# EvoX 智能演化系統與 AI Native 科研實踐 課程講義
課時：1 · 課件頁面：16
## 閱讀導航
- [第3課｜主題：現實世界的複雜性與多目標權衡](#lecture-lesson-1)
---
## 第3課｜主題：現實世界的複雜性與多目標權衡
### 現實世界的複雜性與多目標權衡
*頁面 1*
> **頁面目標：** 探討真實物理世界中相互牽制的複雜目標與約束，學習如何利用 EvoX 生成包含多種權衡關係的候選方案組。
> **頁面目標**
>
> 本頁把視角從理想化優化問題轉向真實物理世界，指出工程目標往往相互牽制、反饋稀疏，並引入用 EvoX 生成一組體現不同權衡關係的候選方案這一思路。
> **講解順序**
>
> 先說明「目標衝突」為何普遍，例如翼型設計中升力、阻力、結構強度、噪聲等難以同時最優；再說明「稀疏反饋」指評估代價高、有效樣本少，不能靠大量試錯；最後引出多候選探索，讓 EvoX 不只返回單一最優解，而是給出一組在不同權衡方向上各有優勢的方案，供後續決策。
**講授要點**
- 現實系統受物理規律、製造工藝、安全標準等限制，變量之間相互影響。 一個指標改善常以另一個指標變差為代價，因此不存在唯一「最好」，只有不同偏好下的折中。 真實仿真或實驗成本高，反饋不密集，算法需要更高效地利用已有評估信息。 生成候選方案組能呈現權衡前沿，幫助工程師按場景選擇，而不是被單一解鎖死。 可用來具體說明如何在氣動效率、結構可靠性和噪聲等目標間尋找多組可行設計。
**關鍵詞覆蓋**
- 現實世界複雜性、多目標權衡、目標衝突、稀疏反饋、多候選探索、EvoX、翼型優化。
**理解檢查**
請學生舉一個「改善 A 會犧牲 B」的工程或生活例子，並說明如果只能得到一個方案與得到一組候選方案，決策方式會有什麼不同。
> **過渡提示**
>
> 學生能區分「單目標最優」和「多目標權衡下的候選集合」後，再進入下一頁關於具體方法或案例的展開。
### 多目標衝突與現實複雜性
*頁面 2*
> **頁面目標：** 學習者應理解真實工程世界中多目標相互牽制與約束嵌套的基本現狀。
**講授要點**
- 真實工程優化面對多目標、多約束與昂貴反饋交織的複雜性。目標之間相互牽制，不存在無需權衡的單一理想最優，因此首先要識別並接受衝突，而非套用理想化單目標假設。 目標不獨立，改善一個目標可能惡化另一個，例如提高升力往往伴隨阻力增加或穩定性下降
- 約束嵌套，局部變量調整會牽動其他子系統或生命週期階段，形成耦合可行域與隱性邊界
- 反饋昂貴，高保真仿真、風洞、試飛等評估成本高，無法支撐無限次試錯
- 難以量化的目標，如安全、穩定性、成本、法規、可維護性等難以統一為單一標量。 改善一個指標可能惡化另一個。在飛行器設計中，提高升力會增加阻力、降低穩定性
- 若繼續優化某項氣動指標，又可能觸發結構載荷、熱防護或控制複雜度等約束。這說明現實問題不能被簡化為單目標最優。 系統不應過早給出單一孤立的「最優答案」，而應探索並保留一組具有差異的候選方案，讓專家權衡收益與代價。
**練習處理**
多目標衝突的根本原因（目標相互牽制，改善一個可能惡化另一個）；提高升力的後果（阻力增加，穩定性可能下降）；昂貴反饋的限制（反饋成本高昂，評估次數有限）；多目標優化的正確做法（探索並保留一組具有差異的候選方案）；約束嵌套的含義（局部變量調整會牽動其他子系統或生命週期階段）。正確反饋可強調：多目標衝突源於結構性權衡；升力與阻力、穩定性是經典衝突；昂貴反饋限制試錯；單一最優在真實衝突中往往不存在；嵌套約束形成耦合可行域。
飛行器多目標優化。場景為設計新型無人機，需同時優化氣動效率、結構重量、穩定性和製造成本；高保真CFD仿真耗時數小時，風洞試驗成本極高；目標衝突如提高升力增加阻力和結構載荷、減輕重量可能降低穩定性；約束嵌套如氣動外形變化影響結構載荷和熱防護，進而影響控制律設計。問題1要求識別至少兩個衝突並解釋不能簡單合併為單一目標，參考：升力與阻力衝突、重量與穩定性衝突；不能簡單合併因為量綱和優先級不同，合併需要主觀權重，可能掩蓋權衡關係，導致方案在未預期維度上惡化。
問題2要求描述如何用演化計算保留差異候選方案並說明專家如何權衡，參考：採用多目標演化算法（如NSGA-II）維護帕累托前沿，保留一組非支配解，每個解代表不同權衡；專家可根據任務需求從帕累托前沿中選擇合適方案，或交互式調整權重。
**課堂活動**
請用一個貼近學生經驗的例子複述本頁內容，並讓學生說出這個例子和「先識別衝突再建模」之間的關係。
**理解檢查**
隨機請一名學生用自己的話總結本頁重點，授課者根據回答補充遺漏的關鍵詞。
> **過渡提示**
>
> 確認學生能說出本頁的核心關係後，再進入下一頁的例題、應用或總結。
### 真實物理世界的權衡與多目標探索
*頁面 3*
> **頁面目標：** 學習者應掌握為何系統不能過早給出單一孤立最優解的核心原因。
**講授要點**
- 看到任何「最優方案」，先追問它在哪個目標上做了讓步。只有能把收益與代價同時說清楚，才算真正理解了多目標問題。
- 候選方案組不是拖延決策，而是把偏好判斷留給最懂任務的一方。交付時應同時給出一組各有側重的方案及其對比依據，而不是一堆沒有排序的散點。
- 每一次仿真或實驗都要付出真實成本。在有限預算下，優先評價分布分散、覆蓋不同取捨方向的候選，而不是圍繞同一個點反覆微調，這樣能獲得更完整的前沿信息。
## 頁面目標
理解真實物理世界中的優化問題為何通常不存在「無代價的唯一最優解」，並掌握多目標探索中保留差異化候選方案的核心邏輯與價值。
## 講解順序
目標難以完全量化、約束相互嵌套、評價反饋成本高昂，多個目標彼此牽制。
2. 用飛行器設計例子說明「提高升力往往伴隨阻力增加或穩定性下降」。
3. 藉助 Pareto 前沿示意圖，解釋為何不能過早收斂到單一答案。
探索並保留一組具有差異的候選方案，為專家提供收益—代價的比較基礎。
5. 最後辨析常見誤解，並處理練習與案例。
## 講授要點
三個關鍵事實**
目標常只能部分量化（如「舒適」「安全裕度」），約束層層嵌套，每次真實評價（高保真仿真、台架試驗或試飛）都要付出可觀的時間與金錢。
升力與阻力、性能與穩定性、精度與能耗往往無法同時達到最優；任何一步改進都必須說清它換來了什麼代價。
不能無限次嘗試，因此在有限的評價預算下保留多樣性，比過早鎖定單點更穩健。
為什麼不能過早收斂到單一答案**
如果系統在探索早期就交出孤立的「最優解」，決策空間會被壓縮：專家看不到其他可能，也無法判斷這個點究竟在哪兩個目標之間做了取捨。更合适的做法是沿非支配關係保留一組候選方案，它們在升力、阻力、穩定性等維度上各有側重，構成一條可供權衡的 Pareto 前沿。前沿上的每一個點都代表一種合法取捨——要改善其中一個目標，就必須犧牲另一個；因此前沿的價值不在於「哪個最好」，而在於把收益與代價的完整關係呈現出來，支持後續的偏好判斷與決策。
常見誤解**
把多目標問題提前「加權求和」成一個標量目標，等於在探索之前就替專家定好了偏好權重，權衡信息隨之丟失。權重應當是決策環節的最後一步，而不是建模環節的第一步假設。
## 素材線索
橫軸為目標 A——阻力（越靠左越優），縱軸為目標 B——穩定性（越高越優）。圖中標出了三個差異化候選：候選 A（低阻優先）、候選 B（均衡型）、候選 C（高穩定優先），它們均分布在非支配的 Pareto 前沿上。圖中還標出了被支配區域（存在改進空間），以及一個「過早收斂的單點」落在被支配區域內。箭頭標註「收益 ⟷ 代價：交由專家權衡」。
## 練習處理
本頁包含 5 道選擇題，可用於即時檢測理解。正確答案與反饋要點如下：
選「目標常難以量化，約束相互嵌套，評價反饋成本高昂，多目標之間彼此牽制。」反饋：準確抓住三個特徵及多目標牽制。
這是多目標衝突的典型表現。
選「壓縮決策空間並掩蓋真實權衡關係，使專家無法判斷該點做了何種取捨。」反饋：單點答案把多維取捨壓成黑箱結論。
選「探索並保留一組具有差異的候選方案，作為專家權衡收益與代價的基礎。」反饋：系統不應越權替專家決定，也不應過早收斂。
要改善其中一個目標，就必須犧牲另一個目標。」反饋：非支配意味着不存在能同時改善所有目標而不使任何目標變差的解。
## 案例討論
頁面提供「高超聲速飛行器翼型的多目標設計」案例，建議課堂討論：
目標難以量化、約束相互嵌套、反饋昂貴、多目標衝突。參考答案見頁面解析。
交付一組具有差異的候選方案（如低阻優先型、均衡型、高穩定優先型），給出各目標數值、約束滿足情況與關鍵取捨說明，讓決策者在收益—代價曲線上比較，並由專家結合偏好最終選擇。
## 理解檢查
用三條要點收束：
看到任何「最優方案」，先追問它在哪個目標上做了讓步。
候選方案組把偏好判斷留給最懂任務的一方，交付時應同時給出一組各有側重的方案及其對比依據。
有限預算下，優先評價分布分散、覆蓋不同取捨方向的候選，而不是圍繞同一點反覆微調。
## 關鍵詞覆蓋
候選方案組、Pareto 前沿、非支配、多目標權衡、評價預算、過早收斂。
## 過渡提示
確認學習者能用自己的話說清「為何不能過早收斂到單點」以及「候選方案組如何支持專家權衡」後，再進入下一頁的例題、應用或總結。
### 尋找可用答案與思想實驗
*頁面 4*
> **頁面目標：** 學習者應理解面對真實問題時，如何將問題轉化為可探索與檢驗的系統流程。
**講授要點**
- 遇到真實問題，先寫下思想實驗四問：什麼可以改變、如何評價、必須滿足什麼、如何判斷更好。四問答不清楚，之後選擇什麼算法都很難得到可用答案。
- 每個候選方案至少寫清四項：收益、代價、適用條件、風險。只寫「更快、更強」而不寫代價與邊界的方案，在評審會上幾乎一定會被追問到無法回答。
- 把多個目標加權成一個分數再取最大值，等於假設權重已經確定。若權重本身是主觀的，這種做法就把權衡決定藏進了分數裡。保留有差異的候選並顯式比較，更接近「可用答案」。
> **頁面目標**
>
> 理解面對真實工程問題時，第一項工作不是選擇算法，而是把問題轉化為可探索、可執行、可檢驗的思想實驗；並沿不同方向系統展開探索，保留一組有差異的候選方案，而不是過早收斂到某個所謂的「最優答案」。
> **講解順序**
>
> 1. 先講真實世界的多目標牽制。提高飛行器升力可能改變阻力與穩定性，降低模型時延可能損害精度，提高系統性能可能增加能耗、成本與安全風險。一個指標上的進步，往往以另一個指標的退步為代價，因此「在所有指標上都最好」的單點答案通常並不存在。
>
> 什麼可以改變？改變之後如何評價？哪些條件必須滿足？不同結果如何判斷更好？
>
> 列出可變項與決策變量，如參數、結構、策略、調度規則，並劃清既定條件。
>
> 確定指標與評價口徑，例如看時效還是能耗，看峰值還是平均，用哪一段數據衡量。
>
> 明確硬約束與邊界，如安全閾值、時延上限、能耗與預算上限、法規與空域許可；越界方案直接淘汰。
>
> 定義比較準則與偏好，說明在什麼場景下更看重哪一目標，以及可接受的代價範圍。
>
> 3. 講輸出形態。探索應沿不同方向展開，輸出一個具有差異的候選方案，每個候選都標註收益、代價、適用條件與風險，讓領域專家能比較不同偏好下的選擇。
>
> 可執行、可評價、滿足硬約束、能解釋權衡，並能支持不同偏好下的選擇。只在一項指標上取到最大值的單點答案，通常不滿足這些判據。
>
> 橫縱軸可表示兩個彼此牽制的目標，曲線或點群表示可達方案域，硬約束之外是越界區域。候選A至D各有取捨，圖中的重點不是找出唯一最優點，而是保留差異並顯式比較。
> **練習線索**
>
> - 界定可變項、評價標準、硬約束與比較準則。不要先問「用哪個算法」或「先攢數據」。 第二題應選「一個指標上的進步往往以另一個指標的退步為代價，所以通常不存在唯一的全局最優」。目標衝突是真實問題常態，不是定義錯誤。 第三題應解釋過早收斂到單點會丟失有差異的候選方案，削弱專家在不同偏好下選擇與決策的空間。 第四題中，不屬於「可用答案」判據的是「在某一單獨指標上取得全局最大值，其他指標可以忽略不計」。 第五題應說明思想實驗在執行之前暴露目標衝突、約束邊界與評價口徑，為後續多目標探索建立可用的問題框架。 城市無人機配送調度。可引導學生將場景轉為四問：可變項包括航線與高度層、速度剖面、起降點與中轉點、充電或換電時點、任務分批與合單、機型指派等
> - 既定條件包括天氣、空域許可、城市地理。評價指標包括平均送達時間、單位包裹能耗、安全裕度、任務完成率與等待時間分布，並說明是看高峰時段還是全天平均。硬約束至少包括電池安全餘量閾值、風速超限禁飛或改期、禁飛區與空域許可不得違反、單次載重不超機型上限。比較準則應說明高峰期更重時效，惡劣天氣更重安全裕度與完成率，並明確可接受代價範圍，避免粗暴加權成單一分數。 客戶偏好、天氣與空域條件會變化，單點最優只在某組假設下成立
> - 候選組覆蓋不同收益—代價組合，專家可按當日約束與偏好選擇，並知道每個方案的適用邊界與風險。每個方案至少標註收益、代價、適用條件、風險，以及與同組其他方案的差異點。 一是先選算法、後想問題
> - 二是把多目標強行加權成一個分數再取最大，等於把主觀權衡藏進分數
> - 三是只寫「更快、更強」，不寫代價與邊界，評審時難以回答。
**理解檢查**
請學生用自己的話複述四問，並舉一個身邊的工程或生活例子，說明其中目標如何衝突、候選如何保留差異、硬約束如何淘汰越界方案。確認學生能說出「問題轉化、候選組、可用答案判據」三件事後，再進入下一頁關於EvoX如何承載多目標探索的內容。
### 問題轉化：從選擇算法到探索過程
*頁面 5*
> **頁面目標：** 學習者應掌握面對真實問題時需要明確的可變對象、評價標準與約束條件。
**講授要點**
- 拿到任何新任務，先列出可變對象清單：哪些參數、結構、策略或流程允許調整？這份清單就是搜索空間與編碼的骨架。等它寫清楚之後，再討論算法。
- 別等最後一輪才發現方案不可部署。把不可協商的要求（如延遲上限、顯存上限、部署兼容性）放在生成或評價階段直接過濾，讓探索只在不違反約束的區域裡進行。
- 復盤時使用的應當是同一套問題定義：先固定搜索空間、評價方法與約束，再橫向比較不同算法的表現。這樣才能判斷差異來自算法，還是來自問題定義本身。
頁面目標
面對真實問題時，不要一上來就問「用 DE 還是 PSO」，而應先把任務轉化為一個可探索的過程。學習者需要掌握三件事：什麼可以改變、改變之後如何評價、哪些約束絕對不能違反，並理解算法選擇只是這個閉環中的可配置組件。
講解順序
拿到任務先做算法選型，只回答了「用什麼工具搜索」，沒有回答「搜索什麼、什麼算好、什麼不能違反」。
真實問題 → 可變對象（參數·結構·策略→編碼） → 評價方法（目標函數、指標、偏好） → 核心約束（硬約束與軟偏好） → 探索過程閉環（候選生成→評價→反饋→再生成） → 候選方案組。
可變對象、評價方法、核心約束、探索過程。
4. 對比「一次性算法選型」和「閉環探索」的差別，點明問題定義質量決定探索上限。
5. 用選擇題和推薦排序模型案例進行鞏固。
講授要點
界定哪些參數、結構、策略或流程允許被調整，由此形成搜索空間與編碼邊界。沒有它，候選解無法表示，也無從生成。
定義改變之後如何判斷優劣，包括目標函數、評價指標、偏好方向，以及可行性與多樣性等度量。評價方式實質上決定搜索會朝哪個方向走。
區分必須滿足的硬約束與可權衡的軟偏好。把硬約束混進目標函數裡「打個折」，很容易產出看似得分很高、卻根本無法部署的方案。
把問題形式化為「候選生成—評價—反饋—再生成」的閉環，讓評價結果反過來影響後續生成，而不是一次性定死求解思路。
依次回答哪些參數可調？用什麼指標或哪幾個相互衝突的指標來評價？哪些約束絕對不能違反？回答完這些問題，任務就已經被形式化為一個可接入演化求解器的多目標問題；此時再決定用哪種算法、以什麼算子配置去探索，只是在閉環內部做一個可替換的工程決定。換言之，算法不是答案本身，它只是探索過程中可配置的一環，問題定義的質量才決定探索的上限。
把「算法效果不好」直接歸因於算法本身，卻忽略搜索空間定義含糊、評價指標與真實業務目標脫節、硬約束缺失。先修問題定義，再談算法替換，往往比反覆換算法更有效。
素材線索
真實問題先經過可變對象、評價方法、核心約束，再進入探索過程閉環。閉環重點標出候選生成、評價、反饋、再生成四個環節，並強調算法選擇只是閉環內部組件。講解時可沿着圖示箭頭走一遍，幫助學生看到「問題定義」與「算法執行」的先後關係。
練習處理
第一步應界定哪些參數、結構、策略或流程允許調整，形成搜索空間與編碼邊界。反饋時強調：可變對象讓候選解可被表示，後續評價與迭代才成立。
評價方法要定義改變之後如何判斷優劣，包括目標函數、指標、偏好，以及可行性與多樣性等度量。反饋時說明它不是算法的附屬品，而是探索過程的「方向盤」，需要由任務本身決定。
P99 延遲不超過 80 毫秒屬於必須滿足的硬約束。反饋時區分「必須滿足」和「盡量滿足」：不可協商的要求是硬約束，可權衡的傾向才是軟偏好，硬約束應在生成或評價階段前置過濾。
閉環與一次性選型的關鍵差別，是評價結果反過來改變後續生成，從而持續調整搜索方向。反饋時強調重點不在速度或算法種類，而在於評價結果能否回流去改變後續生成方式。
算法不是答案本身，因為問題定義質量決定探索上限，算法只是探索過程中一個可配置、可替換的組件。反饋時引導學生把注意力從「換哪個算法」移向「問題定義得夠不夠清楚」。
案例引導
推薦排序模型多目標調優案例可按「可變對象—評價方法—核心約束」組織。可變對象包括學習率、正則係數、網絡層數、注意力頭數、特徵組合策略；評價方法為離線 AUC 最大化、線上 P99 推理延遲與模型參數量最小化，同時可加入候選多樣性；核心約束為 P99 延遲不超過 80 毫秒、顯存不超過 12GB、能在現有推理框架直接上線；軟偏好為在滿足硬約束前提下參數更少、延遲更低。
候選生成採樣超參數與結構配置，評價時計算 AUC 並測量或估計延遲與顯存佔用，同時檢查硬約束，反饋階段根據多目標優劣與偏好更新搜索分布，再生成新一代候選。可部署性保障是把延遲、顯存與框架兼容性作為硬約束在生成或評價階段直接剔除不可行方案；對延遲等昂貴指標可先用代理模型或小規模實測篩選，再對少量候選做完整驗證。最終輸出一組在目標權衡上分布良好的候選方案，交由工程與產品決策選擇。
理解檢查
問題定義先於算法選擇；可變對象決定搜索空間與編碼；評價方法決定搜索方向；硬約束必須前置過濾；算法只是閉環內可替換組件。若學生只複述算法名稱，可追問「算法在哪個環節進入？它之前還需要確定什麼？」
過渡提示
確認學生能說明「先定義什麼可變、如何評價、哪些不能違反，再把求解組織成閉環」之後，再進入下一頁的具體方法、應用或總結。
### 偏好優化與多候選方案組
*頁面 6*
> **頁面目標：** 學習者應理解保留一組多樣化候選方案在專家決策中的實際作用。
> **頁面目標**
>
> 理解偏好優化不是替專家做最終決策，而是把偏好作為搜索與篩選的引導信號，並讓算法輸出一組在權衡結構上可比較、可解釋的候選方案，把取捨權留給領域專家。
**講授要點**
- 不提前把多目標壓縮成單一標量得分
- 不只交出一個「最優解」，而是輸出一組候選方案。 多目標衝突下沒有天然唯一最優解，可比較的解會連成理想權衡前沿。若提前加權求和，等於替決策者選定隱含折中點
- 一旦約束或偏好變化，該解可能立刻失去價值。 參考點、目標優先級、權重區間、交互式反饋。它們共同用於收窄關注區域、提高搜索效率，而不是把解空間提前坍縮成一個點。 價值 = 差異性 × 可解釋性。有效差異不是隨機噪聲，也不是同一解附近的微擾副本，而是沿目標權衡結構分散，偏保守端、折中段、偏激進端各有代表。 演化會自發向當前最優區域收斂，因此需要分布維護、擁擠度控制或歸檔集策略，否則候選組會退化為單一答案的重複表達。
**關鍵詞覆蓋**
- 偏好優化、候選方案組、理想權衡前沿、差異性保留、可解釋性、擁擠度控制、歸檔集策略。
> **素材線索**
>
> - 橫軸為成本（越小越好），縱軸為時延（越小越好），曲線為理想權衡前沿，偏好參考點引導搜索方向，候選方案應沿前沿分散分布
> - 右側對比傳統加權求和只給單一最優點與偏好優化給出候選方案組。
> **練習線索**
>
> - 偏好優化把決策者偏好編碼進搜索與篩選過程，而不是搜索結束後再一次性打分。反饋時強調「偏好介入時機」，並說明偏好不會消除目標衝突。 有效差異 = 目標權衡上分散分布 + 每處差異可用權衡結構解釋。提示學生：數量多、差異大不等於有效。 參考點或權重區間等偏好形式用於收窄搜索關注區域、提高效率，不把解空間提前坍縮為一點。提示：偏好不替代目標函數，也不自動保證多樣性。 缺少分布維護、擁擠度控制或歸檔集策略時，演化自然收斂到當前最優區域，候選組變成同一解附近的重的副本。 輸出形態改變意味着決策權歸屬改變：算法提供可比較候選組，領域專家結合現實約束完成最終取捨，並可把選擇結果作為反饋繼續迭代。 城市配送車隊排班與路徑決策中，偏好優化在搜索過程中把參考點、目標優先級、權重區間或交互反饋作為迭代中的選擇與篩選信號
> - 在輸出形態上，從單一「最優排班」變為沿成本—時延權衡前沿的候選方案組，例如偏保守（優先壓成本）、折中（成本與時延均衡）、偏激進（優先壓時延）。若所有候選方案在成本與時延上都非常接近，應懷疑缺少差異性維持機制
> - 判斷差異是否有效時，把方案投影到成本—時延平面上，看點是否沿前沿明顯分散，且每點折中方向能否用目標權衡結構解釋。
**理解檢查**
讓學生用自己的話區分「引導」與「替代」，並說出候選組價值為什麼等於差異性 × 可解釋性。若學生只強調數量多，應追問：「這些方案能否在目標權衡上被解釋為不同折中模式？」
> **過渡提示**
>
> 確認學生能說出偏好優化是為了保留專家取捨權、候選組必須可比較可解釋後，再進入下一頁關於應用案例或方法細節的內容。
### 超臨界翼型設計的多目標實踐背景
*頁面 7*
> **頁面目標：** 學習者應了解航空工程中超臨界翼型設計的具體應用場景與多重約束。
> **頁面目標**
>
> 理解超臨界翼型設計的真實工程場景，把握多目標衝突與約束，知道合理輸出是一組折中方案而非單一最優解。
**講授要點**
- 1. 工況與物理來源。跨聲速巡航時，氣流在翼型上表面加速到超聲速，再經激波減速
- 激波位置與強度同時影響阻力水平和抖振起始邊界。因此設計不是把某一指標推到極致，而是讓多重指標同時落在可接受區間。 2. 三重約束。臨界抖振升力係數給出安全與可用升力邊界，抖振提前發生會壓縮抖振裕度和飛行包線，屬於不能跌破的門檻
- 巡航升阻比反映氣動效率與經濟性，決定航程、油耗與運營成本，是主要收益項
- 高精度仿真成本高，單次評估代價大，限制了可探索的設計空間，構成資源約束。 3. 衝突來源。提高巡航升阻比通常需要更強的前緣吸力平台與更靠後的激波，但這會削弱抖振邊界
- 為保抖振裕度而收緩翼型，又可能犧牲巡航效率。典型表現是「提升一項、惡化另一項」。 4. 求解思路。工程上真正需要的是一組在不同偏好下都成立的帕累托折中方案，讓決策者在安全、效率與成本之間做出可解釋的選擇。可結合基礎翼型與擾動樣本持續生成和預測，把串行篩選變為並行多目標探索，輸出多樣化候選方案。 5. 判斷要點。只要出現「提升某項指標會惡化另一項指標」且指標有硬性下限，就應作為多目標約束問題處理，不要尋找並不存在的單一最優解。
**關鍵詞覆蓋**
- 超臨界翼型
- 臨界抖振升力係數
- 巡航升阻比
- 高精度仿真成本
- 多目標衝突與權衡
- 帕累托前沿
- 可行折中域。
> **素材線索**
>
> - 可借翼型剖面示意圖說明上表面吸力區、激波與下表面高壓
> - 用多目標權衡空間圖說明巡航升阻比與抖振裕度的此消彼長、可行折中域、被支配區域與帕累托前沿。
**練習處理**
選擇題依次考查多目標折中本質、抖振係數的安全邊界作用、巡航升阻比與經濟效率的關係、串行試錯受限於仿真預算、合理思路是保留帕累托折中方案。作答後請學生說出依據，錯誤時回到對應段落核對「目標、約束、資源」三類信息。案例題先判定目標為最大化巡航升阻比，約束為抖振係數安全閾值與仿真預算上限；再說明用基礎翼型加擾動樣本進行生成與預測，在有限評估次數下並行探索，輸出可解釋的候選方案集，評價標準是每個方案在抖振邊界與巡航升阻比上的具體取值。
**理解檢查**
本頁中哪一項是收益目標、哪一項是不能突破的門檻、為什麼傳統的逐點試錯難以奏效。若學生只能複述名詞，追問「提高巡航升阻比會怎樣影響抖振裕度」。
> **過渡提示**
>
> 確認學生能區分目標與約束，並能解釋「一升一降」的衝突後，再進入下一頁的例題、應用或總結。
### 基礎翼型與擾動樣本的持續
*頁面 8*
> **頁面目標：** 學習者應掌握系統如何結合基礎翼型與擾動樣本進行持續預測。
> **頁面目標**
>
> 理解翼型優化中「基礎翼型—擾動樣本—預測/評價—演化反饋—持續生成」的閉環，掌握基礎翼型如何提供穩定錨點，擾動樣本如何提供多樣性，以及演化反饋如何讓多目標探索持續、可擴展。
> **講解順序**
>
> 1. 先立基準。基礎翼型需先滿足任務約束，它定義參數化空間、擾動範圍與評價標準。沒有基準，搜索空間容易無序漂移，候選翼型之間也難以公平比較。
>
> 2. 再生成擾動。圍繞基礎翼型，對厚度分布、彎度或控制點參數施加可控擾動，按批次或在線方式持續生成樣本族。小擾動用於局部精修，大擾動用於全局覆蓋；擾動強度、方向和採樣分布都應可控。
>
> 3. 批量預測/評價。把每輪樣本送入預測/評價環節，輸出多候選在目標上的表現。這些表現不是終點，而是後續演化選擇、更新與再採樣的直接依據。
>
> 4. 用反饋閉合。根據演化反饋調整下一輪擾動強度、方向或採樣分布，使閉環真正持續，而不是每輪獨立重複採樣。
**講授要點**
- 基礎翼型選取
- 擾動樣本持續生成
- 多樣本預測與演化結合
- 持續閉環。 基礎翼型是穩定參照，不是最終答案
- 它讓不同擾動樣本在同一評價標準下可比。 擾動樣本負責多樣性，局部與全局要兼顧。若每輪只做同一方向的小擾動，種群容易早熟
- 若完全隨機大擾動，可能浪費評價預算。更穩妥的是混合局部與全局擾動，並用反饋決定下一輪採樣重點。 演化反饋必須作用於下一輪擾動生成策略。若只記錄結果而不改變採樣，閉環會退化為開環流程。
**練習處理**
基礎翼型的主要作用是作為參數化、擾動範圍與評價基準的穩定錨點。答對時強調它能錨定搜索空間，避免候選無序漂移，並使樣本公平比較；答錯時回到「缺少基準會導致什麼後果」這一證據。
持續生成擾動樣本時，應按批次或在線方式調節擾動強度、方向與採樣分布。單一方向小擾動限制多樣性，完全隨機大擾動浪費預算，二者都不足以兼顧局部精修與全局覆蓋。
擾動樣本批量送入預測/評價後，主要輸出多候選在目標上的表現，供演化選擇、更新與再採樣使用。可提示：預測/評價是演化流程的輸入，而不是硬編碼標籤或最終答案。
演化反饋通過調整擾動強度、方向或採樣分布，再補充下一輪樣本來支持「持續」生成。若反饋只記錄不改變採樣，閉環就無法持續改進。
最能體現閉環的做法是每輪生成翼型樣本族，經評價/預測後進入演化，再據結果補充下一輪擾動樣本。缺少樣本生成、評價/預測、演化反饋或再採樣任一步，都無法形成持續優化。
案例線索：
超臨界基礎翼型優化中，目標是最大化升阻比、最小化阻力發散、保持結構厚度約束；每輪可生成256個樣本，評價耗時較長。一輪流程可設計為：以基礎翼型為錨點，對厚度分布、彎度或控制點施加可控擾動，生成一批翼型樣本；批量送入預測/評價，得到升阻比、阻力發散、厚度約束等表現；再進入演化選擇、更新與再採樣；最後根據反饋調整下一輪擾動強度、方向或採樣分布。基礎翼型不能隨意替換，因為它定義參數化空間、擾動範圍與評價基準；替換會使搜索空間漂移、候選不可比，閉環失去穩定參照。
若連續幾輪進化停滯，可用反饋增大擾動強度或擴大採樣分布，引入全局多樣性；也可調整擾動方向，針對厚度、彎度等敏感參數做定向探索；還可混合局部精細擾動與全局擾動，提高樣本批次或在線補充，並保留帕累托前沿上的多樣候選，避免種群早熟。
請學生用一句話複述閉環中的四個環節，並說明基礎翼型為什麼不能被擾動樣本取代。確認學生能說出「先定錨點、再控擾動、評價入演化、反饋調下一輪」的關係後，再進入下一頁的例題、應用或總結。
### 代理模型在應對高昂仿真成本中的應用
*頁面 9*
> **頁面目標：** 學習者應理解代理模型如何有效克服高精度仿真成本高昂的瓶頸。
> **頁面目標**
>
> 理解代理模型為何能有效應對高保真仿真成本高昂的瓶頸，並掌握它在多目標演化優化中的定位、介入方式和風險控制。
> **講解順序**
>
> 先指出高保真仿真直接嵌入演化循環會造成預算迅速耗盡；再說明代理模型作為「廉價近似評估器」如何替換逐點評估；接着用直接高保真優化與代理輔助優化的對比展開加速機制；然後重點講離線訓練、在線批量預測、代理輔助選點、回填校正四個環節；最後討論精度與成本權衡、分布外風險、常見誤區和自檢清單。
**講授要點**
- 超臨界翼型、結構強度等問題中，單次 CFD 或有限元仿真耗時數十分鐘到數小時。演化算法每一代都要評估整個種群，評估次數與預算近似線性消耗，預算會被少數幾代吃光。 種群規模和迭代代數被迫壓縮，多目標前沿難以充分探索，設計空間被「評估不起」封鎖。 從已有仿真樣本學習輸入—輸出映射，快速預測候選方案的目標值與約束表現
- 它不是更精確的仿真，而是更便宜的近似。它替換的是逐點評估，不是驗證環節。 左側直接高保真優化候選少、單次耗時長、總評估次數少、搜索覆蓋窄
- 右側代理輔助優化候選多、單次預測極低、總評估次數多、覆蓋更廣，高保真預算集中在關鍵候選，並伴有不確定性閾值篩選和少量高保真校核。 離線訓練建立初步映射
- 在線批量預測每一代全部候選
- 代理輔助選點結合預測值與不確定性挑選高潛力或高信息量候選
- 回填校正把少量高保真結果寫回樣本庫並增量更新代理。 代理越複雜通常越準，但訓練與推斷開銷上升。關鍵約束是代理必須顯著快於高保真仿真，同時精度足以支撐選擇壓力，否則會變成新瓶頸或把演化帶偏。 代理只在訓練分布附近可靠。分布外預測可能看似合理卻嚴重偏離真實值，誤導搜索。可行做法包括輸出不確定性估計、設置置信閾值、對越界候選強制高保真驗證、用誤差統計定期檢查代理質量。 代理模型不取消驗證，也不靠壓縮種群解決問題
- 它的價值是把稀缺高保真預算集中投向最關鍵、最不確定的候選。
**關鍵詞覆蓋**
- 代理模型、高保真仿真、廉價近似評估器、離線訓練、在線批量預測、代理輔助選點、回填校正、不確定性閾值、分布外預測、精度與成本權衡。
> **練習線索**
>
> - 把每個候選都跑高保真仿真，改為代理批量近似篩選加少量高保真校核。錯誤選項常誤以為取消驗證或壓縮種群。 單次仿真成本高，逐代評估整個種群會迅速耗盡預算。限制來自成本，不是可導性或多目標能力。 模型越複雜通常越準但訓練與推斷越慢，需要與演化搜索速度匹配。不能認為複雜度無代價或越簡單越準。 預測可能嚴重偏離真實值並誤導搜索。代理不會自動切換為高保真，也不會自動糾偏，需靠不確定性和校核控制。 讓代理持續向真實響應面校正，減小後續預測偏差。它不是用來削減候選數量或替代不確定性估計。 流程可寫為初始採樣、離線訓練、在線批量預測、篩選、高保真校核、回填更新、循環迭代
> - 風險控制則強調不確定性估計、置信閾值、預留補採樣預算、誤差統計監控，以及把高保真預算優先分配給前沿附近候選。
**理解檢查**
請學生用自己的話說清五件事——誰替代了誰、代理在哪一步介入、如何篩掉不可信預測、高保真預算花在哪些候選上、校核結果怎樣回填校正代理。
> **過渡提示**
>
> 確認學生能區分「近似篩選」與「真實驗證」後，再進入下一頁的應用或總結。
### 輸出兼顧各項指標的多樣化候選方案
*頁面 10*
> **頁面目標：** 學習者應掌握系統最終如何輸出兼顧多項指標的候選方案組合。
> **頁面目標**
>
> 理解多目標工程優化中，系統輸出的不是單一最優解，而是一組兼顧多項指標的多樣化候選方案；掌握多指標評估機制、代理模型角色、帕累托前沿比較方法以及可復現性要求。
> **講解順序**
>
> 1. 先確認產出形態。在翼型設計這類多目標問題中，最終交付的是一組候選方案，而不是單點答案。需要觀察整組候選在臨界抖振升力係數、巡航升阻比、結構重量控制、抗擾動穩健性等指標上的權衡形態。
>
> 2. 解釋為什麼不是單點答案。當目標彼此衝突時，例如提高臨界抖振升力係數往往伴隨巡航升阻比下降，不存在在所有指標上同時佔優的可行解。如果評估被單一指標主導，搜索會收斂到平均意義上尚可、但關鍵指標都不突出的折中解，甚至丟失有明確偏好的設計方向。
>
> 3. 講清生成與預測機制。多指標兼顧的評估機制把多重約束與目標納入同一評價空間；持續生成與預測圍繞基礎翼型與擾動樣本不斷產生新候選，並用代理模型快速預估指標，從而緩解高精度仿真成本高昂的瓶頸。
>
> 4. 說明輸出與比較方式。候選方案覆蓋不同指標偏好與權衡位置。將兩項關鍵指標畫成散點，外沿上沒有被其他候選在所有指標上同時超過的點構成帕累托前沿，位於內側的點則被支配。工程評審通常先從前沿挑選方案，再回到高精度仿真確認；前沿上不同位置正對應抖振抑制優先或巡航效率優先等取向。
>
> 5. 強調可復現性。每個候選都應能追溯到基礎翼型與擾動來源、在這幾項指標上的評估結果，以及它在帕累托前沿上的位置。缺少任何一項，方案比較都難以核對。
**講授要點**
- 多指標兼顧的評估機制、持續生成與預測、多樣化輸出形態、可比較性。代理模型是篩子而不是終審，它負責快速預估與導向篩選，不能替代關鍵候選上的高精度仿真複核。
> **素材線索**
>
> - 雷達圖用閉合曲線表示不同候選翼型的指標偏好
> - 散點圖越靠右上表示兩項指標同時更優
> - 虛線標出非支配候選，灰色點表示被支配候選。
**練習處理**
本頁練習圍繞產出形態、代理模型職責、多樣化價值、可復現記錄以及兩項指標關係展開。參考方向：系統交付的是一組兼顧不同權衡的候選方案；代理模型做快速預估並引導篩選，最終仍需關鍵候選的高精度複核；多樣化的價值在於顯式保留衝突指標之間的權衡位置，支持比較與決策；應保留每個候選的多維指標結果與生成擾動來源；臨界抖振升力係數與巡航升阻比在前沿上通常此消彼長。案例題中，不逐一執行高精度仿真是因為候選數量達且持續新增，而單次仿真代價高昂；代理模型先縮小範圍，少量關鍵方案再複核。
若評審要在抖振抑制優先和巡航效率優先之間選擇，候選組提供可選項，帕累托前沿標出最優權衡位置，可比較記錄保證可復現與可核對。
**理解檢查**
請學生用自己的話解釋為什麼系統輸出候選方案組而不是單點答案，並說出至少三項支撐可復現性的記錄。
> **過渡提示**
>
> 確認學生能區分代理模型篩選與高精度仿真確認的角色後，再進入下一頁。
### 複雜工程中的目標衝突與稀疏反饋應對
*頁面 11*
> **頁面目標：** 學習者應理解工程實際中應對稀疏反饋與目標衝突的方法。
> **頁面目標**
>
> 理解複雜工程優化中目標衝突與稀疏反饋的常態性，掌握以動態多目標折中代替單目標最優的應對思路。
**講授要點**
- 真實工程常同時追求性能、成本、可靠性、能耗與製造約束，這些指標彼此制約。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。關鍵不是給指標排序，而是識別當前處於帕累托前沿的哪一段，明確可以交換什麼。 高保真仿真、物理實驗等評價手段成本高、週期長、噪聲大，且常返回失敗樣本。有效評價信號少、延遲、不連續，評價預算成為硬約束。 代理模型偏差被放大，過擬合與過早收斂風險上升，探索與利用容易失衡，固定偏好難以適應階段性發現。 用代理模型與多保真度評估降低單次反饋成本
- 用主動採樣與批量實驗提高樣本效率
- 用多目標演化維護多個非支配候選，保持帕累托前沿多樣性
- 隨評估結果動態更新偏好與約束，輸出多樣化候選集供專家評估。 目標不是消滅衝突，而是讓衝突、風險與折中關係可解釋，不依賴提前知道唯一答案。
> **練習線索**
>
> - 本頁5道選擇題分別考查（1）目標衝突的識別
> - （2）稀疏反饋的特徵
> - （3）稀疏反饋下代理模型偏差的影響
> - （4）提高樣本效率的做法
> - （5）偏好與約束更新的合理認識。答題時需抓住「少、貴、慢、帶噪、失敗樣本」等關鍵詞，區分目標衝突與稀疏反饋。 液冷板多目標設計。目標衝突體現為散熱性能、壓降、重量、成本與可加工性相互制約
> - 稀疏反饋體現為高保真CFD需數十小時、台架實驗需數週且帶波動，工藝不可行樣本直接失敗。應對：評估側採用代理模型與多保真度評估、主動採樣
> - 搜索側採用多目標演化保持多樣性
> - 偏好側階段性更新權重、約束與參考點，避免被早期固定權重鎖死。
**理解檢查**
請學生用自己的話總結目標衝突與稀疏反饋的區別，並舉例說明動態調整閉環中任一環節的作用。
> **過渡提示**
>
> 確認學生能說出「目標衝突+稀疏反饋 → 動態多目標折中」這一核心關係後，再進入下一頁。
### 領域專家的決策角色與方案評估
*頁面 12*
> **頁面目標：** 學習者應理解在多目標探索中人類專家與自動化系統的職責分工。
> **頁面目標**
>
> 理解在多目標探索流程中，自動化系統與領域專家如何分工協作，以及專家如何把領域經驗轉化為可複核、可追溯的評估與決策邏輯。
> **講解順序**
>
> 先點明「系統把可能性鋪開，專家把可能性收斂」，再說明系統側與專家側的職責邊界；接着解釋為何單目標最優不等於可交付方案，引出收益—代價評估矩陣；然後給出閾值否決、收益—代價權衡、敏感性分析的決策順序；最後講稀疏反饋下的複核、再採樣或終止判斷，以及選擇理由回流形成責任閉環。
**講授要點**
- 系統側完成大規模候選生成、代理模型預測、Pareto 前沿刻畫與多樣性保持，回答「有哪些可能」
- 專家側注入目標優先級、硬約束與風險容忍度，判斷真實場景適配性，做出最終選擇並承擔責任，回答「該選哪一個、為什麼」。邊界在於：系統提供可比較的候選集合與量化預測，但不替專家決定底線與偏好
- 專家提供偏好、約束與決策標準，但不親自完成海量候選的生成與篩選。 方案評估要把性能收益與工程代價轉化為可解釋、可審計的依據。除性能收益外，還要同時考察計算與製造成本、魯棒性、可維護性、不確定性，以及稀疏反饋下結論的可信度。單目標最優往往不可交付，多維評估才能讓不同候選顯現各自的適用場景。 把領域經驗表達為顯式偏好、分層評價、決策矩陣、閾值否決項與敏感性分析。常用順序是先用硬約束「一票否決」違反底線要求的候選，再對剩餘候選做收益—代價權衡，最後用敏感性分析確認結論對權重擾動是否穩健。用加權總分補償硬傷是最常見的誤區。 當高保真評價昂貴、反饋稀疏時，專家要依據代理模型置信度、候選多樣性和已觀察到的失敗模式，決定複核、再採樣還是終止搜索，而不是盲信代理模型給出的「最優解」。最終選擇與風險承擔屬於領域專家
- 選擇理由應回流為偏好、約束或評價信號，指導下一次演化搜索，形成責任閉環。 超臨界翼型多目標設計中，系統輸出兼顧阻力、升力與穩定性的候選
- 專家結合風洞與仿真成本、製造公差和任務剖面，先淘汰違反硬約束者，再對剩餘方案做收益—代價權衡，選出少數進入高保真驗證，並把本輪理由回流為下一輪的偏好與約束。
**關鍵詞覆蓋**
- 多目標探索、生成與篩選、判斷與決策、Pareto 前沿、收益—代價評估矩陣、閾值否決、敏感性分析、稀疏反饋、責任閉環。
> **練習線索**
>
> - 1. 系統側負責大規模候選生成、代理模型預測與 Pareto 前沿刻畫
> - 若選到硬約束判定、目標優先級或風險承擔，提醒這些屬於專家側。2. 應綜合性能收益、計算與製造成本、魯棒性、可維護性與不確定性
> - 單目標最優不等於可交付。3. 反饋稀疏時應依據代理模型置信度、候選多樣性與失敗模式，決定複核、再採樣或終止。4. 閾值否決項用於先對違反硬約束的候選做一票否決，再對剩餘候選權衡，不是統一加權打分。5. 選擇理由回流的目的，是把選擇理由轉化為偏好、約束或評價信號，指導下一次演化搜索。 先說明系統側「生成與篩選」和專家側「判斷與決策」的邊界
> - 再按「閾值否決→收益—代價矩陣→敏感性分析」決定哪些候選進入高保真驗證
> - 若置信度不足或多樣性偏低，選擇再採樣或複核
> - 最後把本輪理由顯式記錄為偏好、約束或評價信號，輸入下一輪搜索。
**理解檢查**
請學生用自己的話區分「擴展選項」和「收斂選項」，並舉例說明一個工程決策中系統側與專家側各自的動作。若學生把最終拍板、風險承擔或硬約束判定歸給系統側，回到職責分工重新辨析。
> **過渡提示**
>
> 確認學生能說清「生成—評估—選擇—回流」的閉環關係後，再進入下一頁的例題、應用或總結。
### 課堂活動：多目標參數優化評估方案設計
*頁面 13*
> **頁面目標：** 學習者應通過實踐設計一個包含升力與阻力權衡的參數優化評估方案。
**講授要點**
- 升力與阻力是原始衝突目標，升阻比之類的複合指標只能用於解釋與展示。自檢方法：把複合指標拿掉，方案是否仍然能比較兩個候選的權衡得失？如果不能，說明原始目標被掩蓋了。
- 厚度、俯仰力矩這類工程約束一旦違反，方案即不可用；不要用加權把它軟化成可以互相抵消的分數。寫方案時逐條標註：這一條是硬約束還是軟偏好，並在結果裡匯報約束滿足情況。
- 評估結果的合格線是：一組覆蓋不同升阻權衡的候選 + 指標證據 + 約束滿足情況 + 不確定性說明 + 記錄（種子、預算、淘汰理由）。只交出一個「最優解」，通常意味着你已經替專家把取捨做完了。
頁面目標
本頁是一份課堂活動設計，任務是把「升力—阻力」這組相互拉扯的目標，轉化為一份可復現、可比較、可交給專家決策的多目標參數優化評估方案。活動重點不是讓模型直接給出一個最優答案，而是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、在什麼約束與預算下、按什麼規則留下候選。最終要把「衝突」寫成「可執行的評審規則」。
講解順序
產生候選 → 進入評估 → 按反饋比較收益、代價與約束 → 保留有效方案 → 記錄並進入下一輪。
目標與約束、六步評估閉環、輸出候選組與決策接口、可復現記錄。
升力與阻力是原始衝突目標，升阻比等複合指標只用於解釋展示。
候選要覆蓋不同升阻權衡區域；篩選結果不能只留一個最高分。
5. 給出交付物模板，並用常見誤區收束。
講授要點
目標A為最大化升力係數，目標B為最小化阻力係數，二者必須獨立成列。不要用升阻比替代它們，否則權衡會被一個比值提前「拍平」。
參數邊界、相對厚度、俯仰力矩範圍等通常設為硬約束，違反即淘汰；成本、工程可製造性等設為軟偏好，用於排序。寫方案時要逐條標註「硬約束」或「軟偏好」，並在結果中匯報約束滿足情況。
寫明仿真或代理模型調用次數、時間、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。
參數表示 → 候選生成 → 評估計算 → 指標匯總 → 方案比較 → 記錄歸檔。
初始採樣鋪開全局，擾動、交叉與變異做局部精細化，偏好引導在專家關注區域加密；要求候選分布在不同升阻權衡區域，避免整代塌縮到「高升力」或「低阻力」單一方向。
可採用 Pareto 非支配、加權和、閾值過濾、參考點或偏好排序；但輸出應是一組覆蓋不同權衡的候選，並附指標證據、約束滿足情況、候選差異和不確定性範圍，方便專家判斷。
把升力與阻力合成一個總分再取最大值，看似簡化，實際是用權重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」的判斷權留在評估接口之後。
一頁式評估方案模板，包括指標表（原始目標與輔助指標）、六步流程圖、候選生成規則、篩選規則、輸出候選組、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。
課堂活動
請學習者面向一個參數化對象（如翼型參數）設計簡要多目標評估方案，必須讓升力與阻力的權衡顯式可見。可按四塊填寫：①目標與約束；②評估閉環六步；③輸出候選組與決策接口；④可復現記錄。完成後讓小組互評：把複合指標拿掉，方案是否仍能比較兩個候選的權衡得失？硬約束是否被誤當成可加權抵消的分數？輸出是否只剩一個「最優解」？
練習處理
基礎判斷可圍繞以下要點講評：
最大化升力係數、最小化阻力係數；正確選項強調兩者獨立，升阻比只能輔助解釋。
2. 厚度與俯仰力矩範圍應設為硬約束，違反即淘汰；預算要預先寫明調用次數、時間、算力上限，不能因預算緊張而放寬硬約束。
3. 候選生成要包含初始全局採樣，再配合擾動、交叉變異與偏好引導，使候選分布多個權衡區域。
4. 方案比較應輸出一組覆蓋不同升阻權衡的非支配候選，並附分歧與依據；只保留加權和最高分或只列長排名都不符合活動要求。
5. 記錄歸檔至少要包含參數表示與邊界、指標定義、評估預算、隨機種子、篩選依據和淘汰理由，這樣下一輪才能判斷結果變化來自方案改變還是評估條件變化。
案例講評
超臨界翼型方案中，團隊按加權和排序只保留第一名，問題在於提前消解了升力與阻力的衝突，丟失 Pareto 多樣性，專家也看不到權衡區間。修改方向：改用 Pareto 非支配篩選，保留前沿上覆蓋不同權衡區域的若干候選；若保留加權和，則給出多組權重或參考點並記錄依據。若要讓第二輪繼承本輪結果，還要補充參數與邊界、指標單位、硬約束/軟偏好劃分、預算與實際調用次數、代理模型版本、隨機種子、篩選依據與淘汰理由；每個候選要附指標證據、約束滿足情況、不確定性範圍和候選差異說明，並提供專家權衡接口。
理解檢查
為什麼升阻比不能替代升力與阻力的獨立目標？硬約束為什麼不能參與加權抵消？候選組為什麼比單一最優解更適合交給專家？回答能聯繫指標、約束、預算、候選多樣性和記錄要求即可。
過渡提示
確認學習者能說清「原始衝突目標—硬約束/軟偏好—候選生成—多樣化輸出—可復現記錄」這條主線後，再進入下一頁的例題、應用或總結。
### 課堂活動復盤：權衡方案的合理性檢驗
*頁面 14*
> **頁面目標：** 學習者應理解如何檢驗和反思所設計的權衡評估方案是否科學有效。
> **頁面目標**
>
> 本頁是對課堂活動「多目標參數優化評估方案設計」的復盤，核心是檢驗所設計的權衡評估方案是否合理。學習者應能識別被遺漏的關鍵指標與目標衝突，並明確參數配置的調整方向，使方案貼近真實工程決策需求。
> **講解順序**
>
> 建議先明確復盤的第一性問題是「方案是否刻畫了真實決策」，然後按七項維度展開：①目標覆蓋 ②衝突與冗餘 ③約束與偏好 ④參數配置 ⑤代理模型 ⑥候選多樣性 ⑦專家支持；接着對照復盤診斷導出調整方向；最後用可比較、可取捨、可復現三條標準判定方案是否合格。
**講授要點**
- 目標、約束與偏好不完整時，任何參數調優都只是在錯誤的模型上做精化。決策者真正在意的量（性能、成本、可靠性、可製造性）是否都已進入方案？硬限制是否寫成約束？偏好是否以權重或參考點顯式表達？ 此消彼長是衝突，應作為多目標保留，並用權重或參考點表達偏好
- 同向變化且信息重疊是冗餘，應合併或刪除其一，避免同一訴求被重複計權。判斷口訣：看方向，也看是否重複計權。同時檢查是否有約束被誤當作目標。 種群規模與候選數量是否覆蓋權衡區間
- 迭代預算是否與代理模型精度匹配
- 變異、交叉、選擇壓力是否讓探索與利用失衡
- 採樣策略是否把仿真預算投向信息量大的區域。任何錯配都會表現為「結果有，但不可用」。 多樣性不足→擴大種群規模與候選輸出組
- 收斂過快→降低選擇壓力、上調變異強度、放寬精英保留
- 評估成本過高→提升代理模型精度、優化加點與採樣策略
- 偏好偏離→修正權重或移動參考點
- 指標遺漏或衝突→補充指標、把此消彼長的關係保留為多目標結構。 可比較——領域專家能在候選間看清取捨
- 可取捨——能依據偏好從前沿中選出方案
- 可復現——參數、隨機種子與流程記錄完整。最終產出應是兼顧各項指標的多樣化候選，而非單一「最優解」。 超臨界翼型設計復盤。若只關注升阻比而遺漏結構強度或製造成本，應先補齊指標，把衝突顯式保留為多目標
- 再將評估預算、種群規模、候選輸出數量列入參數調整清單
- 最後用「前沿是否更寬、專家能否比較取捨、結果能否復現」驗證調整是否奏效。
**關鍵詞覆蓋**
- 覆蓋性檢查、目標覆蓋、衝突與冗餘、多目標保留、權重/參考點、種群規模、選擇壓力、變異強度、代理模型、採樣策略、權衡前沿、可比較、可取捨、可復現。
> **練習線索**
>
> - 檢查目標、約束與偏好是否完整，優先發現被遺漏的關鍵指標。解析：指標遺漏會系統性扭曲後續所有權衡，必須先做覆蓋性檢查，再討論參數調整。 兩項指標同向變化、信息高度重疊，如何處理？答案：屬於冗餘度量，應合併或刪除其一，避免權重被重複放大。解析：衝突是此消彼長，冗餘是同向且信息重疊
> - 冗餘會導致同一訴求被重複計權。 優化在很少迭代內收斂，候選高度相似，最匹配的參數調整？答案：擴大種群規模與候選輸出組，並上調變異強度、降低選擇壓力。解析：收斂過快通常是選擇壓力過大、變異不足導致多樣性塌縮。 面對升阻比與結構強度這類真實衝突，應如何處理？答案：作為多目標保留，用權重或參考點體現偏好，並輸出權衡前沿供專家取捨。解析：真實衝突不應被單目標化掩蓋，保留多目標並顯式表達偏好才能支持決策。 高保真仿真評估成本過高，迭代預算不足，最合理的調整？答案：提升代理模型精度並優化採樣策略，把預算集中在信息量大的區域。解析：應讓代理模型與採樣策略承擔評估成本，而非犧牲探索規模或改寫問題定義。 超臨界翼型設計復盤。問題1：指出目標覆蓋—衝突/冗餘—約束與偏好的問題。參考要點：指標遺漏（結構強度、製造成本）
> - 衝突未顯式處理（升阻比與結構強度）
> - 約束與偏好未顯式化（幾何、工藝、安全裕度）
> - 擴大種群規模至100以上、候選輸出20~50個
> - 降低選擇壓力、上調變異強度
> - 提升代理精度、改進採樣（如不確定性加點）
> - 修正權重或移動參考點
> - 候選覆蓋更寬、擁擠度下降、前沿覆蓋度與分布質量提升、代理誤差下降、專家能明確比較取捨、結果可復現。
**理解檢查**
隨機請學生用自己的話總結本頁重點，授課者根據回答補充遺漏的關鍵詞。可追問：「如果目標集合本身不完整，後續參數調優會怎樣？」引導學生說出「只是在錯誤的模型上做優化」。
> **過渡提示**
>
> 確認學生能說出「先覆蓋性檢查，再參數調整」以及「衝突保留多目標、冗餘合併刪除」後，再進入下一頁的例題、應用或總結。
> **素材線索**
>
> - 本頁配有「方案合理性檢驗檢查表」示意圖，左側列出七項檢驗維度，右側對應調整方向，底部給出預期驗證證據。講解時可對照該圖逐步展開。
### 本課核心概念回顧
*頁面 15*
> **頁面目標：** 學習者應系統梳理本課涉及的多目標權衡、代理模型與超臨界翼型案例。
> **頁面目標**
>
> 幫助學習者系統回顧本課三大核心概念——多目標權衡、代理模型降本與超臨界翼型多目標實踐，並能把「衝突—非支配候選—偏好決策」這條主線串起來。
> **講解順序**
>
> 先點明本頁是收束頁，本課主線是演化計算提供不預先指定唯一答案的求解路徑，依靠群體候選並行生成與多樣性來應對目標衝突和複雜約束。隨後用三條主線複習：一是目標衝突與 Pareto 權衡；二是代理模型降本與驗證；三是多候選方案組與專家決策。最後用案例和記憶鏈把知識落到工程閉環。
**講授要點**
- 真實工程中巡航效率、結構厚度、操穩約束常互相牽制。不要過早加權壓縮成單一目標，否則會隱藏衝突、固化偏好、丟失權衡信息。保留 Pareto 候選，才能讓後續決策有迴旋餘地。 當高保真 CFD、風洞或實驗單次評估代價高昂，而搜索需要大量評估時，代理模型以近似換速度，加速搜索、篩選和敏感性分析。但它的可信度來自獨立驗證樣本、誤差評估和不確定性量化
- 訓練集擬合精度不能直接證明泛化可靠。 基礎翼型擾動→代理輔助搜索→多樣化候選輸出→專家評估決策構成閉環。重點不是唯一答案，而是產出可比較、可解釋、可決策的方案組。專家依據任務偏好和約束做取捨，新樣本再回灌更新代理模型。 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
- 保留候選組後，可在巡航效率、結構厚度與操穩約束之間按任務偏好權衡，也便於應對偏好變化、魯棒性比較和決策追溯。 樣本/仿真 → 代理模型 → 多目標搜索 → 候選評估 → 偏好決策 → 新樣本回灌。可讓學生複述每一步並補一句「它為什麼必要」。
**練習處理**
本頁選擇題可用於快速檢查。第1題應選「過早壓縮會隱藏目標間衝突，縮小可權衡的設計空間」，強調多目標方法顯式保留非支配關係；第2題應選「高保真仿真或風洞單次評估代價高昂、而搜索需要大量評估時」，強調代理模型的價值取決於評估代價和次數；第3題應選「用獨立驗證樣本評估預測誤差，並對預測不確定性進行量化與監控」，強調泛化與可信度；第4題應選「基礎翼型擾動→代理輔助搜索→多樣化候選輸出→專家評估決策」，強調閉環產出方案組；
第5題應選「支持偏好變化、魯棒性比較與決策追溯，降低單一路徑鎖定風險」，強調候選組保留權衡空間。
一是不直接做單一加權高保真優化，而先建代理模型並保留 Pareto 候選組，原因是「降本」和「保留權衡空間」；二是若代理模型局部偏差大，應先用獨立驗證樣本定位高誤差或高不確定性區域，再對入選候選補充高保真校核，必要時自適應採樣，最後檢查 Pareto 前沿在驗證數據下是否仍保持非支配關係。
**理解檢查**
請學生用自己的話說清「為什麼保留候選組而不是只留一個最優解」，並解釋代理模型為什麼必須驗證。若學生只能背詞，可追問「衝突 → 非支配候選 → 偏好決策」中每一步的作用。
> **過渡提示**
>
> 確認學生能說出本頁三條主線及其閉環關係後，再進入下一頁的總結、應用或新主題。
### 總結與展望：真實複雜世界中的科研價值
*頁面 16*
> **頁面目標：** 學習者應領會保留多樣化可用方案在應對現實複雜性時的深遠科研價值。
> **頁面目標**
>
> 真實工程與物理世界中的科研價值，不在於用單一算法快速收斂到一個「最優答案」，而在於把多目標衝突、物理約束與稀疏反饋轉化為一個可持續探索的問題過程。EvoX 與 AI Native 實踐的核心思路，是通過生成並保留多樣化可用方案，為後續權衡、決策與方法演進提供空間。
> **講解順序**
>
> 1. 先從左側的「真實複雜世界」切入，說明多目標衝突、物理約束、稀疏反饋是常態，而不是例外。
>
> 2. 解釋為什麼單目標最優會丟失關鍵信息。可用超臨界翼型設計為例：升阻比、阻力發散特性、結構厚度等目標相互牽制，提高升阻比可能犧牲阻力發散性能或增加結構厚度。若只追求單目標最優，就會丟失權衡關係，面對新約束或偏好變化時缺少調整餘地。
>
> 不應只是單個解，而應是一個包含多種權衡關係的候選方案組。藉助 EvoX 可以並行生成大量候選翼型，並通過代理模型在仿真成本高昂時輔助評估，從而覆蓋不同偏好與約束。
>
> 支撐領域專家決策；降低早期錯誤收斂風險；為後續問題重構與持續演化保留可能性。
>
> AI Native 科研的方向，是把「選擇算法求答案」推進為「設計可復用、可驗證、可繼承的探索過程」，讓真實複雜性成為方法創新的來源。
**講授要點**
- 真實問題中目標往往相互牽制，不要習慣性尋找唯一最優解，而要先問：我是否忽略了某些權衡關係？ 演化探索應輸出一組包含不同權衡關係的候選方案。多樣化方案組能覆蓋更多偏好與約束，為專家決策和後續演化保留空間。 左側是真實複雜世界，中間是 EvoX 驅動探索，右側是科研價值
- 底部還有「持續演化反饋」迴路，體現探索過程不是一次性結束，而是可積累、可繼承的。 真實複雜世界中的科研價值，在於把多目標衝突、物理約束和稀疏反饋轉化為可持續探索的問題過程
- EvoX 與 AI Native 實踐通過生成並保留多樣化可用方案，為後續權衡、決策與方法演進提供空間。 練習線索與處理： 選擇題圍繞「核心概念」「翼型設計展示的科研探索價值」「保留多樣化可用方案的長期意義」等展開。正確答案應指向：保留多樣化可用方案在應對現實複雜性時具有深遠科研價值。若學生答錯，引導其回到本頁講解，找出關鍵證據或例子後再判斷
- 若答對，肯定其能聯繫本頁概念並說明依據。 第一問，多目標衝突體現在升阻比、阻力發散特性、結構厚度等目標存在衝突，例如提高升阻比可能以增加結構厚度或犧牲阻力發散性能為代價。第二問，多樣化候選方案組覆蓋不同偏好與約束，便於專家評估取捨，同時降低早期錯誤收斂風險，並為後續問題重構、約束變化或方法演進保留可繼承的探索空間。 正確時可以說「這個回答能聯繫本頁概念，並說明依據」
- 不完整時可以說「請回到本頁講解，找出關鍵證據或例子後再判斷」。
**理解檢查**
為什麼保留多樣化可用方案比只輸出單個最優解更有科研價值？要求至少聯繫一個本頁例子（超臨界翼型設計）和一個長期意義（支撐專家決策或持續演化）。若學生只能複述術語，追問其能否舉例說明「多目標衝突」與「候選方案組」之間的關係。
> **過渡提示**
>
> 確認學生能說出「多目標衝突—候選方案組—科研價值」之間的關係後，再進入下一頁或課程總結。