真實世界問題的多維衝突與權衡

真實世界的最佳化任務很少長成教科書裡的樣子：目標單一、限制清晰、存在一個可以寫下來的最佳解。工程與研究中的常態是，多個目標彼此牽制、彼此衝突——壓縮充電時間往往折損循環壽命，提高氣動性能常常推高阻力，放大評測規模就要付出成本與延遲。改善任何一個指標，通常都要在另一個指標上讓步，因此不存在全域意義上「免費的最佳」。這正是 EvoX 面向真實任務時的定位：不是儘早交出一個「唯一答案」，而是沿不同偏好方向並行探索，保留一組差異化的候選方案，把最終取捨交還給領域專家與真實限制。

一、衝突性：目標之間往往不可兼得

• 指標之間存在真實的折衷關係：提升升力常伴隨阻力上升，減薄翼型有利於氣動卻削弱結構強度。
• 「最佳」必須附帶偏好說明：同一組候選方案，在偏重成本與偏重安全的兩套偏好下會給出不同的推薦結果。
• 更準確的表述不是「找到最佳解」，而是「在給定偏好下找到可接受且可解釋的權衡解」。

二、解不是一個點，而是一組權衡解

多目標問題的解集合稱為 帕雷托前沿：前沿上的每個點都代表一種合理的偏好取向，在不再惡化其他目標的前提下無法繼續改進任一目標。前沿上的解彼此不支配，沒有絕對排名，只有「在什麼偏好下更合適」。

三、探索優先於收斂

• 過早收窄到單一解，會遺失方案空間的結構資訊，使系統無法回答「如果限制變了，還有哪些備選」。
• 應維持族群多樣性，讓不同偏好方向同時被取樣與評估，避免所有個體崩塌到前沿的一個狹窄區域。
• 差異化的價值在於回應變化：當工程限制、成本或風險發生調整時，決策者能夠快速切換備選，而不必重新求解。

要讓這種「沿多方向展開」真正跑得動，需要相稱的運算底座。EvoX 將候選、評價結果與演算法狀態組織為可整體計算的張量，使變異、評價與狀態更新作為整體進入計算圖接受編譯最佳化；Runtime 排程器再把批次計算分發到 GPU、加速裝置或分散式叢集。正因為張量化並行提供了高吞吐量的批次評估，維持大族群、覆蓋整條前沿才是工程上可行的選擇，而不是被串行評價的開銷壓垮。

四、回饋稀疏、評估代價高昂

真實評估來自模擬、台架試驗或試製，單次代價高、訊號稀疏（可能只有通過／不通過，或帶雜訊的少量指標）。這要求把有限預算花在能夠擴展權衡空間的區域：用代理模型替代部分高保真評估，把額度投向不確定性高、又可能改善前沿覆蓋的候選方案，並在整個前沿範圍內保持取樣廣度，而不是只圍著當前的「最佳解」反覆精修。

五、決策權歸屬

演算法負責展開權衡空間，並提供可比的候選集合；人類專家負責依據場景偏好、法規與商業限制做出最終裁決。兩者不可互相替代：演算法替代不了對偏好與風險的判斷，專家也無法手工窮舉權衡空間的廣度。