真实世界问题的多维冲突与权衡

真实世界的优化任务很少长成教科书里的样子：目标单一、约束清晰、存在一个可以写下来的最优解。工程与研究中的常态是，多个目标彼此牵制、彼此冲突——压缩充电时间往往折损循环寿命，提高气动性能常常推高阻力，放大评测量级就要付出成本与延迟。改善任何一个指标，通常都要在另一个指标上让步，因此不存在全局意义上“免费的最优”。这正是 EvoX 面向真实任务时的定位：不是尽早交出一个“唯一答案”，而是沿不同偏好方向并行探索，保留一组差异化的候选方案，把最终取舍交还给领域专家与真实约束。

一、冲突性：目标之间往往不可兼得

• 指标之间存在真实的折中关系：提升升力常伴随阻力上升，减薄翼型有利于气动却削弱结构强度。
• “最优”必须附带偏好说明：同一组候选方案，在偏重成本与偏重安全的两套偏好下会给出不同的推荐结果。
• 更准确的表述不是“找到最优解”，而是“在给定偏好下找到可接受且可解释的权衡解”。

二、解不是一个点，而是一组权衡解

多目标问题的解集合称为 帕累托前沿：前沿上的每个点都代表一种合理的偏好取向，在不再恶化其他目标的前提下无法继续改进任一目标。前沿上的解彼此不支配，没有绝对排名，只有“在什么偏好下更合适”。

三、探索优先于收敛

• 过早收窄到单一解，会丢失方案空间的结构信息，使系统无法回答“如果约束变了，还有哪些备选”。
• 应维持种群多样性，让不同偏好方向同时被采样与评估，避免所有个体塌缩到前沿的一个狭窄区域。
• 差异化的价值在于响应变化：当工程约束、成本或风险发生调整时，决策者能够快速切换备选，而不必重新求解。

要让这种“沿多方向展开”真正跑得动，需要相称的计算底座。EvoX 将候选、评价结果与算法状态组织为可整体计算的张量，使变异、评价与状态更新作为整体进入计算图接受编译优化；Runtime 调度器再把批量计算分发到 GPU、加速设备或分布式集群。正因为张量化并行提供了高吞吐的批量评估，维持大种群、覆盖整条前沿才是工程上可行的选择，而不是被串行评价的开销压垮。

四、反馈稀疏、评估代价高昂

真实评估来自仿真、台架试验或试制，单次代价高、信号稀疏（可能只有通过/不通过，或带噪的少量指标）。这要求把有限预算花在能够扩展权衡空间的区域：用代理模型替代部分高保真评估，把额度投向不确定性高、又可能改善前沿覆盖的候选方案，并在整个前沿范围内保持采样广度，而不是只围着当前的“最优解”反复精修。

五、决策权归属

算法负责展开权衡空间，并提供可比的候选集合；人类专家负责依据场景偏好、法规与商业约束做出最终裁决。两者不可互相替代：算法替代不了对偏好与风险的判断，专家也无法手工穷举权衡空间的广度。