演化多样性与计算规模挑战

当问题只有一个目标时，我们才可以说“找到一个最优解”。真实工程问题几乎从不如此：提高升力往往带来阻力上升，提升精度往往带来成本与延迟增加。多目标冲突使得“好答案”不再是一个点，而是一整组彼此不可替代的权衡解——它们共同构成 Pareto 前沿。

从“单点最优”到“权衡解集”

把两个同时需要优化的目标记为 f₁（例如阻力、成本、时延）与 f₂（例如结构重量、能耗）。若解 A 在所有目标上都不比解 B 差，并且至少在一个目标上严格更优，就称 A 支配 B；被支配的解没有保留价值。反过来，当两个解谁也无法支配谁时，它们互不支配，二者都可能留在最终结果中。所有互不支配的解就构成 Pareto 前沿。

图上前沿的每个位置都对应一种“偏向”：越靠左上，越偏向把 f₁ 压低而接受更大的 f₂；越靠右下则相反。决策者真正需要的是整条前沿所代表的取舍空间，而不是算法替他挑出的某一个点。

多样性：为什么必须保留“彼此不同”的候选

• 方向覆盖：只有沿不同权衡方向同时搜索，才能把前沿的左上端、中段与右下端都填满，避免所有候选挤在同一个角落。
• 差异保留：多样性不仅要求“多”，更要求“不同”。两个几乎相同的候选对决策者等价于一个，无法提供新的权衡信息。
• 决策价值：真实偏好往往在事后才明确。保留一组有差异的候选，可以让“调整偏好权重后重新选择”几乎零成本完成。

计算规模挑战：多样性不是免费的

多样性越强，需要搜索的空间覆盖越广、种群规模越大、需要评价的候选个体总数也越多。一旦目标评价依赖高保真仿真——例如一次超临界翼型的高精度气动计算可能耗时数小时——单次评价成本就会被放大成整个流程的主瓶颈。

由此出现一个结构性张力：更宽的前沿覆盖要求更多候选与更多评价，而昂贵的评价又限制了可承担的规模。常见应对思路包括：用代理模型替代大部分高保真评价；把有限的高保真预算优先分配给最能扩展前沿覆盖的候选；以及重新分配种群规模与迭代代数之间的预算比例。