle de risco enfatiza estimativa de incerteza, limiares de confiança, reserva de orçamento para amostragem suplementar, monitoramento por estatísticas de erro, e priorizar a alocação do orçamento de alta fidelidade para candidatas próximas da fronteira. **Verificação de compreensão** Peça aos alunos que expliquem com suas próprias palavras cinco coisas — quem substituiu quem, em qual etapa o substituto intervém, como filtrar previsões não confiáveis, em quais candidatas o orçamento de alta fidelidade é gasto, e como os resultados de verificação retroalimentam e corrigem o substituto. > **Dica de transição** > > Após confirmar que os alunos conseguem distinguir "triagem aproximada" de "verificação real", avançar para a próxima página de aplicação ou resumo. ### Produzindo um Conjunto Diversificado de Soluções Candidatas que Equilibra Todos os Indicadores *Página 10* > **Objetivo da página:** Os aprendizes devem dominar como o sistema finalmente produz um conjunto de soluções candidatas que equilibra múltiplos indicadores. > **Objetivo da página** > > Compreender que, na otimização multiobjetivo de engenharia, a saída do sistema não é uma única solução ótima, mas um conjunto diversificado de soluções candidatas que equilibra múltiplos indicadores; dominar o mecanismo de avaliação multi-indicador, o papel do modelo substituto, o método de comparação na fronteira de Pareto e os requisitos de reprodutibilidade. > **Sequência de exposição** > > 1. Primeiro confirmar a forma do produto. Em problemas multiobjetivo como design de perfis aerodinâmicos, a entrega final é um conjunto de soluções candidatas, não uma resposta de ponto único. É preciso observar a forma de trade-off de todo o conjunto de candidatas em indicadores como coeficiente de sustentação crítico de buffeting, razão sustentação/arrasto de cruzeiro, controle de peso estrutural, robustez a perturbações. > > 2. Explicar por que não é uma resposta de ponto único. Quando os objetivos conflitam entre si, por exemplo, aumentar o coeficiente de sustentação crítico de buffeting frequentemente vem acompanhado de redução da razão sustentação/arrasto de cruzeiro, não existe solução viável que seja simultaneamente superior em todos os indicadores. Se a avaliação for dominada por um único indicador, a busca convergirá para uma solução de compromisso mediana em média, mas sem destaque em indicadores-chave, ou até perderá direções de design com preferências claras. > > 3. Explicar claramente o mecanismo de geração e previsão. O mecanismo de avaliação que equilibra múltiplos indicadores incorpora múltiplas restrições e objetivos no mesmo espaço de avaliação; a geração e previsão contínuas produzem continuamente novas candidatas em torno do perfil base e amostras de perturbação, e usam o modelo substituto para estimar rapidamente os indicadores, aliviando assim o gargalo do alto custo de simulação de alta precisão. > > 4. Explicar a forma de saída e comparação. As soluções candidatas cobrem diferentes preferências de indicadores e posições de trade-off. Plotando dois indicadores-chave como dispersão, os pontos na borda externa que não são simultaneamente superados por outras candidatas em todos os indicadores constituem a fronteira de Pareto, e os pontos no interior são dominados. A revisão de engenharia geralmente seleciona primeiro da fronteira, depois retorna à simulação de alta precisão para confirmação; diferentes posições na fronteira correspondem a orientações como prioridade em supressão de buffeting ou prioridade em eficiência de cruzeiro. > > 5. Enfatizar a reprodutibilidade. Cada candidata deve ser rastreável até o perfil base e a origem da perturbação, os resultados de avaliação nesses indicadores, e sua posição na fronteira de Pareto. Sem qualquer um desses itens, a comparação de soluções se torna difícil de verificar. **Pontos-chave de ensino** - Mecanismo de avaliação que equilibra múltiplos indicadores, geração e previsão contínuas, forma de saída diversificada, comparabilidade. O modelo substituto é uma peneira e não a instância final; ele é responsável pela estimativa rápida e triagem orientada, não podendo substituir a verificação por simulação de alta precisão nas candidatas-chave. > **Pistas de material** > > - Gráfico radar usa curvas fechadas para representar as preferências de indicadores de diferentes perfis candidatos > - No gráfico de dispersão, mais para o canto superior direito significa que dois indicadores são simultaneamente melhores > - Linha tracejada marca candidatas não dominadas, pontos cinzas representam candidatas dominadas. **Tratamento dos exercícios** Os exercícios desta página giram em torno da forma de saída, responsabilidade do modelo substituto, valor da diversificação, registros de reprodutibilidade e relação entre dois indicadores. Direções de referência: o sistema entrega um conjunto de soluções candidatas que equilibram diferentes trade-offs; o modelo substituto faz estimativa rápida e orienta a triagem, e no final ainda é necessária a verificação de alta precisão das candidatas-chave; o valor da diversificação está em reter explicitamente as posições de trade-off entre indicadores conflitantes, apoiando comparação e decisão; deve-se reter os resultados multidimensionais de cada candidata e a origem das perturbações de geração; o coeficiente de sustentação crítico de buffeting e a razão sustentação/arrasto de cruzeiro geralmente são antagônicos na fronteira. Na questão de caso, não executar simulação de alta precisão para cada uma é porque o número de candidatas é grande e continua crescendo, e cada simulação tem custo elevado; o modelo substituto primeiro reduz o escopo, e um pequeno número de soluções-chave é então verificado. Se a revisão precisa escolher entre prioridade em supressão de buffeting e prioridade em eficiência de cruzeiro, o conjunto de candidatas fornece opções, a fronteira de Pareto marca as posições de trade-off ótimas, e os registros comparáveis garantem reprodutibilidade e verificabilidade. **Verificação de compreensão** Peça aos alunos que expliquem com suas próprias palavras por que o sistema produz um conjunto de soluções candidatas em vez de uma resposta de ponto único, e mencionem pelo menos três registros que sustentam a reprodutibilidade. > **Dica de transição** > > Após confirmar que os alunos conseguem distinguir os papéis de triagem do modelo substituto e confirmação por simulação de alta precisão, avançar para a próxima página. ### Enfrentando Conflitos de Objetivos e Feedback Esparso em Engenharia Complexa *Página 11* > **Objetivo da página:** Os aprendizes devem compreender métodos para lidar com feedback esparso e conflitos de objetivos na prática da engenharia. > **Objetivo da página** > > Compreender a normalidade de conflitos de objetivos e feedback esparso na otimização de engenharia complexa, e dominar a abordagem de substituir o ótimo de objetivo único por compromissos multiobjetivo dinâmicos. **Pontos-chave de ensino** - A engenharia real frequentemente busca simultaneamente desempenho, custo, confiabilidade, consumo de energia e restrições de fabricação, e esses indicadores se restringem mutuamente. Por exemplo, no design de perfis supercríticos, aumentar a razão sustentação/arrasto pode agravar a divergência de arrasto, e reforçar a estrutura aumenta o peso e a dificuldade de fabricação. O ponto-chave não é ordenar os indicadores, mas identificar em qual segmento da fronteira de Pareto se está atualmente, e esclarecer o que pode ser trocado. Simulações de alta fidelidade, experimentos físicos e outros meios de avaliação têm alto custo, ciclo longo, muito ruído, e frequentemente retornam amostras de falha. Os sinais de avaliação efetivos são poucos, com atraso e descontínuos, e o orçamento de avaliação se torna uma restrição rígida. O viés do modelo substituto é amplificado, o risco de sobreajuste e convergência prematura aumenta, o equilíbrio entre exploração e aproveitamento fica instável, e preferências fixas dificilmente se adaptam a descobertas faseadas. Usar modelos substitutos e avaliação multi-fidelidade para reduzir o custo de cada feedback - Usar amostragem ativa e experimentos em lote para melhorar a eficiência amostral - Usar evolução multiobjetivo para manter múltiplas candidatas não dominadas, preservando a diversidade da fronteira de Pareto - Atualizar dinamicamente preferências e restrições conforme os resultados de avaliação, produzindo um conjunto diversificado de candidatas para avaliação por especialistas. O objetivo não é eliminar conflitos, mas tornar conflitos, riscos e relações de trade-off explicáveis, sem depender de conhecer antecipadamente a resposta única. > **Pistas de exercícios** > > - As 5 questões de múltipla escolha desta página avaliam respectivamente (1) a identificação de conflitos de objetivos > - (2) as características do feedback esparso > - (3) o impacto do viés do modelo substituto sob feedback esparso > - (4) práticas para melhorar a eficiência amostral > - (5) compreensão razoável sobre atualização de preferências e restrições. Ao responder, é preciso captar palavras-chave como "poucos, caros, lentos, com ruído, amostras de falha", e distinguir conflitos de objetivos de feedback esparso. Design multiobjetivo de placas de resfriamento líquido. Conflitos de objetivos se manifestam como desempenho de dissipação térmica, queda de pressão, peso, custo e manufaturabilidade se restringindo mutuamente > - Feedback esparso se manifesta como CFD de alta fidelidade levando dezenas de horas, experimentos em bancada levando semanas com flutuações, e amostras de processo inviável falhando diretamente. Resposta: no lado da avaliação, adotar modelos substitutos e avaliação multi-fidelidade, amostragem ativa > - No lado da busca, adotar evolução multiobjetivo mantendo diversidade > - No lado das preferências, atualizar faseadamente pesos, restrições e pontos de referência, evitando ficar preso a pesos fixos iniciais. **Verificação de compreensão** Peça aos alunos que resumam com suas próprias palavras a diferença entre conflitos de objetivos e feedback esparso, e deem exemplos do papel de qualquer elo no ciclo fechado de ajuste dinâmico. > **Dica de transição** > > Após confirmar que os alunos conseguem enunciar a relação central "conflito de objetivos + feedback esparso → compromisso multiobjetivo dinâmico", avançar para a próxima página. ### O Papel Decisório do Especialista de Domínio e a Avaliação de Soluções *Página 12* > **Objetivo da página:** Os aprendizes devem compreender a divisão de responsabilidades entre especialistas humanos e sistemas automatizados na exploração multiobjetivo. > **Objetivo da página** > > Compreender como sistemas automatizados e especialistas de domínio colaboram e dividem tarefas no fluxo de exploração multiobjetivo, e como os especialistas transformam experiência de domínio em lógica de avaliação e decisão verificável e rastreável. > **Sequência de exposição** > > Primeiro destacar que "o sistema expande as possibilidades, o especialista converge as possibilidades", depois explicar as fronteiras de responsabilidade do lado do sistema e do lado do especialista; em seguida explicar por que o ótimo de objetivo único não equivale a uma solução entregável, introduzindo a matriz de avaliação benefício–custo; depois apresentar a ordem de decisão de veto por limiar, trade-off benefício–custo e análise de sensibilidade; finalmente falar sobre verificação, reamostragem ou decisão de término sob feedback esparso, e como as razões de escolha retroalimentam formando um ciclo fechado de responsabilidade. **Pontos-chave de ensino** - O lado do sistema completa a geração de candidatas em larga escala, previsão por modelo substituto, caracterização da fronteira de Pareto e manutenção de diversidade, respondendo "quais são as possibilidades" - O lado do especialista injeta prioridades de objetivos, restrições rígidas e tolerância a riscos, julga a adequação ao cenário real, faz a escolha final e assume responsabilidade, respondendo "qual escolher e por quê". A fronteira é: o sistema fornece um conjunto comparável de candidatas e previsões quantificadas, mas não decide os limites e preferências pelo especialista - O especialista fornece preferências, restrições e critérios de decisão, mas não completa pessoalmente a geração e triagem de um grande volume de candidatas. A avaliação de soluções deve transformar benefícios de desempenho e custos de engenharia em bases explicáveis e auditáveis. Além dos benefícios de desempenho, também é preciso examinar simultaneamente custos computacionais e de fabricação, robustez, manutenibilidade, incerteza, e a credibilidade das conclusões sob feedback esparso. O ótimo de objetivo único frequentemente não é entregável; a avaliação multidimensional é que permite que diferentes candidatas revelem seus cenários de aplicabilidade. Expressar experiência de domínio como preferências explícitas, avaliação hierárquica, matriz de decisão, itens de veto por limiar e análise de sensibilidade. A ordem comum é primeiro usar restrições rígidas para "veto único" em candidatas que violam requisitos mínimos, depois fazer trade-off benefício–custo nas candidatas restantes, e finalmente usar análise de sensibilidade para confirmar se a conclusão é robusta a perturbações de pesos. Compensar falhas críticas com pontuação ponderada total é o equívoco mais comum. Quando a avaliação de alta fidelidade é cara e o feedback é esparso, o especialista deve decidir entre verificar, reamostrar ou encerrar a busca com base na confiança do modelo substituto, diversidade das candidatas e padrões de falha já observados, em vez de confiar cegamente na "solução ótima" dada pelo modelo substituto. A escolha final e a assunção de riscos pertencem ao especialista de domínio - As razões de escolha devem retroalimentar como preferências, restrições ou sinais de avaliação, orientando a próxima busca evolutiva, formando um ciclo fechado de responsabilidade. No design multiobjetivo de perfis supercríticos, o sistema produz candidatas que equilibram arrasto, sustentação e estabilidade - O especialista combina custos de túnel de vento e simulação, tolerâncias de fabricação e perfil de missão, primeiro elimina as que violam restrições rígidas, depois faz trade-off benefício–custo nas restantes, seleciona algumas para verificação de alta fidelidade, e retroalimenta as razões desta rodada como preferências e restrições da próxima rodada. **Cobertura de palavras-chave** - Exploração multiobjetivo, geração e triagem, julgamento e decisão, fronteira de Pareto, matriz de avaliação benefício–custo, veto por limiar, análise de sensibilidade, feedback esparso, ciclo fechado de responsabilidade. > **Pistas de exercícios** > > - 1. O lado do sistema é responsável pela geração de candidatas em larga escala, previsão por modelo substituto e caracterização da fronteira de Pareto > - Se escolher determinação de restrições rígidas, prioridades de objetivos ou assunção de riscos, lembrar que esses pertencem ao lado do especialista. 2. Deve-se integrar benefícios de desempenho, custos computacionais e de fabricação, robustez, manutenibilidade e incerteza > - O ótimo de objetivo único não equivale a entregável. 3. Quando o feedback é esparso, deve-se decidir entre verificar, reamostrar ou encerrar com base na confiança do modelo substituto, diversidade das candidatas e padrões de falha. 4. Itens de veto por limiar são usados para primeiro dar veto único a candidatas que violam restrições rígidas, depois ponderar as restantes, e não para pontuação ponderada uniforme. 5. O propósito da retroalimentação das razões de escolha é transformar as razões de escolha em preferências, restrições ou sinais de avaliação, orientando a próxima busca evolutiva. Primeiro explicar as fronteiras entre "geração e triagem" do lado do sistema e "julgamento e decisão" do lado do especialista > - Depois decidir quais candidatas entram na verificação de alta fidelidade seguindo "veto por limiar→matriz benefício–custo→análise de sensibilidade" > - Se a confiança for insuficiente ou a diversidade baixa, escolher reamostragem ou verificação > - Finalmente registrar explicitamente as razões desta rodada como preferências, restrições ou sinais de avaliação, inserindo na próxima rodada de busca. **Verificação de compreensão** Peça aos alunos que distingam com suas próprias palavras "expandir opções" de "convergir opções", e deem um exemplo das ações do lado do sistema e do lado do especialista em uma decisão de engenharia. Se o aluno atribuir a decisão final, a assunção de riscos ou a determinação de restrições rígidas ao lado do sistema, voltar à divisão de responsabilidades para reexaminar. > **Dica de transição** > > Após confirmar que os alunos conseguem explicar claramente a relação de ciclo fechado "geração—avaliação—seleção—retroalimentação", avançar para a próxima página com exemplos, aplicações ou resumo. ### Atividade em Sala: Design de um Plano de Avaliação para Otimização Multiobjetivo de Parâmetros *Página 13* > **Objetivo da página:** Os aprendizes devem, através da prática, projetar um plano de avaliação de otimização de parâmetros que inclua o trade-off entre sustentação e arrasto. **Pontos-chave de ensino** - Sustentação e arrasto são os objetivos conflitantes originais; indicadores compostos como a razão sustentação/arrasto só podem ser usados para explicação e apresentação. Método de autoverificação: removendo o indicador composto, o plano ainda consegue comparar os ganhos e perdas de trade-off entre duas candidatas? Se não, os objetivos originais estão sendo mascarados. - Restrições de engenharia como espessura e momento de arfagem, uma vez violadas, tornam a solução inutilizável; não usar ponderação para suavizá-las em pontuações que podem se cancelar mutuamente. Ao escrever o plano, anotar item por item: este é uma restrição rígida ou uma preferência flexível, e reportar a situação de satisfação das restrições nos resultados. - A linha de aprovação dos resultados de avaliação é: um conjunto de candidatas cobrindo diferentes trade-offs de sustentação/arrasto + evidências de indicadores + situação de satisfação das restrições + descrição de incerteza + registros (semente, orçamento, razões de eliminação). Entregar apenas uma "solução ótima" geralmente significa que você já fez os trade-offs pelo especialista. Objetivo da página Esta página é um design de atividade em sala, cuja tarefa é transformar o par de objetivos em tensão "sustentação—arrasto" em um plano de avaliação de otimização multiobjetivo de parâmetros reprodutível, comparável e entregável para decisão de especialistas. O foco da atividade não é fazer o modelo dar diretamente uma resposta ótima, mas projetar um mecanismo de avaliação que possa ser verificado repetidamente: quem participa da avaliação, com quais indicadores, sob quais restrições e orçamento, e por quais regras as candidatas são retidas. No final, é preciso escrever o "conflito" como "regras de revisão executáveis". Sequência de exposição Gerar candidatas → Entrar na avaliação → Comparar benefícios, custos e restrições conforme o feedback → Reter soluções efetivas → Registrar e entrar na próxima rodada. Objetivos e restrições, ciclo fechado de avaliação em seis passos, conjunto de candidatas de saída e interface de decisão, registros reprodutíveis. Sustentação e arrasto são os objetivos conflitantes originais; indicadores compostos como a razão sustentação/arrasto são usados apenas para explicação e apresentação. As candidatas devem cobrir diferentes regiões de trade-off sustentação/arrasto; o resultado da triagem não pode reter apenas uma pontuação mais alta. 5. Fornecer o modelo de entregável, e encerrar com equívocos comuns. Pontos-chave de ensino O objetivo A é maximizar o coeficiente de sustentação, o objetivo B é minimizar o coeficiente de arrasto, e os dois devem ser colunas independentes. Não substituí-los pela razão sustentação/arrasto, caso contrário o trade-off será "achatado" antecipadamente por uma razão. Limites de parâmetros, espessura relativa, faixa de momento de arfagem, etc. geralmente são definidos como restrições rígidas, e violações são eliminadas; custo, manufaturabilidade de engenharia, etc. são definidos como preferências flexíveis, usadas para ordenação. Ao escrever o plano, anotar item por item "restrição rígida" ou "preferência flexível", e reportar a situação de satisfação das restrições nos resultados. Escrever claramente o número de chamadas de simulação ou modelo substituto, tempo, limite de poder computacional, e distinguir as cotas de "avaliação por substituto" e "verificação de alta fidelidade", caso contrário diferentes planos não podem ser comparados de forma justa. Representação de parâmetros → Geração de candidatas → Cálculo de avaliação → Sumarização de indicadores → Comparação de soluções → Registro e arquivamento. A amostragem inicial expande o global, perturbação, cruzamento e mutação fazem o refinamento local, a orientação por preferências adensa nas regiões de interesse dos especialistas; exigir que as candidatas se distribuam em diferentes regiões de trade-off sustentação/arrasto, evitando que toda a geração colapse para uma única direção de "alta sustentação" ou "baixo arrasto". Pode-se adotar não dominância de Pareto, soma ponderada, filtragem por limiar, pontos de referência ou ordenação por preferência; mas a saída deve ser um conjunto de candidatas cobrindo diferentes trade-offs, acompanhado de evidências de indicadores, situação de satisfação das restrições, diferenças entre candidatas e faixas de incerteza, facilitando o julgamento dos especialistas. Combinar sustentação e arrasto em uma pontuação total e tomar o máximo parece simplificar, mas na prática usa a escolha de pesos para fazer os trade-offs antecipadamente pelo especialista, e também perde a diversidade das candidatas. A abordagem correta é reter múltiplos grupos de candidatas, deixando o poder de julgar "qual escolher" após a interface de avaliação. Modelo de plano de avaliação de uma página, incluindo tabela de indicadores (objetivos originais e indicadores auxiliares), fluxograma de seis passos, regras de geração de candidatas, regras de triagem, conjunto de candidatas de saída, descrição de riscos e incertezas; registrar simultaneamente parâmetros, definição de indicadores, orçamento de avaliação, sementes aleatórias, bases de triagem e razões de eliminação. Atividade em sala Peça aos aprendizes que projetem um plano de avaliação multiobjetivo simplificado para um objeto parametrizado (como parâmetros de perfil aerodinâmico), devendo tornar o trade-off entre sustentação e arrasto explicitamente visível. Pode ser preenchido em quatro blocos: ①Objetivos e restrições; ②Ciclo fechado de avaliação em seis passos; ③Conjunto de candidatas de saída e interface de decisão; ④Registros reprodutíveis. Após concluir, fazer avaliação cruzada em grupos: removendo o indicador composto, o plano ainda consegue comparar os ganhos e perdas de trade-off entre duas candidatas? As restrições rígidas foram erroneamente tratadas como pontuações que podem se cancelar por ponderação? A saída tem apenas uma "solução ótima"? Tratamento dos exercícios O julgamento básico pode ser comentado em torno dos seguintes pontos: Maximizar o coeficiente de sustentação, minimizar o coeficiente de arrasto; a opção correta enfatiza que ambos são independentes, e a razão sustentação/arrasto só pode auxiliar na explicação. 2. Espessura e faixa de momento de arfagem devem ser definidas como restrições rígidas, violações são eliminadas; o orçamento deve especificar previamente número de chamadas, tempo, limite de poder computacional, e não se pode relaxar restrições rígidas por aperto orçamentário. 3. A geração de candidatas deve incluir amostragem global inicial, combinada com perturbação, cruzamento e mutação e orientação por preferências, fazendo com que as candidatas se distribuam em múltiplas regiões de trade-off. 4. A comparação de soluções deve produzir um conjunto de candidatas não dominadas cobrindo diferentes trade-offs de sustentação/arrasto, acompanhado de divergências e bases; reter apenas a maior pontuação ponderada ou listar apenas um ranking longo não atende aos requisitos da atividade. 5. O registro e arquivamento deve conter pelo menos representação e limites de parâmetros, definição de indicadores, orçamento de avaliação, sementes aleatórias, bases de triagem e razões de eliminação, para que na próxima rodada se possa julgar se as mudanças nos resultados vêm de mudanças no plano ou de mudanças nas condições de avaliação. Comentário do caso No caso do perfil supercrítico, a equipe ordenou por soma ponderada e reteve apenas o primeiro colocado; o problema é que dissolveu antecipadamente o conflito entre sustentação e arrasto, perdeu a diversidade de Pareto, e os especialistas não conseguem ver a faixa de trade-off. Direção de modificação: mudar para triagem por não dominância de Pareto, retendo várias candidatas cobrindo diferentes regiões de trade-off na fronteira; se mantiver a soma ponderada, fornecer múltiplos grupos de pesos ou pontos de referência e registrar as bases. Se quiser que a segunda rodada herde os resultados desta rodada, também é preciso complementar parâmetros e limites, unidades dos indicadores, divisão de restrições rígidas/preferências flexíveis, orçamento e número real de chamadas, versão do modelo substituto, sementes aleatórias, bases de triagem e razões de eliminação; cada candidata deve ser acompanhada de evidências de indicadores, situação de satisfação das restrições, faixa de incerteza e descrição das diferenças entre candidatas, e fornecer uma interface para trade-offs dos especialistas. Verificação de compreensão Por que a razão sustentação/arrasto não pode substituir os objetivos independentes de sustentação e arrasto? Por que restrições rígidas não podem participar de cancelamento por ponderação? Por que o conjunto de candidatas é mais adequado para entregar aos especialistas do que uma única solução ótima? A resposta é suficiente se conseguir relacionar indicadores, restrições, orçamento, diversidade de candidatas e requisitos de registro. Dica de transição Após confirmar que os aprendizes conseguem explicar claramente a linha principal "objetivos conflitantes originais—restrições rígidas/preferências flexíveis—geração de candidatas—saída diversificada—registros reprodutíveis", avançar para a próxima página com exemplos, aplicações ou resumo. ### Revisão da Atividade em Sala: Verificação da Razoabilidade do Plano de Trade-offs *Página 14* > **Objetivo da página:** Os aprendizes devem compreender como verificar e refletir se o plano de avaliação de trade-offs projetado é científico e eficaz. > **Objetivo da página** > > Esta página é uma revisão da atividade em sala "Design de um Plano de Avaliação para Otimização Multiobjetivo de Parâmetros", cujo núcleo é verificar se o plano de avaliação de trade-offs projetado é razoável. Os aprendizes devem ser capazes de identificar indicadores-chave e conflitos de objetivos omitidos, e esclarecer a direção de ajuste da configuração de parâmetros, fazendo com que o plano se aproxime das necessidades reais de decisão de engenharia. > **Sequência de exposição** > > Recomenda-se primeiro esclarecer que a primeira pergunta da revisão é "o plano descreve a decisão real?", depois desenvolver em sete dimensões: ①Cobertura de objetivos ②Conflitos e redundâncias ③Restrições e preferências ④Configuração de parâmetros ⑤Modelo substituto ⑥Diversidade de candidatas ⑦Suporte ao especialista; em seguida, derivar direções de ajuste a partir do diagnóstico da revisão; finalmente usar os três critérios de comparabilidade, negociabilidade e reprodutibilidade para julgar se o plano é qualificado. **Pontos-chave de ensino** - Quando objetivos, restrições e preferências estão incompletos, qualquer ajuste de parâmetros é apenas refinamento em um modelo errado. As quantidades que realmente importam para o decisor (desempenho, custo, confiabilidade, manufaturabilidade) já estão todas no plano? Limites rígidos estão escritos como restrições? Preferências estão explicitamente expressas como pesos ou pontos de referência? Relação antagônica é conflito, deve ser retida como multiobjetivo, e as preferências expressas com pesos ou pontos de referência - Mudança na mesma direção com informação sobreposta é redundância, deve-se fundir ou excluir uma delas, evitando que a mesma demanda seja duplamente ponderada. Ditado de julgamento: observar a direção, e também se há dupla ponderação. Verificar simultaneamente se alguma restrição foi erroneamente tratada como objetivo. O tamanho da população e o número de candidatas cobrem a faixa de trade-off - O orçamento de iteração corresponde à precisão do modelo substituto - Mutação, cruzamento e pressão de seleção fazem o equilíbrio entre exploração e aproveitamento - A estratégia de amostragem direciona o orçamento de simulação para regiões de alto conteúdo informacional. Qualquer desalinhamento se manifesta como "há resultados, mas não são utilizáveis". Diversidade insuficiente→ampliar o tamanho da população e o grupo de saída de candidatas - Convergência muito rápida→reduzir a pressão de seleção, aumentar a intensidade de mutação, relaxar a retenção de elite - Custo de avaliação muito alto→melhorar a precisão do modelo substituto, otimizar pontos adicionais e estratégia de amostragem - Desvio de preferência→corrigir pesos ou mover pontos de referência - Indicadores omitidos ou conflitantes→complementar indicadores, reter relações antagônicas como estrutura multiobjetivo. Comparável — o especialista de domínio consegue ver claramente os trade-offs entre candidatas - Negociável — capaz de selecionar soluções da fronteira conforme preferências - Reprodutível — parâmetros, sementes aleatórias e fluxo registrados completamente. O produto final deve ser candidatas diversificadas que equilibram todos os indicadores, e não uma única "solução ótima". Revisão do design de perfil supercrítico. Se apenas se foca na razão sustentação/arrasto e omite resistência estrutural ou custo de fabricação, deve-se primeiro complementar os indicadores, retendo explicitamente os conflitos como multiobjetivo - Depois incluir orçamento de avaliação, tamanho da população e número de candidatas de saída na lista de ajustes de parâmetros - Finalmente usar "a fronteira ficou mais ampla, os especialistas conseguem comparar trade-offs, os resultados são reprodutíveis" para verificar se os ajustes funcionaram. **Cobertura de palavras-chave** - Verificação de cobertura, cobertura de objetivos, conflitos e redundâncias, retenção multiobjetivo, pesos/pontos de referência, tamanho da população, pressão de seleção, intensidade de mutação, modelo substituto, estratégia de amostragem, fronteira de trade-offs, comparável, negociável, reprodutível. > **Pistas de exercícios** > > - Verificar se objetivos, restrições e preferências estão completos, priorizando descobrir indicadores-chave omitidos. Análise: a omissão de indicadores distorce sistematicamente todos os trade-offs subsequentes; é preciso primeiro fazer a verificação de cobertura, depois discutir ajustes de parâmetros. Dois indicadores mudam na mesma direção com informação altamente sobreposta, como tratar? Resposta: é uma medida redundante, deve-se fundir ou excluir uma delas, evitando que o peso seja duplamente amplificado. Análise: conflito é relação antagônica, redundância é mesma direção com informação sobreposta > - Redundância faz com que a mesma demanda seja duplamente ponderada. A otimização converge em poucas iterações, com candidatas altamente similares; qual ajuste de parâmetros é mais adequado? Resposta: ampliar o tamanho da população e o grupo de saída de candidatas, e aumentar a intensidade de mutação, reduzir a pressão de seleção. Análise: convergência muito rápida geralmente é causada por pressão de seleção excessiva e mutação insuficiente, levando ao colapso da diversidade. Diante de conflitos reais como razão sustentação/arrasto e resistência estrutural, como tratar? Resposta: reter como multiobjetivo, expressar preferências com pesos ou pontos de referência, e produzir uma fronteira de trade-offs para os especialistas negociarem. Análise: conflitos reais não devem ser mascarados por unificação em objetivo único; reter multiobjetivo e expressar preferências explicitamente é o que apoia a decisão. O custo de avaliação por simulação de alta fidelidade é muito alto, e o orçamento de iteração é insuficiente; qual ajuste é mais razoável? Resposta: melhorar a precisão do modelo substituto e otimizar a estratégia de amostragem, concentrando o orçamento em regiões de alto conteúdo informacional. Análise: deve-se fazer o modelo substituto e a estratégia de amostragem assumirem o custo de avaliação, em vez de sacrificar a escala de exploração ou reescrever a definição do problema. Revisão do design de perfil supercrítico. Questão 1: Apontar problemas de cobertura de objetivos—conflitos/redundâncias—restrições e preferências. Pontos de referência: omissão de indicadores (resistência estrutural, custo de fabricação) > - Conflitos não tratados explicitamente (razão sustentação/arrasto e resistência estrutural) > - Restrições e preferências não explicitadas (geometria, processo, margem de segurança) > - Ampliar o tamanho da população para mais de 100, com 20~50 candidatas de saída > - Reduzir a pressão de seleção, aumentar a intensidade de mutação > - Melhorar a precisão do substituto, melhorar a amostragem (como adição de pontos por incerteza) > - Corrigir pesos ou mover pontos de referência > - Candidatas cobrem faixa mais ampla, aglomeração diminui, cobertura e qualidade de distribuição da fronteira melhoram, erro do substituto diminui, especialistas conseguem comparar trade-offs claramente, resultados reprodutíveis. **Verificação de compreensão** Escolha aleatoriamente um aluno para resumir os pontos principais desta página com suas próprias palavras; o instrutor complementa palavras-chave esquecidas com base na resposta. Pode-se perguntar: "Se o conjunto de objetivos em si está incompleto, como será o ajuste de parâmetros subsequente?" Orientar o aluno a dizer "apenas otimização em um modelo errado". > **Dica de transição** > > Após confirmar que os alunos conseguem enunciar "primeiro verificação de cobertura, depois ajuste de parâmetros" e "conflitos retidos como multiobjetivo, redundâncias fundidas ou excluídas", avançar para a próxima página com exemplos, aplicações ou resumo. > **Pistas de material** > > - Esta página inclui um diagrama esquemático "Lista de Verificação da Razoabilidade do Plano", com sete dimensões de verificação listadas à esquerda, direções de ajuste correspondentes à direita, e evidências de verificação esperadas na parte inferior. Durante a exposição, pode-se desenvolver passo a passo acompanhando o diagrama. ### Revisão dos Conceitos Centrais desta Aula *Página 15* > **Objetivo da página:** Os aprendizes devem revisar sistematicamente os trade-offs multiobjetivo, modelos substitutos e o caso do perfil supercrítico abordados nesta aula. > **Objetivo da página** > > Ajudar os aprendizes a revisar sistematicamente os três conceitos centrais desta aula — trade-offs multiobjetivo, redução de custo por modelos substitutos e prática multiobjetivo do perfil supercrítico — e conseguir conectar a linha principal "conflito—candidatas não dominadas—decisão por preferências". > **Sequência de exposição** > > Primeiro destacar que esta página é de encerramento; a linha principal desta aula é que a computação evolutiva fornece um caminho de solução que não especifica antecipadamente uma resposta única, apoiando-se na geração paralela de candidatas populacionais e na diversidade para enfrentar conflitos de objetivos e restrições complexas. Em seguida, revisar com três linhas principais: primeiro, conflitos de objetivos e trade-offs de Pareto; segundo, redução de custo por modelos substitutos e verificação; terceiro, conjunto de soluções candidatas e decisão de especialistas. Finalmente, usar o caso e a cadeia de memorização para ancorar o conhecimento no ciclo fechado de engenharia. **Pontos-chave de ensino** - Na engenharia real, eficiência de cruzeiro, espessura estrutural e restrições de estabilidade de controle frequentemente se contrapõem. Não comprimir prematuramente por ponderação em um objetivo único, caso contrário esconderá conflitos, solidificará preferências e perderá informações de trade-off. Reter candidatas de Pareto é o que permite que decisões subsequentes tenham margem de manobra. Quando simulações CFD de alta fidelidade, túnel de vento ou experimentos têm custo elevado por avaliação, e a busca precisa de muitas avaliações, o modelo substituto troca precisão por velocidade, acelerando busca, triagem e análise de sensibilidade. Mas sua credibilidade vem de amostras de verificação independentes, avaliação de erro e quantificação de incerteza - A precisão de ajuste ao conjunto de treinamento não prova diretamente que a generalização é confiável. Perturbação de perfil base→busca assistida por substituto→saída de candidatas diversificadas→avaliação e decisão por especialistas constitui o ciclo fechado. O ponto principal não é a resposta única, mas produzir um conjunto de soluções comparável, interpretável e decidível. Especialistas fazem trade-offs conforme preferências e restrições da tarefa, e novas amostras retroalimentam e atualizam o modelo substituto. Se apenas otimizar a razão sustentação/arrasto, pode-se obter soluções com características de divergência de arrasto ou momento de arfagem inaceitáveis - Após reter o conjunto de candidatas, pode-se fazer trade-offs entre eficiência de cruzeiro, espessura estrutural e restrições de estabilidade de controle conforme as preferências da tarefa, e também é mais fácil lidar com mudanças de preferência, comparação de robustez e rastreabilidade de decisão. Amostras/simulação → modelo substituto → busca multiobjetivo → avaliação de candidatas → decisão por preferências → retroalimentação de novas amostras. Pode-se pedir aos alunos que reconte cada passo e adicionem uma frase "por que é necessário". **Tratamento dos exercícios** As questões de múltipla escolha desta página podem ser usadas para verificação rápida. A questão 1 deve escolher "A compressão prematura esconde conflitos entre objetivos, reduzindo o espaço de design negociável", enfatizando que o método multiobjetivo retém explicitamente relações de não dominância; a questão 2 deve escolher "Quando simulações de alta fidelidade ou túnel de vento têm custo elevado por avaliação, e a busca precisa de muitas avaliações", enfatizando que o valor do modelo substituto depende do custo e número de avaliações; a questão 3 deve escolher "Avaliar o erro de previsão com amostras de verificação independentes, e quantificar e monitorar a incerteza da previsão", enfatizando generalização e credibilidade; a questão 4 deve escolher "Perturbação de perfil base→busca assistida por substituto→saída de candidatas diversificadas→avaliação e decisão por especialistas", enfatizando que o ciclo fechado produz um conjunto de soluções; A questão 5 deve escolher "Apoiar mudanças de preferência, comparação de robustez e rastreabilidade de decisão, reduzindo o risco de travamento em um único caminho", enfatizando que o conjunto de candidatas retém espaço de trade-off. Primeiro, não fazer diretamente otimização de alta fidelidade com ponderação única, mas primeiro construir um modelo substituto e reter o conjunto de candidatas de Pareto, pelas razões "redução de custo" e "retenção de espaço de trade-off"; segundo, se o modelo substituto tiver grande viés local, primeiro usar amostras de verificação independentes para localizar regiões de alto erro ou alta incerteza, depois complementar verificação de alta fidelidade nas candidatas selecionadas, e se necessário amostragem adaptativa, finalmente verificar se a fronteira de Pareto ainda mantém relações de não dominância sob os dados de verificação. **Verificação de compreensão** Peça aos alunos que expliquem com suas próprias palavras "por que reter o conjunto de candidatas em vez de apenas uma solução ótima", e expliquem por que o modelo substituto deve ser verificado. Se o aluno apenas recitar termos, pode-se perguntar o papel de cada passo em "conflito → candidatas não dominadas → decisão por preferências". > **Dica de transição** > > Após confirmar que os alunos conseguem enunciar as três linhas principais desta página e suas relações de ciclo fechado, avançar para a próxima página de resumo, aplicação ou novo tema. ### Resumo e Perspectivas: O Valor Científico no Mundo Real Complexo *Página 16* > **Objetivo da página:** Os aprendizes devem compreender o profundo valor científico de reter soluções diversificadas e utilizáveis ao enfrentar a complexidade do mundo real. > **Objetivo da página** > > O valor científico na engenharia real e no mundo físico não está em convergir rapidamente para uma "resposta ótima" com um único algoritmo, mas em transformar conflitos multiobjetivo, restrições físicas e feedback esparso em um processo de problema sustentavelmente explorável. A ideia central do EvoX e da prática AI Native é, através da geração e retenção de soluções diversificadas e utilizáveis, fornecer espaço para trade-offs, decisões e evolução de métodos subsequentes. > **Sequência de exposição** > > 1. Primeiro entrar pelo "mundo real complexo" à esquerda, explicando que conflitos multiobjetivo, restrições físicas e feedback esparso são a norma, não a exceção. > > 2. Explicar por que o ótimo de objetivo único perde informações-chave. Pode-se usar o design de perfil supercrítico como exemplo: razão sustentação/arrasto, características de divergência de arrasto, espessura estrutural e outros objetivos se contrapõem; aumentar a razão sustentação/arrasto pode sacrificar o desempenho de divergência de arrasto ou aumentar a espessura estrutural. Se buscar apenas o ótimo de objetivo único, perderá as relações de trade-off, e faltará margem de ajuste diante de novas restrições ou mudanças de preferência. > > Não deve ser apenas uma solução única, mas um conjunto de soluções candidatas contendo diversas relações de trade-off. Com o EvoX, pode-se gerar em paralelo um grande número de perfis candidatos, e usar modelos substitutos para avaliação auxiliar quando o custo de simulação é alto, cobrindo assim diferentes preferências e restrições. > > Apoiar a decisão de especialistas de domínio; reduzir o risco de convergência prematura errônea; reter possibilidades para reconstrução subsequente do problema e evolução contínua. > > A direção da pesquisa científica AI Native é avançar de "escolher algoritmo para buscar respostas" para "projetar um processo de exploração reutilizável, verificável e herdável", fazendo da complexidade real a fonte de inovação metodológica. **Pontos-chave de ensino** - Em problemas reais, os objetivos frequentemente se contrapõem; não buscar habitualmente a solução ótima única, mas primeiro perguntar: será que ignorei algumas relações de trade-off? A exploração evolutiva deve produzir um conjunto de soluções candidatas contendo diferentes relações de trade-off. Um conjunto diversificado de soluções pode cobrir mais preferências e restrições, retendo espaço para decisões de especialistas e evolução subsequente. À esquerda está o mundo real complexo, no meio a exploração impulsionada pelo EvoX, à direita o valor científico - Na parte inferior há ainda um circuito de "feedback evolutivo contínuo", refletindo que o processo de exploração não termina de uma vez, mas é acumulável e herdável. O valor científico no mundo real complexo está em transformar conflitos multiobjetivo, restrições físicas e feedback esparso em um processo de problema sustentavelmente explorável - O EvoX e a prática AI Native, através da geração e retenção de soluções diversificadas e utilizáveis, fornecem espaço para trade-offs, decisões e evolução de métodos subsequentes. Pistas e tratamento dos exercícios: As questões de múltipla escolha giram em torno de "conceitos centrais", "valor da exploração científica demonstrado pelo design de perfis", "significado de longo prazo de reter soluções diversificadas e utilizáveis", etc. A resposta correta deve apontar: reter soluções diversificadas e utilizáveis tem profundo valor científico ao enfrentar a complexidade real. Se o aluno errar, orientá-lo a voltar à explicação desta página, encontrar evidências-chave ou exemplos antes de julgar - Se acertar, confirmar que consegue relacionar com os conceitos desta página e explicar a base. Primeira pergunta: os conflitos multiobjetivo se manifestam em conflitos entre objetivos como razão sustentação/arrasto, características de divergência de arrasto, espessura estrutural, por exemplo, aumentar a razão sustentação/arrasto pode ter como custo aumentar a espessura estrutural ou sacrificar o desempenho de divergência de arrasto. Segunda pergunta: o conjunto diversificado de soluções candidatas cobre diferentes preferências e restrições, facilitando a avaliação e trade-off pelos especialistas, ao mesmo tempo reduzindo o risco de convergência prematura errônea, e retendo espaço de exploração herdável para reconstrução subsequente do problema, mudanças de restrições ou evolução de métodos. Quando correto, pode-se dizer "esta resposta consegue relacionar com os conceitos desta página e explicar a base" - Quando incompleto, pode-se dizer "por favor, volte à explicação desta página, encontre evidências-chave ou exemplos antes de julgar". **Verificação de compreensão** Por que reter soluções diversificadas e utilizáveis tem mais valor científico do que produzir apenas uma única solução ótima? Exigir relacionar pelo menos um exemplo desta página (design de perfil supercrítico) e um significado de longo prazo (apoiar decisão de especialistas ou evolução contínua). Se o aluno apenas repetir termos, perguntar se consegue exemplificar a relação entre "conflitos multiobjetivo" e "conjunto de soluções candidatas". > **Dica de transição** > > Após confirmar que os alunos conseguem enunciar a relação entre "conflitos multiobjetivo—conjunto de soluções candidatas—valor científico", avançar para a próxima página ou resumo do curso. --- FIM DO TEXTO FONTE ---