Pymoo Multiobjective Optimization

何时使用

适用：工程/设计/调度等存在多个相互冲突目标或需进化算法的优化问题。典型任务：

• 单目标优化：用 GA、DE、PSO、CMA-ES 寻全局最优。
• 多目标（2-3 目标）：求 Pareto 前沿、分析权衡 → NSGA-II。
• 超多目标（4+ 目标）：高维 Pareto → NSGA-III（需参考方向）、RVEA、AGE-MOEA。
• 约束优化：不等式 g(x)<=0、等式 h(x)=0。
• 混合变量：连续/整数/二进制/类别变量同存。
• 基准测试（ZDT/DTLZ/WFG）、自定义遗传算子、从前沿做多准则决策（MCDM）。

不该用：纯凸/线性规划（用 scipy.optimize、cvxpy 更高效）、深度学习超参搜索（用 Optuna/Ray Tune）、单纯符号方程求解（用 sympy）；以及结果须经实测/专家复核的场景——本技能不替代验证。目标、约束或成功标准不明确时先停下确认。

步骤

1. 安装：uv pip install pymoo（复现环境可固定 pymoo==0.6.1.6）。依赖 NumPy（2.x 起兼容）、SciPy；matplotlib 用于可视化，autograd/joblib 可选。
2. 定义问题：内置用 get_problem(...)；自定义优先继承 ElementwiseProblem（逐解评估，便于并行）。
3. 选算法（见下表）。多/超多目标按目标数选 NSGA-II / NSGA-III。
4. 设终止条件：('n_gen', N)、('n_evals', N) 或 get_termination("f_tol", tol=0.001)。
5. minimize(problem, algorithm, termination, seed=1, verbose=True) 求解。
6. 取结果：result.X（决策变量）、result.F（目标值）、result.G/result.CV（约束违反）；可视化并按需做 MCDM 决策。

指令

统一入口：所有任务都走 from pymoo.optimize import minimize。

算法选择：

约束写法（强约束）：不等式一律化为 g(x) <= 0（<=0 即可行）；等式化为 h(x) = 0；遇 g(x) >= b 转成 -(g(x)-b) <= 0。n_ieq_constr / n_eq_constr 在 __init__ 声明，_evaluate 里写入 out["G"] / out["H"]。

约束处理四选一：① 默认可行性优先（多数算法自动支持，result.CV[:,0]==0 判可行）；② 罚函数 ConstraintsAsPenalty(problem, penalty=1e6)；③ 违反量当目标 ConstraintsAsObjective(problem)；④ 专用算法 SRES/ISRES。

可视化按目标数：2 目标 Scatter；3 目标 Scatter（自动 3D）；4+ 目标 PCP（平行坐标）；多方案对比 Petal。

示例

多目标（NSGA-II + 前沿可视化）：

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

problem = get_problem("zdt1")          # 双目标基准
algorithm = NSGA2(pop_size=100)
result = minimize(problem, algorithm, ('n_gen', 200), seed=1)

plot = Scatter()
plot.add(result.F, label="求得前沿")
plot.add(problem.pareto_front(), label="真实前沿", alpha=0.3)
plot.show()

超多目标（NSGA-III 必须给参考方向）：

from pymoo.algorithms.moo.nsga3 import NSGA3
from pymoo.util.ref_dirs import get_reference_directions

problem = get_problem("dtlz2", n_obj=5)
ref_dirs = get_reference_directions("das-dennis", n_obj=5, n_partitions=12)
algorithm = NSGA3(ref_dirs=ref_dirs)
result = minimize(problem, algorithm, ('n_gen', 300), seed=1)

自定义带约束问题：

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

class MyProblem(ElementwiseProblem):
    def __init__(self):
        super().__init__(n_var=2, n_obj=2, n_ieq_constr=2,
                         xl=np.array([0, 0]), xu=np.array([5, 5]))

    def _evaluate(self, x, out, *args, **kwargs):
        out["F"] = [x[0]**2 + x[1]**2, (x[0]-1)**2 + (x[1]-1)**2]
        out["G"] = [g1, g2]   # 每项需 <= 0

从前沿做决策（伪权重 MCDM，先归一化）：

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

F_norm = (result.F - result.F.min(0)) / (result.F.max(0) - result.F.min(0))
weights = np.array([0.3, 0.7])        # 权重和为 1
idx = PseudoWeights(weights).do(F_norm)
best_X, best_F = result.X[idx], result.F[idx]

并行评估（每次评估昂贵时）：

from multiprocessing.pool import ThreadPool
from pymoo.parallelization.starmap import StarmapParallelization

pool = ThreadPool(4)
runner = StarmapParallelization(pool.starmap)
problem = MyProblem(elementwise_runner=runner)  # __init__ 透传 elementwise_runner
# ... minimize(...) 后 pool.close()

混合变量：在 __init__ 用 vars 字典声明 Real/Integer/Binary/Choice，单目标用 MixedVariableGA(pop_size=20)，多目标加 survival=RankAndCrowdingSurvival()。

注意事项

• NSGA-III/RVEA 必须提供 ref_dirs（get_reference_directions），否则无法引导种群。
• 约束方向：全部表述为 g(x) <= 0、h(x) = 0；可行性优先要求约束公式正确，否则会出现「几乎无可行解」。
• 不收敛：增大 pop_size、增加代数、换算法（多模态问题）、复核约束公式。
• 前沿分布差：调参考方向、增种群、开启 eliminate_duplicates=True、检查目标量纲。
• 量纲差异大先归一化；做 MCDM 前必须归一化到 [0,1]。
• 复现：固定 seed；分析收敛用 save_history=True。
• 计算太贵：减种群/代数、用更简算子，或经 elementwise_runner 并行评估。
• 连续变量算子常用 SBX 交叉 + PM 变异；二进制用 Bitflip；排列（TSP/调度）用 OrderCrossover + InversionMutation。
• 当前稳定版 pymoo 0.6.1.6（2025-11）。文档 https://pymoo.org/ ，LLM 友好索引 https://pymoo.org/llms.txt 。

互见

• related：sympy-symbolic-math —— 目标/约束的符号推导与解析梯度
• related：guided-statistical-analysis —— 优化结果的统计分析与显著性检验
• combines_with：matplotlib-visualization —— 自定义绘制 Pareto 前沿、收敛曲线
• combines_with：research-experiment-designer —— 把优化纳入实验设计与方案对比

本条采编自 K-Dense-AI/scientific-agent-skills（MIT）。