本课核心概念回顾

本课的主线是人工智能多条路线——符号主义、连接主义、控制论与演化计算——的重新汇合，其中演化计算提供了一条不预先指定唯一答案的求解路径：它以变异与选择为启发，让群体候选并行生成与评价，并用多样性去应对目标冲突与复杂约束。本页在这一背景下收束核心概念：超临界翼型设计的多目标实践——真实工程优化追求的不是某个单点最优，而是在多目标冲突下保留一组可比较、可解释、可决策的候选方案。其技术主线可以概括为：用代理模型降低高昂的仿真成本，用多目标搜索保留权衡空间，最后由领域专家依据偏好与约束完成决策。

三条核心主线

• 目标冲突与 Pareto 权衡：先识别目标之间的冲突与非支配关系，避免过早把多个指标压缩为单一目标；以 Pareto 候选保留权衡空间，让后续决策有回旋余地。
• 代理模型降本与验证：当高保真仿真、风洞或实验代价高昂时，用近似模型加速搜索、筛选与敏感性分析；同时必须用独立验证样本与不确定性控制来守住可信度。
• 多候选方案组与专家决策：基础翼型扰动、代理辅助搜索、多样化候选输出与专家评估构成闭环。重点不是唯一答案，而是可比较、可解释、可决策的方案组。

案例启示：为什么保留候选组

在超临界翼型设计中，若只优化升阻比，可能得到阻力发散特性或俯仰力矩不可接受的方案；保留 Pareto 候选组后，可以在巡航效率、结构厚度与操稳约束之间按任务偏好进行权衡选择。多候选探索还支持偏好变化、鲁棒性比较与决策追溯，降低单一路径锁定的风险，并回应复杂工程中普遍存在的目标冲突与稀疏反馈；在大规模并行的工程底座（如 GPU 加速的批量仿真与评价）之上，这一闭环才具备真正的可执行性。