多目标优化与多解探索

真实工程几乎没有“唯一最优解”。以超临界翼型设计为例：升阻比、结构强度、失速裕度与制造/仿真成本相互牵制，提高升阻比往往意味着结构载荷与制造成本同步上升。这类问题的正确提法是：多目标优化要刻画的不是某一个点，而是在多个彼此牵制的目标之间刻画并逼近一条 Pareto 前沿，并保留一组取向不同、各有取舍的候选方案，把最终的价值判断交给后续的偏好或领域专家。

一、先确认：这真的是一个多目标问题吗

多解探索的前提是“目标之间确实冲突”。如果所有目标能够被无损地同时改进，问题就退化为单目标，多解探索既无必要，也会白耗算力。判断依据不是“目标个数大于 1”，而是：改善其中一个目标，是否必然以另一个目标的退化为代价。方向相反、此消彼长，才构成真正的多目标。

二、Pareto 支配与 Pareto 前沿

核心判据是 Pareto 支配：解 A 支配解 B，当且仅当 A 在所有目标上都不劣于 B（对每个目标 i 都有 fᵢ(A) ≤ fᵢ(B)），且至少在一个目标上严格更优（存在 j 使 fⱼ(A) < fⱼ(B)）。任何一个被支配的解，都存在一个“至少一样好、某处更好”的替代者，因此没有保留价值。所有不被任何解支配的解构成 Pareto 前沿——前沿上的解彼此互不支配，谁更合适取决于偏好，而不取决于数学。

三、单目标化的代价

加权求和、ε-约束等标量化方法把向量目标压成一个标量，工程上方便，代价却很具体：
· 掩盖权衡结构——权重一旦固定，前沿的形状与备选方向就不可见，决策者只能看到一个分数。
· 权重必须事先给定——而真实偏好常常无法事先形式化，往往要到评审阶段才逐步清晰。
· 覆盖受限——加权求和通常只能取到前沿上的个别触点，非凸前沿的部分区段难以达到。
一旦后续审查改变权重，整个搜索就得重跑，这恰恰是“一次探索换多次决策自由”的反面。

四、评价是二维的：收敛性与多样性

多目标解集的质量必须同时看两件事：收敛性（解集是否逼近真实前沿）与多样性（解是否覆盖前沿的不同区段）。二者常常互相拉扯：选择压力一旦过度偏向“更好”，种群就会坍缩到前沿的某一点或某一小段，看起来收敛很快，却把权衡信息丢掉了。因此需要显式维持种群多样性，并配合拥挤度、分解、指标驱动（如超体积）等选择压力。

五、工程含义：决策位置发生转移

多目标的工程含义是分工的改变：优化器只负责产出可比较的候选组，最终选型由偏好或领域专家完成，优化器不应替决策者过早收敛。保留差异化候选组的现实理由是“对冲”——当偏好未知、会随情境变化，或约束会在落地阶段被修正时，多样化的方案组比单一“最优解”更有价值。这与“候选修改必须通过编译、测试与验收才被接纳”的沉淀机制一脉相承：先把一组候选保留下来，再让验证与偏好决定谁进入最终版本。