ความหลากหลายเชิงวิวัฒนาการและความท้าทายด้านขนาดการคำนวณ

เราจะพูดว่า “พบคำตอบที่ดีที่สุด” ได้ก็ต่อเมื่อปัญหามีเป้าหมายเดียวเท่านั้น แต่ปัญหาทางวิศวกรรมจริงแทบไม่เคยเป็นเช่นนั้น การเพิ่มแรงยกมักมาพร้อมกับแรงต้านที่สูงขึ้น และการเพิ่มความแม่นยำมักมาพร้อมกับต้นทุนและความหน่วงที่เพิ่มขึ้นความขัดแย้งระหว่างหลายเป้าหมายทำให้ “คำตอบที่ดี” ไม่ใช่จุดเดียวอีกต่อไป แต่เป็นชุดของคำตอบที่แลกเปลี่ยนกันได้ซึ่งทดแทนกันไม่ได้ทั้งหมด ซึ่งรวมกันเป็น พาเรโตฟรอนเทียร์ (Pareto Front)。

จาก “จุดที่เหมาะสมที่สุด” สู่ “ชุดคำตอบที่แลกเปลี่ยนกัน”

ให้เป้าหมายสองอย่างที่ต้องปรับให้เหมาะสมพร้อมกันเป็น f₁(เช่น แรงต้าน ต้นทุน ความหน่วง) และ f₂(เช่น น้ำหนักโครงสร้าง พลังงานที่ใช้) หากคำตอบ A ไม่แย่กว่าคำตอบ B ในทุกเป้าหมาย และดีกว่าอย่างชัดเจนอย่างน้อยหนึ่งเป้าหมาย จะกล่าวว่า A ครอบงำ B คำตอบที่ถูกครอบงำไม่มีคุณค่าในการเก็บไว้ ในทางกลับกัน เมื่อคำตอบสองคำตอบไม่มีใครสามารถครอบงำอีกฝ่ายได้ ทั้งคู่จะไม่ครอบงำกัน และทั้งสองอาจอยู่ในผลลัพธ์สุดท้าย คำตอบที่ไม่ครอบงำกันทั้งหมดจะประกอบกันเป็นพาเรโตฟรอนเทียร์

แต่ละตำแหน่งบนฟรอนเทียร์ในภาพสอดคล้องกับ “ความเอนเอียง” อย่างหนึ่ง ยิ่งอยู่ซ้ายบน ยิ่งเอนเอียงไปทางลด f₁ ให้ต่ำลงและยอมรับ f ที่สูงขึ้น₂ส่วนยิ่งอยู่ขวาล่างก็ตรงกันข้าม สิ่งที่ผู้ตัดสินใจต้องการจริง ๆ คือพื้นที่การแลกเปลี่ยนที่ฟรอนเทียร์ทั้งเส้นเป็นตัวแทน ไม่ใช่จุดใดจุดหนึ่งที่อัลกอริทึมเลือกมาให้แทน

ความหลากหลาย: ทำไมต้องเก็บตัวเลือกที่ “แตกต่างกัน” ไว้

• การครอบคลุมทิศทางการค้นหาพร้อมกันในทิศทางการแลกเปลี่ยนที่แตกต่างกันเท่านั้น จึงจะเติมเต็มฟรอนเทียร์ทั้งช่วงซ้ายบน ช่วงกลาง และช่วงขวาล่างได้ และหลีกเลี่ยงไม่ให้ตัวเลือกทั้งหมดกระจุกตัวอยู่ที่มุมเดียวกัน
• การเก็บรักษาความแตกต่างความหลากหลายไม่เพียงต้องการ “จำนวนมาก” แต่ยังต้องการ “ความแตกต่าง” ตัวเลือกสองตัวที่เกือบเหมือนกันถือเป็นหนึ่งเดียวสำหรับผู้ตัดสินใจ และไม่ให้ข้อมูลการแลกเปลี่ยนใหม่
• คุณค่าต่อการตัดสินใจความชอบที่แท้จริงมักชัดเจนขึ้นภายหลัง การเก็บชุดตัวเลือกที่มีความแตกต่างไว้ ทำให้ “การปรับน้ำหนักความชอบแล้วเลือกใหม่” เกิดขึ้นได้แทบไม่มีต้นทุน

ความท้าทายด้านขนาดการคำนวณ: ความหลากหลายไม่ได้มาฟรี

ยิ่งความหลากหลายสูงขึ้น พื้นที่การค้นหาที่ต้องครอบคลุมก็ยิ่งกว้างขึ้น ขนาดประชากรก็ยิ่งใหญ่ขึ้น และจำนวนตัวเลือกทั้งหมดที่ต้องประเมินก็ยิ่งมากขึ้น เมื่อการประเมินเป้าหมายต้องพึ่งพาการจำลองความแม่นยำสูง เช่น การคำนวณทางอากาศพลศาสตร์ความแม่นยำสูงของปีก supercritical หนึ่งครั้งอาจใช้เวลาหลายชั่วโมง ต้นทุนการประเมินแต่ละครั้งจะถูกขยายจนกลายเป็นคอขวดหลักของกระบวนการทั้งหมด

จึงเกิดความตึงเครียดเชิงโครงสร้างขึ้น:การครอบคลุมฟรอนเทียร์ที่กว้างขึ้นต้องการตัวเลือกและจำนวนการประเมินที่มากขึ้น ขณะที่การประเมินที่มีต้นทุนสูงกลับจำกัดขนาดที่สามารถรับได้ แนวทางรับมือที่พบบ่อย ได้แก่ การใช้แบบจำลองตัวแทนแทนการประเมินความแม่นยำสูงส่วนใหญ่ การจัดสรรงบประมาณความแม่นยำสูงที่มีอยู่อย่างจำกัดให้กับตัวเลือกที่ขยายการครอบคลุมฟรอนเทียร์ได้ดีที่สุดก่อน และการจัดสรรสัดส่วนงบประมาณระหว่างขนาดประชากรกับจำนวนรุ่นใหม่ซ้ำ