Multi-objective Optimization in Sports Equipment Design Using Expected Hypervolume Improvement: A Discus and a Race Car Rear Wing

想象一下你正在尝试设计完美的运动器材，但你遇到了一个棘手的难题：你想让它速度更快，但同时也希望它更稳定。或者，你想让赛车向下压向赛道以获得更好的抓地力，但又不想因为过大的空气阻力而减慢赛车的速度。

在工程学领域，这些被称为竞争性目标（competing goals）。通常情况下，提升其中一项指标会使另一项指标变差。这篇论文介绍了一种名为**期望超体积改进（Expected Hypervolume Improvement, EHVI）**的智能计算机方法，它能帮助工程师找到那些“甜点”（sweet spots），即在这些点上，他们可以在相互冲突的目标之间找到最佳平衡，而无需建造和测试数千个物理原型。

以下是研究人员所做的工作及其发现的简单拆解：

问题所在：选择太多，测试太少

想象一下你是一位正在尝试制作完美汤品的厨师。你希望汤品同时具备咸、辣、甜三种味道。如果你只是随机尝试盐、胡椒和糖的用量，在找到完美的配方之前，你可能会浪费大量的食材。

在运动工程中，“食材”是设计特征（如铁饼的形状或赛车尾翼的角度），而“品尝”则是运行昂贵的计算机模拟。研究人员想要寻找一种方法，来挑选下一个最值得测试的设计，从而尽可能快地找到最好的“配方”（设计）。

解决方案：“智能侦察兵”（EHVI）

研究人员使用了一种称为期望超体积改进的方法。你可以把这种方法想象成一个在广阔且大雾弥漫的山脉中工作的智能侦察兵。

• 山脉： 代表了所有可能的设计。
• 大雾： 代表了不确定性。在测试一个新设计之前，你并不确切知道它的表现如何。
• 目标： 侦察兵想要找到“帕累托前沿”（Pareto Frontier）。在我们的汤品类比中，这就是指那些当你无法在不降低辣度的前提下增加咸度时，所能达到的最佳配方组合。这些是“最佳可能的”权衡方案。

这个智能侦察兵不仅仅是在寻找单一的最高峰。相反，它在寻找那些“探索一个新地点最有可能揭示出我们尚未见到的、更优越的新地图部分”的区域。它通过计算探索一个新地点所带来的“期望值”，来观察是否能扩展我们对最佳设计的认知。

两个实验

团队将这个“智能侦察兵”测试在两个截然不同的运动装备上：

1. 铁饼（飞行的圆盘）

• 目标： 让铁饼飞得尽可能远，同时确保即使投掷者的出手不够完美，铁饼也能飞行得非常稳定。
• 变量： 他们调整了四个参数：整体尺寸、中心尺寸、厚度以及金属圈的大小。
• 结果： 智能侦察兵表现得非常出色。它找到了 81% 的最佳设计。
• 重大发现： 他们发现金属圈的大小是最重要的因素。可以把金属圈想象成飞盘的边缘。特定尺寸的金属圈有助于铁饼在空中停留更久，因为它延迟了空气“脱离”铁饼（失速）的时刻，从而让铁饼飞得更远。

2. 赛车后尾翼（下压力发生器）

• 目标： 让尾翼将赛车向下压（以获得抓地力），同时减少空气阻力（拖拽力），并保持赛车的稳定性。这是一个三方拉锯战。
• 变量： 他们调整了七个变量，包括尾翼在不同位置的形状以及角度（即尾翼倾斜的角度）。
• 结果： 智能侦察兵在这里的表现稍逊一筹，仅找到了 42% 的最佳设计。
• 重大发现： 尾翼的角度是最关键的因素。
  • 为了获得最小的阻力，尾翼几乎是平铺的，与赛车背部的坡度相匹配。
  • 为了获得最大的抓地力（下压力），尾翼则大幅向上倾斜（约 40 度）。
  • 尾翼的形状也发生了变化：为了获得最大抓地力，尾翼的中部会变窄；而为了低阻力，尾翼则会变宽。

潜在问题：“中间孩子”问题

虽然该方法很有效，但研究人员注意到一个有趣的现象。该“智能侦察兵”倾向于选择那些处于选项中间的设计。

想象你在寻找沙滩上最好的位置。侦察兵总是挑选那些“还可以”且“平庸”的位置，却忽略了那些极端的地点——比如非常湿润、非常多沙的边缘，或是非常干燥、多石的高处。

论文得出结论，虽然这种方法擅长寻找良好的平衡设计，但有时难以找到极端的设计（即那些速度极快但极不稳定，或者极其稳定但速度极慢的设计）。它有时也会错过多样性的选择，将过多的选择聚集在中心区域。

总结

研究人员构建了一个作为“智能侦察兵”的计算机工具，旨在帮助设计运动器材。它成功找到了铁饼和赛车尾翼的最佳权衡方案，并识别出金属圈大小对铁饼至关重要，而尾翼角度对赛车至关重要。然而，该工具更偏好“稳健、中规中矩”的方案，有时会错过存在于可能性边缘的那些“狂野、极端”的设计。