alterlab-pymoo

Pymoo - Python での多目的最適化

概要

Pymoo は、多目的問題に重点を置いた包括的な Python 最適化フレームワークです。最先端のアルゴリズム（NSGA-II/III、MOEA/D）、ベンチマーク問題（ZDT、DTLZ）、カスタマイズ可能な遺伝的オペレーター、多基準意思決定手法を使用して、単一目的および多目的の最適化を解決できます。目的が競合する問題で、トレードオフ解（パレートフロント）を見つけるのに優れています。

このスキルを使用する場面

次の場合にこのスキルを使用してください。

• 1つまたは複数の目的を持つ最適化問題を解く
• パレート最適解を見つけ、トレードオフを分析する
• 進化アルゴリズム（GA、DE、PSO、NSGA-II/III）を実装する
• 制約付き最適化問題に取り組む
• 標準的なテスト問題（ZDT、DTLZ、WFG）でアルゴリズムをベンチマークする
• 遺伝的オペレーター（交叉、突然変異、選択）をカスタマイズする
• 高次元の最適化結果を可視化する
• 複数の競合する解から意思決定する
• バイナリ、離散、連続、または混合変数の問題を扱う

対象外

シナリオ	代わりに使用
キューや共有リソースを時間経過とともにシミュレーションする（離散イベントシミュレーション）	alterlab-simpy
機械学習モデルのハイパーパラメーターを探索する（グリッド／ランダムサーチ、CV）	alterlab-scikit-learn
微分や記号計算によって数式の閉形式の最適値を求める	alterlab-sympy

コアコンセプト

統一インターフェース

Pymoo では、すべての最適化タスクで一貫した minimize() 関数を使用します。

from pymoo.optimize import minimize

result = minimize(
    problem,        # What to optimize
    algorithm,      # How to optimize
    termination,    # When to stop
    seed=1,
    verbose=True
)

結果オブジェクトに含まれるもの：

• result.X：最適解の決定変数
• result.F：最適解の目的関数値
• result.G：制約違反（制約がある場合）
• result.algorithm：履歴を含むアルゴリズムオブジェクト

問題の種類

単一目的： 最小化または最大化する目的関数が1つ 多目的： 競合する目的関数が2〜3個 → パレートフロント 多目的（4目的以上）： 目的関数が4個以上 → 高次元のパレートフロント 制約付き： 目的関数と不等式／等式制約 動的： 時間とともに変化する目的関数または制約

コアワークフロー

1. 問題の種類を選ぶ — 単一目的、多目的（目的関数が2〜3個）、多目的（目的関数が4個以上）、または制約付きから選びます。
2. 問題を定義または選択する — get_problem(...) を使って組み込み問題を選ぶか、カスタム問題用に ElementwiseProblem をサブクラス化します（目的関数は out["F"]、不等式制約 g(x) <= 0 は out["G"]、等式制約 h(x) = 0 は out["H"] に格納します）。
3. アルゴリズムを選ぶ — 目的関数が2〜3個の場合は NSGA-II、4個以上の場合は NSGA-III（参照方向を使用）、単一目的の場合は GA/DE/PSO/CMA-ES を使います。references/quick_reference.md の選択表を参照してください。
4. 終了条件を設定する — ('n_gen', N)、('n_evals', N)、または許容誤差に基づく get_termination("moo", ftol=1e-3, n_max_gen=500) を使います（単一目的では "soo" を使います。"f_tol" キーはありません）。
5. 実行する — minimize(problem, algorithm, termination, seed=1, verbose=True) を呼び出します。
6. 結果を確認する — result.X／result.F／result.G（制約違反については result.CV）を確認します。
7. 意思決定して可視化する — MCDM を適用して優先するパレート解を選び、Scatter／PCP／Petal でプロットします。

再現性を確保するために常に seed を設定し、目的関数のスケールが異なる場合は正規化し、NSGA-III には参照方向を指定してください。

ルーティング — 参照先

必要なもの…	参照先
7 つすべてのワークフロー（単一目的／多目的／多数目的、カスタム問題、制約処理、MCDM による意思決定、可視化）の完全なコピー＆ペースト可能な例	references/workflows.md
アルゴリズム選択表、ベンチマーク問題一覧、オペレーター設定、トラブルシューティング、ベストプラクティス、インストール	references/quick_reference.md
アルゴリズムの詳細リファレンス（パラメーター、使い方、選択）	references/algorithms.md
特性を含むベンチマークテスト問題（ZDT、DTLZ、WFG）	references/problems.md
遺伝的オペレーター（サンプリング、選択、交叉、突然変異）	references/operators.md
すべての可視化タイプと例	references/visualization.md
制約処理と多基準意思決定	references/constraints_mcdm.md

実行可能なスクリプト（scripts/）：single_objective_example.py、multi_objective_example.py、many_objective_example.py、custom_problem_example.py、decision_making_example.py。uv run python scripts/<name>.py で実行します。

リファレンスの検索： grep -r "NSGA-II\|NSGA-III\|MOEA/D" references/ · grep -r "Feasibility First\|Penalty\|Repair" references/ · grep -r "Scatter\|PCP\|Petal" references/

インストール

uv pip install pymoo

依存関係（自動的にインストールされます）：NumPy、SciPy、matplotlib、autograd、cma、moocore。ドキュメント：https://pymoo.org/ — このスキルは pymoo 0.6.x（現行バージョンは 0.6.2、2026 年 6 月。NumPy 2 で CMA-ES が復活しました）を対象としています。