真实世界的复杂性与多目标冲突

在真实世界的 AI 系统工程中，我们几乎不会遇到只有一个目标的问题。提高模型精度往往增加推理时延与算力成本；增强鲁棒性可能牺牲峰值性能；降低能耗又可能限制模型容量。这些目标相互牵制、不可完全公度，因而不存在唯一最优解，只存在一组不可支配的权衡解——即逼近 Pareto 前沿。

核心概念

• 多目标牵制：一个目标改善往往导致另一个目标退化，目标之间不可完全公度。
• 约束复杂：硬约束与软约束并存，叠加不确定性与动态环境，共同压缩可行域，使单点最优假设失效。
• 唯一最优解通常不存在：单目标标量化或单点搜索难以表达真实决策空间。
• 输出应是方案组：需要保留多样化候选，提供可比较的权衡边界与偏好选择空间。
• 演化计算优势：通过种群并行探索与多样性保持，同时逼近多个权衡解，适配冲突目标与复杂约束。

演化计算为何适合

演化计算不依赖目标函数的梯度或可微性，而是通过种群在目标空间中并行搜索。种群中的每个个体代表一个候选方案，非支配排序与拥挤距离等机制在逼近 Pareto 前沿的同时维持解的多样性。这样，决策者可以在最后阶段根据场景偏好，从前沿上选择不同权衡方案，而不是在优化之前就锁定一个先验权重。