pymoo

Pymoo——Python 中的多目标优化

概述

Pymoo 是一个全面的 Python 优化框架，尤其适用于多目标问题。使用先进算法（NSGA-II/III、MOEA/D、SPEA2）、基准问题（ZDT、DTLZ）、可自定义遗传算子和多准则决策方法，求解单目标和多目标优化问题。它擅长为目标相互冲突的问题寻找权衡解（Pareto 前沿）。当前稳定版本：pymoo 0.6.1.6（2025 年 11 月）。

安装

uv pip install pymoo

为确保环境可复现，请固定版本：uv pip install "pymoo==0.6.1.6"。

依赖项： NumPy（自 0.6.1.3 起兼容 2.x）、SciPy、matplotlib（用于可视化）。Autograd 是梯度型功能的可选依赖（自 0.6.1.3 起）。

文档： https://pymoo.org/ — 面向 LLM 的索引：https://pymoo.org/llms.txt

何时使用此技能

在以下情况下应使用此技能：

• 求解单目标或多目标优化问题
• 寻找 Pareto 最优解并分析权衡关系
• 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）上对算法进行基准测试
• 自定义遗传算子（交叉、变异、选择）
• 可视化高维优化结果
• 根据多个相互竞争的解做出决策
• 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 对所有优化任务都使用一致的 minimize() 函数：

from pymoo.optimize import minimize

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

结果对象包含：

• result.X：最优解的决策变量
• result.F：最优解的目标值
• result.G：约束违反情况（如果存在约束）
• result.algorithm：包含历史记录的算法对象

问题定义方式

Pymoo 支持三种问题定义方式：

• Problem：向量化——_evaluate 接收一批解（矩阵）
• ElementwiseProblem：每次调用处理一个解——推荐用于自定义问题和并行评估
• FunctionalProblem：将目标和约束定义为独立函数，无需创建子类

问题类型

单目标： 一个需要最小化或最大化的目标
多目标： 2-3 个相互冲突的目标 → Pareto 前沿
多目标（4 个以上）： 4 个或更多目标 → 高维 Pareto 前沿
有约束： 目标 + 不等式/等式约束
混合变量： 一个问题中包含连续、整数、二进制和类别变量
动态： 目标或约束随时间变化

快速入门工作流

references/quick_start_workflows.md 中提供了九个可运行的工作流：

#	工作流	适用场景
1	单目标优化	一个目标，使用 GA 或 DE
2	多目标（2-3 个目标）	使用 NSGA-II 和 Pareto 前沿
3	多目标（4 个以上目标）	使用 NSGA-III 或参考方向方法
4	自定义问题定义	派生 Problem / ElementwiseProblem 子类
5	约束处理	不等式和等式约束
6	基于 Pareto 前沿进行决策	标量化和 MCDM 选择
7	可视化	散点图、PCP、radviz 和热图视图
8	并行评估	对计算开销大的目标使用线程、进程或 Dask
9	混合变量优化	整数、二进制和类别变量

算法选择指南

单目标问题

算法	最适用于	主要特性
GA	通用场景	灵活，可自定义算子
DE	连续优化	全局搜索能力强
PSO	平滑的搜索空间	收敛速度快
CMA-ES	困难/含噪问题	自适应

多目标问题（2-3 个目标）

算法	最适用场景	主要特性
NSGA-II	标准基准测试	快速、可靠、经过充分测试
SPEA2	基于档案的多目标优化	基于强度的适应度、外部档案
R-NSGA-II	偏好区域	参考点引导
MOEA/D	可分解问题	标量化方法

多目标问题（4 个或更多目标）

算法	最适用场景	主要特性
NSGA-III	4-15 个目标	基于参考方向
RVEA	自适应搜索	参考向量演化
AGE-MOEA	复杂景观	自适应几何

约束问题

方法	算法	适用场景
优先满足可行性	任意算法	可行区域较大
专用方法	SRES、ISRES	约束繁多
惩罚法	GA + 惩罚	与算法兼容

参见： references/algorithms.md，了解全面的算法参考

基准测试问题

快速访问问题：

from pymoo.problems import get_problem

# Single-objective
problem = get_problem("rastrigin", n_var=10)
problem = get_problem("rosenbrock", n_var=10)

# Multi-objective
problem = get_problem("zdt1")        # Convex front
problem = get_problem("zdt2")        # Non-convex front
problem = get_problem("zdt3")        # Disconnected front

# Many-objective
problem = get_problem("dtlz2", n_obj=5, n_var=12)
problem = get_problem("dtlz7", n_obj=4)

参见： references/problems.md，了解完整的测试问题参考

遗传算子自定义

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，了解全面的算子参考

性能与故障排除

常见问题及解决方案：

问题：算法未能收敛

• 增大种群规模
• 增加迭代代数
• 检查问题是否为多峰问题（尝试不同算法）
• 确认约束的表述正确

问题：帕累托前沿分布不理想

• 对于 NSGA-III：调整参考方向
• 增大种群规模
• 检查是否已消除重复项
• 确认问题已进行缩放

问题：可行解较少

• 使用将约束作为目标的方法
• 应用修复算子
• 对于约束问题，尝试 SRES/ISRES
• 检查约束表述（应为 g <= 0）

问题：计算成本高

• 减小种群规模
• 减少迭代代数
• 使用更简单的算子
• 通过 elementwise_runner 启用并行评估（参见工作流 8）

最佳实践：

1. 对目标进行归一化，尤其是在尺度差异显著时
2. 设置随机种子，确保结果可复现
3. 保存历史记录以分析收敛情况：save_history=True
4. 可视化结果以了解解的质量
5. 在可用时与真实帕累托前沿进行比较
6. 使用适当的终止条件（迭代代数、评估次数、容差）
7. 根据问题特性调整算子参数

资源

此技能包含全面的参考文档和可执行示例：

references/

深入了解所需的详细文档：

• algorithms.md：完整的算法参考，包含参数、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）及其配置
• visualization.md：所有可视化类型的示例和选择指南
• constraints_mcdm.md：约束处理技术和多准则决策方法
• parallelization.md：使用 StarmapParallelization 和 JoblibParallelization 进行并行评估

参考文档的搜索模式：

• 算法详情：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/

展示常见工作流的可执行示例：

• single_objective_example.py：使用 GA 进行基本的单目标优化
• multi_objective_example.py：使用 NSGA-II 进行多目标优化和可视化
• many_objective_example.py：使用 NSGA-III 进行多目标优化和参考方向设置
• custom_problem_example.py：定义自定义问题（有约束和无约束）
• decision_making_example.py：基于不同偏好进行多准则决策

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

常见模式：

• 使用 ElementwiseProblem 定义自定义问题（或使用 FunctionalProblem 进行基于函数的定义）
• 对混合变量问题使用带类型变量的 vars 字典
• 约束表示为 g(x) <= 0 和 h(x) = 0
• NSGA-III 需要参考方向
• 在 MCDM 之前对目标进行归一化
• 使用合适的终止条件：('n_gen', N) 或 get_termination("f_tol", tol=0.001)