pymoo

Pymoo - Python 多目标优化

概述

Pymoo 是一个功能全面的 Python 优化框架，侧重于多目标问题。使用先进算法（NSGA-II/III、MOEA/D）、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（帕累托前沿）。

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
• 寻找帕累托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 使用一致的 minimize() 函数处理所有优化任务：

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（如果有约束）
• result.algorithm：包含历史记录的算法对象

问题类型

单目标： 一个需要最小化／最大化的目标
多目标： 2-3 个相互冲突的目标 → 帕累托前沿
多目标（4 个及以上）： 4 个或更多目标 → 高维帕累托前沿
有约束： 目标 + 不等式／等式约束
动态： 随时间变化的目标或约束

快速入门工作流

工作流 1：单目标优化

适用情况： 优化一个目标函数

步骤：

1. 定义或选择问题
2. 选择单目标算法（GA、DE、PSO、CMA-ES）
3. 配置终止条件
4. 运行优化
5. 提取最佳解

示例：

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

# Built-in problem
problem = get_problem("rastrigin", n_var=10)

# Configure Genetic Algorithm
algorithm = GA(
    pop_size=100,
    eliminate_duplicates=True
)

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

print(f"Best solution: {result.X}")
print(f"Best objective: {result.F[0]}")

参见： scripts/single_objective_example.py，查看完整示例

工作流 2：多目标优化（2-3 个目标）

适用情况： 优化 2-3 个相互冲突的目标，需要帕累托前沿

算法选择： NSGA-II（双目标／三目标优化的标准算法）

步骤：

1. 定义多目标问题
2. 配置 NSGA-II
3. 运行优化以获取帕累托前沿
4. 可视化权衡关系
5. 应用决策方法（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

# Bi-objective benchmark problem
problem = get_problem("zdt1")

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

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

# Visualize Pareto front
plot = Scatter()
plot.add(result.F, label="Obtained Front")
plot.add(problem.pareto_front(), label="True Front", alpha=0.3)
plot.show()

print(f"Found {len(result.F)} Pareto-optimal solutions")

参见： scripts/multi_objective_example.py，查看完整示例

工作流 3：多目标优化（4 个及以上目标）

适用情况： 优化 4 个或更多目标

算法选择： NSGA-III（专为多目标优化设计）

主要区别： 必须提供用于引导种群的参考方向

步骤：

1. 定义多目标问题
2. 生成参考方向
3. 使用参考方向配置 NSGA-III
4. 运行优化
5. 使用平行坐标图进行可视化

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

# Many-objective problem (5 objectives)
problem = get_problem("dtlz2", n_obj=5)

# Generate reference directions (required for NSGA-III)
ref_dirs = get_reference_directions("das-dennis", n_dim=5, n_partitions=12)

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

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

# Visualize with Parallel Coordinates
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，查看完整示例

工作流 4：自定义问题定义

适用情况： 求解特定领域的优化问题

步骤：

1. 扩展 ElementwiseProblem 类
2. 定义包含问题维度和边界的 __init__
3. 实现用于计算目标（和约束）的 _evaluate 方法
4. 与任意算法配合使用

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,              # Number of variables
            n_obj=2,              # Number of objectives
            xl=np.array([0, 0]),  # Lower bounds
            xu=np.array([5, 5])   # Upper bounds
        )

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

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

有约束示例：

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

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

        # Inequality constraints (g <= 0)
        out["G"] = [g1, g2]

        # Equality constraints (h = 0)
        out["H"] = [h1]

约束表达规则：

• 不等式：表示为 g(x) <= 0（≤ 0 时可行）
• 等式：表示为 h(x) = 0（= 0 时可行）
• 将 g(x) >= b 转换为 -(g(x) - b) <= 0

参见： scripts/custom_problem_example.py，查看完整示例

工作流 5：约束处理

适用场景： 问题存在可行性约束

可选方法：

1. 可行性优先（默认，推荐）

from pymoo.algorithms.moo.nsga2 import NSGA2

# Works automatically with constrained problems
algorithm = NSGA2(pop_size=100)
result = minimize(problem, algorithm, termination)

# Check feasibility
feasible = result.CV[:, 0] == 0  # CV = constraint violation
print(f"Feasible solutions: {np.sum(feasible)}")

2. 惩罚法

from pymoo.constraints.as_penalty import ConstraintsAsPenalty

# Wrap problem to convert constraints to penalties
problem_penalized = ConstraintsAsPenalty(problem, penalty=1e6)

3. 将约束作为目标

from pymoo.constraints.as_obj import ConstraintsAsObjective

# Treat constraint violation as additional objective
problem_with_cv = ConstraintsAsObjective(problem)

4. 专用算法

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

# SRES has built-in constraint handling
algorithm = SRES()

参见： references/constraints_mcdm.md，了解全面的约束处理指南

工作流 6：根据 Pareto 前沿进行决策

适用场景： 已有 Pareto 前沿，需要选择首选解

步骤：

1. 运行多目标优化
2. 将目标归一化到 [0, 1]
3. 定义偏好权重
4. 应用 MCDM 方法
5. 可视化选定的解

使用伪权重的示例：

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

# After obtaining result from multi-objective optimization
# Normalize objectives
F_norm = (result.F - result.F.min(axis=0)) / (result.F.max(axis=0) - result.F.min(axis=0))

# Define preferences (must sum to 1)
weights = np.array([0.3, 0.7])  # 30% f1, 70% f2

# Apply decision making
dm = PseudoWeights(weights)
selected_idx = dm.do(F_norm)

# Get selected solution
best_solution = result.X[selected_idx]
best_objectives = result.F[selected_idx]

print(f"Selected solution: {best_solution}")
print(f"Objective values: {best_objectives}")

其他 MCDM 方法：

• 折中规划：选择最接近理想点的解
• 膝点：寻找均衡的权衡解
• 超体积贡献：选择多样性最高的子集

参见：

• scripts/decision_making_example.py，查看完整示例
• references/constraints_mcdm.md，了解详细的 MCDM 方法

工作流 7：可视化

根据目标数量选择可视化方式：

2 个目标：散点图

from pymoo.visualization.scatter import Scatter

plot = Scatter(title="Bi-objective Results")
plot.add(result.F, color="blue", alpha=0.7)
plot.show()

3 个目标：3D 散点图

plot = Scatter(title="Tri-objective Results")
plot.add(result.F)  # Automatically renders in 3D
plot.show()

4 个或更多目标：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()

解的比较：花瓣图

from pymoo.visualization.petal import Petal

plot = Petal(
    bounds=[result.F.min(axis=0), result.F.max(axis=0)],
    labels=["Cost", "Weight", "Efficiency"]
)
plot.add(solution_A, label="Design A")
plot.add(solution_B, label="Design B")
plot.show()

参见： references/visualization.md，了解所有可视化类型及其用法

算法选择指南

单目标问题

算法	最适用于	主要特点
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	平滑景观	收敛速度快
CMA-ES	困难或含噪问题	自适应

多目标问题（2-3 个目标）

算法	最适用于	主要特点
NSGA-II	标准基准测试	快速、可靠、经过充分测试
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	最适用于	主要特点
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

带约束的问题

方法	算法	适用场景
可行性优先	任意算法	可行区域较大
专用方法	SRES、ISRES	约束较多
惩罚法	GA + 惩罚项	算法兼容性

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

基准问题

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：算法不收敛

• 增大种群规模
• 增加迭代代数
• 检查问题是否为多峰问题（尝试不同的算法）
• 确认约束的制定是否正确

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
• 检查是否消除了重复解
• 确认问题的缩放方式

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
• 尝试使用 SRES/ISRES 求解带约束问题
• 检查约束的制定方式（应为 g <= 0）

问题：计算成本较高

• 减小种群规模
• 减少迭代代数
• 使用更简单的算子
• 启用并行化（如果问题支持）

最佳实践：

1. 当目标的尺度差异显著时，对目标进行归一化
2. 设置随机种子以确保结果可复现
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. 如果有真实帕累托前沿，将结果与其进行比较
6. 使用恰当的终止条件（迭代代数、评估次数、容差）
7. 根据问题特征调整算子参数

资源

此技能包含全面的参考文档和可执行示例：

references/

用于深入了解的详细文档：

• 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）及其特征
• operators.md：遗传算子（采样、选择、交叉、变异）及其配置
• visualization.md：所有可视化类型及示例和选择指南
• constraints_mcdm.md：约束处理技术和多准则决策方法

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 进行单目标优化的基础示例
• multi_objective_example.py：使用 NSGA-II 进行多目标优化及可视化
• many_objective_example.py：使用 NSGA-III 进行多目标优化及参考方向设置
• custom_problem_example.py：定义自定义问题（带约束和无约束）
• decision_making_example.py：使用不同偏好的多准则决策

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

安装：

uv pip install pymoo

**依赖项：**NumPy、SciPy、matplotlib、autograd（基于梯度的方法可选）

**文档：**https://pymoo.org/

**版本：**此技能基于 pymoo 0.6.x

常见模式：

• 自定义问题始终使用 ElementwiseProblem
• 约束形式为 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
• 使用恰当的终止条件：('n_gen', N) 或 get_termination("f_tol", tol=0.001)