技能介绍

要解决什么问题

工程里常见的不只是「把某一个指标压到最低」，而是多个目标互相拉扯：成本要低、延迟要小、资源占用也要可控。单目标优化只能给出一个点解；多目标问题需要的是帕累托前沿——在无法同时改进所有目标时，看清可行折中。带不等式/等式约束、二进制/离散/连续/混合决策变量时，手写进化算法和基准对比很容易散成一堆脚本，接口也不统一。

技能如何组织工作流

Pymoo 把各类任务收敛到统一的 minimize() 入口。返回的 result 里可以直接取决策变量 result.X、目标值 result.F，有约束时还有 result.G 与算法历史 result.algorithm。

按目标规模选路径比较清晰：

单目标：GA、DE、PSO、CMA-ES 等，配终止条件（如 ('n_gen', N) 或 f_tol）即可跑通。
2～3 个冲突目标：通常用 NSGA-II 求帕累托前沿，再做散点或 3D 可视化。
4 个及以上目标：NSGA-III 需要参考方向引导种群，结果多用平行坐标图阅读。
领域自定义问题：继承 ElementwiseProblem，在 _evaluate 里写目标；约束按 g(x) <= 0、h(x) = 0 表达（不等式常写成 -(g(x)-b) <= 0）。

约束处理上，默认可行域优先；也可惩罚、把约束抬成目标，或换 SRES/ISRES 等更偏约束的算法。前沿算出来后，若要在多个非支配解里定案，可先归一化目标再用伪权重、折中规划、拐点或超体积贡献等多准则方法。内置 ZDT、DTLZ、WFG 等基准问题，便于对算法做对比；连续变量常用 SBX/PM，二进制与排列类问题有对应交叉变异算子。

适用边界与注意点

高维目标下前沿质量很依赖参考方向与种群规模；目标量纲差大时先归一化再决策更稳。约束写错符号或可行性域过窄，会出现「几乎找不到可行解」——需要对照 g <= 0 规则排查，必要时换约束处理策略。计算贵时优先控种群与代数、简化算子，问题支持时再考虑并行；复现实验建议固定随机种子并 save_history=True 看收敛。技能文档与示例围绕 pymoo 0.6.x，更细的算法/算子/可视化说明在随附的 references/ 与 scripts/ 里按场景查阅。