複雜工程中的目標衝突與稀疏回饋應對

在複雜工程最佳化中，目標衝突與稀疏回饋几乎是常態。本頁要建立的判斷是：這兩類挑戰不是等待被「消除」的缺陷，而是應當被顯式建模的對象。工作重心也隨之從「求一個單目標最佳解」，轉變為在少量、昂貴、帶雜訊的回饋下，動態管理多目標之間的折衷。

放到課程脈絡中來看，演化計算之所以是應對這類問題的重要路線，正因為它像自然界的變異與選擇那樣，不預先指定唯一答案，而是透過產生變化與環境評價尋找平衡；符號主義、連接主義、控制論與演化計算等多條路線在此重新匯合。演化計算天生適合並行，允許族群候選同時生成與評價，這為同時追蹤多個彼此衝突的目標提供了機制基礎。

學習目標：識別工程實際中目標衝突與稀疏回饋的挑戰。核心概念：稀疏回饋。

一、目標衝突：多指標此消彼長

真實工程常同時追求效能、成本、可靠性、能耗與製造約束。這些指標彼此制約：提升一個目標往往以犧牲另一個為代價。例如超臨界翼型設計中，提高升阻比可能加劇阻力發散，強化結構又會增加重量與製造難度。因此真正的提問不是「哪個指標最重要」，而是「在什麼條件下接受怎樣的折衷」。

二、稀疏回饋：少、貴、慢、帶雜訊

高保真模擬、物理實驗與現場驗證的成本高、週期長、雜訊大，並且經常傳回失敗樣本。這意味著可用於評價設計的有效訊號數量少、到達延遲、且不連續——這就是稀疏回饋。它不只是「資料不夠多」，而是評價預算本身成為設計流程的硬約束：每呼叫一次真實評估，都要付出可觀的時間與資源。

三、稀疏回饋帶來的系統性挑戰

• 代理模型偏差被放大：真實評估次數很少時，近似誤差難以被及時發現，容易被當作真實規律直接使用。
• 過擬合與過早收斂：有限樣本下的「最佳」可能只是取樣雜訊的產物，搜尋會過早收斂到局部區域。
• 探索與利用失衡：回饋昂貴使「利用」看起來更划算，但探索不足會讓整個族群停留在同一片區域。
• 固定偏好的僵化：固定權重或固定偏好無法適應階段性發現——早期認為次要的約束，可能在後續評估中變成主導瓶頸。

四、動態調整：把單次最佳改成持續折衷

• 代理模型與多保真度評估：用低成本近似承接大部分篩選，只在關鍵候選上投入昂貴預算，降低單次回饋成本。
• 主動取樣與批次實驗：優先評估資訊增益高或位於折衷前沿的候選，提高每一次昂貴回饋的樣本效率。
• 多目標演化：以族群方式同時維護多個非支配候選，保持帕雷托前沿上的多樣性，輸出候選方案組而非單點答案。
• 偏好與約束更新：隨評估結果、不確定性變化與領域知識補充，階段性調整權重、約束、參考點與搜尋範圍。

這一整套做法正是「多路徑而非預設單一最佳」的具體化：借助群體智慧式的候選群維持多樣性，把昂貴評價交給低成本近似，並讓偏好隨證據滾動更新；在工程實現上，GPU 與大模型帶來的大規模並行探索與生成能力，為這種並行、分散式的搜尋提供了底座。

五、把衝突與折衷顯式化

應對目標不是消滅衝突，而是讓衝突、風險與折衷關係變得可解釋：哪些指標在競爭、當前位於權衡曲線的哪一段、候選解對偏好變化有多敏感。與預設單一最佳路徑相比，這種做法的優勢在於不依賴提前知道唯一正確答案，而允許系統同時保留多個候選，在實際評價中平衡不同目標之間的權衡關係。這樣得到的候選集才能被專家有效評估與決策，而不是被三個月前的固定權重鎖死。