演化多樣性與計算規模挑戰

只有當問題僅有一個目標時，我們才可以說「找到一個最佳解」。真實工程問題幾乎從不如此：提高升力往往伴隨阻力上升，提升精度往往伴隨成本與延遲增加。多目標衝突使得「好答案」不再是一個點，而是一整組彼此不可替代的權衡解——它們共同構成 Pareto 前沿。

從「單點最佳」到「權衡解集」

把兩個同時需要最佳化的目標記為 f₁（例如阻力、成本、時延）與 f₂（例如結構重量、能耗）。若解 A 在所有目標上都不比解 B 差，並且至少在一個目標上嚴格更優，就稱 A 支配 B；被支配的解沒有保留價值。反過來，當兩個解誰也無法支配誰時，它們互不支配，兩者都可能留在最終結果中。所有互不支配的解就構成 Pareto 前沿。

圖上前沿的每個位置都對應一種「偏向」：越靠左上，越偏向把 f₁ 壓低而接受更大的 f₂；越靠右下則相反。決策者真正需要的是整條前沿所代表的取捨空間，而不是演算法替他挑出的某一個點。

多樣性：為什麼必須保留「彼此不同」的候選

• 方向覆蓋：只有沿不同權衡方向同時搜尋，才能把前沿的左上端、中段與右下端都填滿，避免所有候選擠在同一個角落。
• 差異保留：多樣性不僅要求「多」，更要求「不同」。兩個幾乎相同的候選對決策者而言等價於一個，無法提供新的權衡資訊。
• 決策價值：真實偏好往往在事後才明確。保留一組有差異的候選，可以讓「調整偏好權重後重新選擇」幾乎以零成本完成。

計算規模挑戰：多樣性不是免費的

多樣性越強，需要搜尋的空間覆蓋越廣、種群規模越大、需要評價的候選個體總數也越多。一旦目標評價依賴高保真模擬——例如一次超臨界翼型的高精度氣動計算可能耗時數小時——單次評價成本就會被放大成整個流程的主要瓶頸。

由此出現一個結構性張力：更寬的前沿覆蓋要求更多候選與更多評價，而昂貴的評價又限制了可承擔的規模。常見應對思路包括：用代理模型替代大部分高保真評價；把有限的高保真預算優先分配給最能擴展前沿覆蓋的候選；以及重新分配種群規模與迭代代數之間的預算比例。