Pymoo - Python 多目标优化框架

技能概述

Pymoo 是一个专注于多目标优化的 Python 框架，提供 NSGA-II、NSGA-III、MOEA/D 等先进进化算法，帮助您高效求解单目标和多目标优化问题，并分析帕累托前沿权衡方案。

适用场景

1. 工程设计与优化

当您需要解决工程设计中的多目标权衡问题时，如结构设计、参数优化、资源分配等场景，Pymoo 能够帮您找到最优的设计方案组合，平衡成本、性能、可靠性等相互冲突的指标。

2. 算法研究与基准测试

如果您是研究人员或学生，需要实现、测试或对比不同的进化算法，Pymoo 提供了完整的 ZDT、DTLZ、WFG 等标准测试问题集，并支持灵活的遗传算子定制，让算法研究更加高效。

3. 数据科学与机器学习优化

在机器学习超参数调优、模型选择、特征工程等需要同时优化多个指标（如准确率、模型复杂度、训练时间）的场景中，Pymoo 的多目标优化能力可以帮助您找到最佳的模型配置。

核心功能

1. 丰富的优化算法库

Pymoo 集成了主流的进化算法，包括单目标优化的 GA、DE、PSO、CMA-ES，以及多目标优化的 NSGA-II、NSGA-III、MOEA/D、SPEA2 等，覆盖从简单到复杂的各种优化场景，无需从零实现算法。

2. 灵活的问题定义

支持通过 ElementwiseProblem、FunctionalProblem 或直接继承 Problem 类来定义优化问题，可处理连续、整数、二进制、混合变量，以及带约束（不等式和等式约束）的优化问题，满足不同领域的需求。

3. 完整的分析与可视化工具

内置帕累托前沿可视化、散点图、平行坐标图、花瓣图等多种可视化方法，以及多准则决策（MCDM）工具（伪权重、妥协规划、膝点选择），帮助您理解和选择最优解。

常见问题

Pymoo 是什么？主要用于解决什么问题？

Pymoo 是一个基于 Python 的多目标优化框架，专注于使用进化算法（如 NSGA-II、NSGA-III、MOEA/D）求解单目标和多目标优化问题。它特别适合处理具有相互冲突目标的工程设计问题，能够找到帕累托最优解集，帮助决策者在不同目标之间进行权衡。当前稳定版本为 0.6.1.6。

如何在 Pymoo 中选择合适的算法？

算法选择取决于问题类型：对于 2-3 个目标的多目标问题，推荐使用 NSGA-II（标准且可靠）；对于 4+ 个目标的"多目标"问题，应选择 NSGA-III（需要提供参考方向）；对于单目标问题，GA、DE、PSO、CMA-ES 都是不错的选择；对于约束较多的问题，可以考虑 SRES 或使用惩罚法。

如何定义自己的优化问题？

有三种方式定义问题：1）继承 ElementwiseProblem 类（推荐用于自定义问题）；2）使用 FunctionalProblem 直接传入目标函数和约束函数；3）继承 Problem 类（向量化评估）。定义时需要指定变量维度、目标数量、变量边界，并实现 _evaluate 方法返回目标值和约束违反程度。