名称: pymoo 描述: “多目标优化框架。 NSGA-II、NSGA-III、MOEA/D、Pareto前沿、约束处理、基准测试问题（ZDT、DTLZ），适用于工程设计和优化问题。”

Pymoo - Python中的多目标优化

概述

Pymoo是一个全面的Python优化框架，专注于多目标问题。使用最先进的算法（NSGA-II/III、MOEA/D）、基准测试问题（ZDT、DTLZ）、可定制的遗传算子和多标准决策方法，解决单目标和多目标优化。擅长为具有冲突目标的问题找到权衡解决方案（Pareto前沿）。

何时使用此技能

此技能应在以下情况下使用：

解决具有一个或多个目标的优化问题
寻找Pareto最优解决方案并分析权衡
实现进化算法（GA、DE、PSO、NSGA-II/III）
处理约束优化问题
在标准测试问题（ZDT、DTLZ、WFG）上基准测试算法
定制遗传算子（交叉、变异、选择）
可视化高维优化结果
从多个竞争解决方案中做出决策
处理二进制、离散、连续或混合变量问题

核心概念

统一接口

Pymoo对所有优化任务使用一致的minimize()函数：

from pymoo.optimize import minimize

result = minimize(
    problem,        # 要优化什么
    algorithm,      # 如何优化
    termination,    # 何时停止
    seed=1,
    verbose=True
)

结果对象包含：

result.X：最优解决方案的决策变量
result.F：最优解决方案的目标值
result.G：约束违反情况（如果有约束）
result.algorithm：包含历史的算法对象

问题类型

单目标： 一个要最小化/最大化的目标 多目标： 2-3个冲突目标 → Pareto前沿 多目标： 4+个目标 → 高维Pareto前沿 约束： 目标 + 不等式/等式约束 动态： 时变目标或约束

快速入门工作流

工作流1：单目标优化

当：优化一个目标函数时

步骤：

定义或选择问题
选择单目标算法（GA、DE、PSO、CMA-ES）
配置终止标准
运行优化
提取最佳解决方案

示例：

from pymoo.algorithms.soo.nonconvex.ga import GA
from pymoo.problems import get_problem
from pymoo.optimize import minimize

# 内置问题
problem = get_problem("rastrigin", n_var=10)

# 配置遗传算法
algorithm = GA(
    pop_size=100,
    eliminate_duplicates=True
)

# 优化
result = minimize(
    problem,
    algorithm,
    ('n_gen', 200),
    seed=1,
    verbose=True
)

print(f"最佳解决方案: {result.X}")
print(f"最佳目标值: {result.F[0]}")

参见： scripts/single_objective_example.py 获取完整示例

工作流2：多目标优化（2-3个目标）

当：优化2-3个冲突目标，需要Pareto前沿时

算法选择： NSGA-II（双/三目标标准）

步骤：

定义多目标问题
配置NSGA-II
运行优化以获取Pareto前沿
可视化权衡
应用决策制定（可选）

示例：

from pymoo.algorithms.moo.nsga2 import NSGA2
from pymoo.problems import get_problem
from pymoo.optimize import minimize
from pymoo.visualization.scatter import Scatter

# 双目标基准问题
problem = get_problem("zdt1")

# NSGA-II算法
algorithm = NSGA2(pop_size=100)

# 优化
result = minimize(problem, algorithm, ('n_gen', 200), seed=1)

# 可视化Pareto前沿
plot = Scatter()
plot.add(result.F, label="获取的前沿")
plot.add(problem.pareto_front(), label="真实前沿", alpha=0.3)
plot.show()

print(f"找到 {len(result.F)} 个Pareto最优解决方案")

参见： scripts/multi_objective_example.py 获取完整示例

工作流3：多目标优化（4+个目标）

当：优化4个或更多目标时

算法选择： NSGA-III（设计用于多目标）

关键区别： 必须提供参考方向以指导种群

步骤：

定义多目标问题
生成参考方向
使用参考方向配置NSGA-III
运行优化
使用平行坐标图可视化

示例：

from pymoo.algorithms.moo.nsga3 import NSGA3
from pymoo.problems import get_problem
from pymoo.optimize import minimize
from pymoo.util.ref_dirs import get_reference_directions
from pymoo.visualization.pcp import PCP

# 多目标问题（5个目标）
problem = get_problem("dtlz2", n_obj=5)

# 生成参考方向（NSGA-III必需）
ref_dirs = get_reference_directions("das-dennis", n_dim=5, n_partitions=12)

# 配置NSGA-III
algorithm = NSGA3(ref_dirs=ref_dirs)

# 优化
result = minimize(problem, algorithm, ('n_gen', 300), seed=1)

# 使用平行坐标可视化
plot = PCP(labels=[f"f{i+1}" for i in range(5)])
plot.add(result.F, alpha=0.3)
plot.show()

参见： scripts/many_objective_example.py 获取完整示例

工作流4：自定义问题定义

当：解决领域特定优化问题时

步骤：

扩展ElementwiseProblem类
定义__init__以设置问题维度和边界
实现_evaluate方法以定义目标（和约束）
与任何算法一起使用

无约束示例：

from pymoo.core.problem import ElementwiseProblem
import numpy as np

class MyProblem(ElementwiseProblem):
    def __init__(self):
        super().__init__(
            n_var=2,              # 变量数量
            n_obj=2,              # 目标数量
            xl=np.array([0, 0]),  # 下界
            xu=np.array([5, 5])   # 上界
        )

    def _evaluate(self, x, out, *args, **kwargs):
        # 定义目标
        f1 = x[0]**2 + x[1]**2
        f2 = (x[0]-1)**2 + (x[1]-1)**2

        out["F"] = [f1, f2]

约束示例：

class ConstrainedProblem(ElementwiseProblem):
    def __init__(self):
        super().__init__(
            n_var=2,
            n_obj=2,
            n_ieq_constr=2,        # 不等式约束
            n_eq_constr=1,         # 等式约束
            xl=np.array([0, 0]),
            xu=np.array([5, 5])
        )

    def _evaluate(self, x, out, *args, **kwargs):
        # 目标
        out["F"] = [f1, f2]

        # 不等式约束 (g <= 0)
        out["G"] = [g1, g2]

        # 等式约束 (h = 0)
        out["H"] = [h1]

约束公式规则：

不等式：表达为 g(x) <= 0（当 ≤ 0 时为可行）
等式：表达为 h(x) = 0（当 = 0 时为可行）
转换 g(x) >= b 为 -(g(x) - b) <= 0

参见： scripts/custom_problem_example.py 获取完整示例

工作流5：约束处理

当：问题有可行性约束时

方法选项：

1. 可行性优先（默认 - 推荐）

from pymoo.algorithms.moo.nsga2 import NSGA2

# 自动处理约束问题
algorithm = NSGA2(pop_size=100)
result = minimize(problem, algorithm, termination)

# 检查可行性
feasible = result.CV[:, 0] == 0  # CV = 约束违反
print(f"可行解决方案: {np.sum(feasible)}")

2. 惩罚方法

from pymoo.constraints.as_penalty import ConstraintsAsPenalty

# 包装问题以将约束转换为惩罚
problem_penalized = ConstraintsAsPenalty(problem, penalty=1e6)

3. 约束作为目标

from pymoo.constraints.as_obj import ConstraintsAsObjective

# 将约束违反视为额外目标
problem_with_cv = ConstraintsAsObjective(problem)

4. 专门算法

from pymoo.algorithms.soo.nonconvex.sres import SRES

# SRES有内置约束处理
algorithm = SRES()

参见： references/constraints_mcdm.md 获取全面的约束处理指南

工作流6：从Pareto前沿进行决策制定

当：有Pareto前沿，需要选择偏好解决方案时

步骤：

运行多目标优化
将目标归一化到[0, 1]
定义偏好权重
应用MCDM方法
可视化选定解决方案

使用伪权重的示例：

from pymoo.mcdm.pseudo_weights import PseudoWeights
import numpy as np

# 在获得多目标优化结果后
# 归一化目标
F_norm = (result.F - result.F.min(axis=0)) / (result.F.max(axis=0) - result.F.min(axis=0))

# 定义偏好（必须总和为1）
weights = np.array([0.3, 0.7])  # 30% f1, 70% f2

# 应用决策制定
dm = PseudoWeights(weights)
selected_idx = dm.do(F_norm)

# 获取选定解决方案
best_solution = result.X[selected_idx]
best_objectives = result.F[selected_idx]

print(f"选定解决方案: {best_solution}")
print(f"目标值: {best_objectives}")

其他MCDM方法：

妥协编程：选择最接近理想点的解决方案
膝盖点：找到平衡的权衡解决方案
超体积贡献：选择最多样化的子集

参见：

scripts/decision_making_example.py 获取完整示例
references/constraints_mcdm.md 获取详细MCDM方法

工作流7：可视化

根据目标数量选择可视化：

2个目标：散点图

from pymoo.visualization.scatter import Scatter

plot = Scatter(title="双目标结果")
plot.add(result.F, color="blue", alpha=0.7)
plot.show()

3个目标：3D散点图

plot = Scatter(title="三目标结果")
plot.add(result.F)  # 自动渲染为3D
plot.show()

4+个目标：平行坐标图

from pymoo.visualization.pcp import PCP

plot = PCP(
    labels=[f"f{i+1}" for i in range(n_obj)],
    normalize_each_axis=True
)
plot.add(result.F, alpha=0.3)
plot.show()

解决方案比较：花瓣图

from pymoo.visualization.petal import Petal

plot = Petal(
    bounds=[result.F.min(axis=0), result.F.max(axis=0)],
    labels=["成本", "重量", "效率"]
)
plot.add(solution_A, label="设计A")
plot.add(solution_B, label="设计B")
plot.show()

参见： references/visualization.md 获取所有可视化类型和用法

算法选择指南

单目标问题

算法	最佳适用场景	关键特性
GA	通用	灵活，可定制算子
DE	连续优化	良好的全局搜索
PSO	平滑景观	快速收敛
CMA-ES	困难/有噪声问题	自适应

多目标问题（2-3个目标）

算法	最佳适用场景	关键特性
NSGA-II	标准基准	快速，可靠，经过良好测试
R-NSGA-II	偏好区域	参考点指导
MOEA/D	可分解问题	标量化方法

多目标问题（4+个目标）

算法	最佳适用场景	关键特性
NSGA-III	4-15个目标	基于参考方向
RVEA	自适应搜索	参考向量进化
AGE-MOEA	复杂景观	自适应几何

约束问题

方法	算法	何时使用
可行性优先	任何算法	大可行区域
专门	SRES, ISRES	重约束
惩罚	GA + 惩罚	算法兼容性

参见： references/algorithms.md 获取全面的算法参考

基准测试问题

快速问题访问：

from pymoo.problems import get_problem

# 单目标
problem = get_problem("rastrigin", n_var=10)
problem = get_problem("rosenbrock", n_var=10)

# 多目标
problem = get_problem("zdt1")        # 凸前沿
problem = get_problem("zdt2")        # 非凸前沿
problem = get_problem("zdt3")        # 断开的前沿

# 多目标
problem = get_problem("dtlz2", n_obj=5, n_var=12)
problem = get_problem("dtlz7", n_obj=4)

参见： references/problems.md 获取完整的测试问题参考

遗传算子定制

标准算子配置：

from pymoo.algorithms.soo.nonconvex.ga import GA
from pymoo.operators.crossover.sbx import SBX
from pymoo.operators.mutation.pm import PM

algorithm = GA(
    pop_size=100,
    crossover=SBX(prob=0.9, eta=15),
    mutation=PM(eta=20),
    eliminate_duplicates=True
)

按变量类型选择算子：

连续变量：

交叉：SBX（模拟二进制交叉）
变异：PM（多项式变异）

二进制变量：

交叉：TwoPointCrossover, UniformCrossover
变异：BitflipMutation

排列（TSP，调度）：

交叉：OrderCrossover (OX)
变异：InversionMutation

参见： references/operators.md 获取全面的算子参考

性能和故障排除

常见问题及解决方案：

问题：算法不收敛

增加种群大小
增加代数
检查问题是否是多模态（尝试不同算法）
验证约束公式是否正确

问题：Pareto前沿分布不佳

对于NSGA-III：调整参考方向
增加种群大小
检查重复消除
验证问题缩放

问题：可行解决方案少

使用约束作为目标的方法
应用修复算子
尝试SRES/ISRES处理约束问题
检查约束公式（应为 g <= 0）

问题：计算成本高

减少种群大小
减少代数
使用更简单的算子
启用并行化（如果问题支持）

最佳实践：

归一化目标 当尺度差异显著时
设置随机种子 以确保可重现性
保存历史 以分析收敛：save_history=True
可视化结果 以理解解决方案质量
与真实Pareto前沿比较 当可用时
使用适当的终止标准（代数，评估次数，容差）
调整算子参数 以适应问题特性

资源

此技能包括全面的参考文档和可执行示例：

references/

详细文档，用于深入理解：

algorithms.md：完整的算法参考，包括参数、用法和选择指南
problems.md：基准测试问题（ZDT、DTLZ、WFG）及其特性
operators.md：遗传算子（采样、选择、交叉、变异）及配置
visualization.md：所有可视化类型，带有示例和选择指南
constraints_mcdm.md：约束处理技术和多标准决策方法

搜索参考的模式：

算法细节：grep -r "NSGA-II\|NSGA-III\|MOEA/D" references/
约束方法：grep -r "Feasibility First\|Penalty\|Repair" references/
可视化类型：grep -r "Scatter\|PCP\|Petal" references/

scripts/

可执行示例，演示常见工作流：

single_objective_example.py：使用GA进行单目标优化的基本示例
multi_objective_example.py：使用NSGA-II进行多目标优化，可视化
many_objective_example.py：使用NSGA-III进行多目标优化，参考方向
custom_problem_example.py：定义自定义问题（有约束和无约束）
decision_making_example.py：不同偏好的多标准决策制定

运行示例：

python3 scripts/single_objective_example.py
python3 scripts/multi_objective_example.py
python3 scripts/many_objective_example.py
python3 scripts/custom_problem_example.py
python3 scripts/decision_making_example.py

附加说明

安装：

pip install pymoo

依赖： NumPy, SciPy, matplotlib, autograd（可选用于基于梯度的）

文档： https://pymoo.org/

版本： 此技能基于pymoo 0.6.x

常见模式：

始终使用ElementwiseProblem定义自定义问题
约束公式为g(x) <= 0和h(x) = 0
NSGA-III需要参考方向
MCDM前归一化目标
使用适当的终止：('n_gen', N) 或 get_termination("f_tol", tol=0.001)