12

課堂活動:多目標參數最佳化評估方案設計

AI999第3课:现实世界的复杂性与多目标权衡
00:00

本頁是一份課堂活動設計:把「升力—阻力」這組相互拉扯的目標,轉化為一份可重現、可比較、可交付給專家決策的多目標參數最佳化評估方案。重點不在於讓模型直接給出一個答案,而在於設計一套能被反覆檢驗的評估機制——誰參與評估、用什麼指標、在什麼限制與預算下、按什麼規則留下候選。

活動模擬一個閉環:產生候選 → 進入評估 → 按回饋比較收益、代價與限制 → 保留有效方案 → 記錄並進入下一輪。你需要針對一個參數化物件(例如翼型參數)給出方案,並讓升力與阻力的權衡在方案中顯式可見:一句話,把「衝突」變成「可執行的評審規則」。

多目標參數最佳化評估方案:升力—阻力權衡閉環面向專家決策 · 可重現 · 可迭代評估閉環(六步)六步循環:保留有效方案,進入下一輪1參數表示參數邊界與編碼2候選生成取樣·擾動·交叉3評估計算代理評估與複核4指標彙總升力·阻力·限制5方案比較非支配與參考點6記錄歸檔種子·預算·理由回饋:保留有效候選目標與限制衝突目標獨立成列目標 A:最大化升力係數目標 B:最小化阻力係數輔助指標:升阻比僅作解釋硬性限制:厚度、俯仰力矩範圍軟性偏好:成本與工程可製造性預算:呼叫次數、時間與算力候選分布與 Pareto 前沿涵蓋不同權衡區域升力越大越好阻力(越小越好)Pareto 前沿Pareto 前沿(保留)被支配候選輸出候選組與決策介面而非單一最佳解涵蓋不同升阻權衡的候選組指標證據:升力與阻力數值限制滿足情況與軟性偏好標註不確定性區間說明參考點或偏好排序介面取捨判斷權留給領域專家可重現與可迭代記錄下一輪可直接繼承參數表示與邊界指標定義與單位硬性限制與軟性偏好劃分評估預算與實際呼叫次數隨機種子與代理模型版本篩選依據與淘汰理由把「衝突」變成「可執行的評審規則」:保留一組多樣候選,把取捨判斷留給領域專家

指標、限制與預算

  • 升力目標定義為最大化升力係數或升力性能;阻力目標定義為最小化阻力係數或阻力性能。二者是原始衝突目標,必須各自獨立成列。
  • 複合指標:升阻比等指標可用於解釋和展示,但不能替代原始衝突目標——否則權衡會被一個比值提前「拍平」。
  • 限制分層:參數邊界、幾何與工程限制(如相對厚度、俯仰力矩範圍)通常設為硬性限制,違反即淘汰;性能偏好、成本偏好等設為軟性偏好,用於排序。
  • 預算聲明:寫明模擬或代理模型呼叫次數、時間與算力上限,並區分「代理評估」與「高保真複核」的額度,否則不同方案之間無法公平比較。

評估流程與候選生成

評估閉環按六步組織:參數表示 → 候選生成 → 評估計算 → 指標彙總 → 方案比較 → 記錄歸檔。其中候選生成規則決定探索的涵蓋面:初始取樣負責鋪開全局,擾動、交叉與變異負責局部精細化,偏好引導負責在專家關注的區域加密。要求候選分布在不同升阻權衡區域,避免整代都塌縮到「高升力」或「低阻力」單一方向。

篩選規則與輸出候選組

篩選可採用 Pareto 非支配、加權和、閾值過濾、參考點或偏好排序。無論選哪一種,結果都不應是「只留一個總分最高者」:輸出應是一組涵蓋不同權衡的候選,並附上指標證據、限制滿足情況、候選之間的差異以及不確定性範圍,方便領域專家判斷權衡是否合理。

常見誤區
把升力與阻力合成一個總分再取最大值,看似簡化,實際上是用權重的選擇替專家提前做了取捨,也丟掉了候選多樣性。正確做法是保留多組候選,把「選哪一個」的判斷權留在評估介面之後。

交付物

一頁式評估方案範本:指標表(含原始目標與輔助指標)、流程圖(六步閉環)、候選生成規則、篩選規則、輸出候選組,以及風險與不確定性說明。同時記錄參數、指標定義、評估預算、隨機種子、篩選依據與淘汰理由,使下一輪探索可以直接繼承。