本課核心概念回顧

本課的主線是人工智慧多條路線——符號主義、連接主義、控制論與演化計算——的重新匯合，其中演化計算提供了一條不預先指定唯一答案的求解路徑：它以變異與選擇為啟發，讓群體候選並行生成與評價，並用多樣性去應對目標衝突與複雜約束。本頁在這一背景下收束核心概念：超臨界翼型設計的多目標實踐——真實工程優化追求的不是某個單點最優，而是在多目標衝突下保留一組可比較、可解釋、可決策的候選方案。其技術主線可以概括為：用代理模型降低高昂的模擬成本，用多目標搜尋保留權衡空間，最後由領域專家依據偏好與約束完成決策。

三條核心主線

• 目標衝突與 Pareto 權衡：先識別目標之間的衝突與非支配關係，避免過早把多個指標壓縮為單一目標；以 Pareto 候選保留權衡空間，讓後續決策有迴旋餘地。
• 代理模型降本與驗證：當高保真模擬、風洞或實驗代價高昂時，用近似模型加速搜尋、篩選與敏感性分析；同時必須用獨立驗證樣本與不確定性控制來守住可信度。
• 多候選方案組與專家決策：基礎翼型擾動、代理輔助搜尋、多樣化候選輸出與專家評估構成閉環。重點不是唯一答案，而是可比較、可解釋、可決策的方案組。

案例啟示：為什麼保留候選組

在超臨界翼型設計中，若只優化升阻比，可能得到阻力發散特性或俯仰力矩不可接受的方案；保留 Pareto 候選組後，可以在巡航效率、結構厚度與操穩約束之間按任務偏好進行權衡選擇。多候選探索還支持偏好變化、魯棒性比較與決策追溯，降低單一路徑鎖定的風險，並回應複雜工程中普遍存在的目標衝突與稀疏反饋；在大規模並行的工程底座（如 GPU 加速的批量模擬與評價）之上，這一閉環才具備真正的可執行性。