真實世界的複雜性與多目標衝突

在真實世界的 AI 系統工程中，我們幾乎不會遇到只有一個目標的問題。提高模型精度往往增加推理時延與算力成本；增強魯棒性可能犧牲峰值效能；降低能耗又可能限制模型容量。這些目標相互牽制、不可完全公度，因而不存在唯一最佳解，只存在一組不可支配的權衡解——即逼近 Pareto 前沿。

核心概念

• 多目標牽制：一個目標改善往往導致另一個目標退化，目標之間不可完全公度。
• 約束複雜：硬約束與軟約束並存，疊加不確定性與動態環境，共同壓縮可行域，使單點最佳假設失效。
• 唯一最佳解通常不存在：單目標純量化或單點搜尋難以表達真實決策空間。
• 輸出應是方案組：需要保留多樣化候選，提供可比較的權衡邊界與偏好選擇空間。
• 演化計算優勢：透過種群並行探索與多樣性保持，同時逼近多個權衡解，適配衝突目標與複雜約束。

演化計算為何適合

演化計算不依賴目標函數的梯度或可微性，而是透過種群在目標空間中並行搜尋。種群中的每個個體代表一個候選方案，非支配排序與擁擠距離等機制在逼近 Pareto 前沿的同時維持解的多樣性。這樣，決策者可以在最後階段根據場景偏好，從前沿上選擇不同權衡方案，而不是在最佳化之前就鎖定一個先驗權重。