偏好優化與多候選方案組

在多目標演化中，偏好優化把決策者的偏好作為搜尋與篩選的引導訊號，而不是等搜尋結束之後再做一次性評分。它帶來兩個結構性改變：一是不提前把多個目標壓縮成單一純量分數；二是不只交出一個「最佳解」，而是輸出一組在權衡結構上彼此有差異的候選方案，把最終取捨權保留給領域專家。

為什麼需要候選方案組

多目標問題中並不存在天然唯一的「最佳解」。當目標彼此衝突時，一個解在某個目標上的改善往往要以另一個目標的惡化為代價，因此可比較的解會連成一條理想權衡前沿。如果提前用一個加權和把目標合併，等同於在尚不清楚真實偏好的情況下，替決策者選定了一個隱含的折衷點；一旦現實限制或偏好發生變化，這個解可能立刻失去價值。偏好優化要做的，是把「人希望往哪個方向看」編碼進搜尋過程，讓搜尋資源集中在真正被關心的區域。

偏好如何進入搜尋

• 參考點：給出一個理想的目標取值組合，引導族群向該方向逼近。
• 目標優先順序：聲明哪個目標更不能被犧牲，用於非支配排序或淘汰判斷。
• 權重區間：不是固定權重，而是一段可接受的權重範圍，允許多種折衷同時成立。
• 互動式回饋：由專家在多輪迭代中逐步給出偏好，搜尋隨之收窄。

這些形式的功能是一致的：收窄關注區域、提高搜尋效率，而不是提前把整個解空間坍縮成一個點。

候選方案組的核心：差異性保留

候選方案組的價值不在於「數量多」，而在於組內方案在目標權衡上分布分散：偏保守端、偏激進端與折衷段各有代表，涵蓋不同的折衷模式。如果只是在同一個解附近給出若干微擾副本，它們無法支撐任何有意義的取捨判斷。

差異性也不會自然維持。演化過程若沒有機制干預，會自發向當前最佳區域收斂，候選組最終退化為單一答案的重複表達。因此需要分布維護、擁擠度控制或歸檔集策略等機制，把「分散」作為顯式保護目標之一。

輸出形態因此從「單一最佳解」轉變為「可解釋、可比較的候選方案組」：專家可以結合領域知識與現實限制做出選擇，並把選擇結果作為新一輪回饋送回搜尋過程。