pymoo
Mehrkriterienoptimierung mit evolutionären Algorithmen lösen
Auch verfügbar von: davila7
Mehrkriterienoptimierung umfasst das Finden von Trade-off-Lösungen, wenn mehrere widersprüchliche Ziele erfüllt werden müssen. Diese Fähigkeit bietet umfassenden Zugang zu pymoo-Algorithmen einschließlich NSGA-II, NSGA-III und MOEA/D zum Finden Pareto-optimaler Lösungen und zur Visualisierung von Trade-off-Fronten.
Die Skill-ZIP herunterladen
In Claude hochladen
Gehe zu Einstellungen → Fähigkeiten → Skills → Skill hochladen
Einschalten und loslegen
Teste es
Verwendung von "pymoo". Optimize ZDT1 with NSGA-II to find Pareto front
Erwartetes Ergebnis:
- Algorithmus: NSGA2 mit pop_size=100
- Problem: ZDT1 (30 Variablen, 2 Ziele)
- Terminierung: 200 Generationen
- Ergebnis: 95 Pareto-optimale Lösungen gefunden
- Visualisierung: Streudiagramm zeigt konvexe Pareto-Front
Verwendung von "pymoo". Create custom two-objective optimization problem
Erwartetes Ergebnis:
- Klasse: ElementwiseProblem erweitert pymoo.core.problem
- Variablen: 2 Entscheidungsvariablen
- Ziele: f1 = x[0]^2 + x[1]^2, f2 = (x[0]-1)^2 + (x[1]-1)^2
- Grenzen: [0, 5] für beide Variablen
- Bereit zur Verwendung mit jedem pymoo-Algorithmus
Verwendung von "pymoo". Apply constraint handling to optimization
Erwartetes Ergebnis:
- Methode: ConstraintsAsPenalty oder Machbarkeits-zuerst-Ansatz
- Constraint-Verletzungsverfolgung via CV-Array (Constraint-Verletzung)
- Machbare Lösungen: CV[:, 0] == 0
- Ungleichheits-Constraints: g(x) <= 0
- Gleichheits-Constraints: h(x) = 0
Sicherheitsaudit
SicherThis is a legitimate multi-objective optimization documentation skill. All 315 static findings are false positives. The scanner misinterpreted markdown code formatting backticks as shell commands, optimization algorithm names (NSGA-II, NSGA-III) as cryptographic algorithms, and optimization terminology as security threats. Python scripts contain standard pymoo optimization examples with no malicious code.
Risikofaktoren
⚙️ Externe Befehle (4)
Qualitätsbewertung
Was du bauen kannst
Optimierung im Ingenieurdesign
Optimale Trade-offs zwischen konkurrierenden Designzielen wie Kosten, Gewicht, Festigkeit und Leistung finden.
Abstimmung von Modell-Hyperparametern
Mehrere widersprüchliche Metriken wie Genauigkeit, Inferenzgeschwindigkeit und Modellkomplexität gleichzeitig optimieren.
Vergleichsstudien für Algorithmen
Optimierungsalgorithmen auf Standardtestproblemen benchmarken, um Konvergenz und Diversität zu bewerten.
Probiere diese Prompts
Optimiere das ZDT1-Benchmark-Problem mit NSGA-II, um die Pareto-Front zu finden. Verwende eine Populationsgröße von 100 und 200 Generationen.
Erstelle ein benutzerdefiniertes Problem mit zwei Variablen und zwei Zielen, wobei f1 = x[0]^2 + x[1]^2 und f2 = (x[0]-1)^2 + (x[1]-1)^2 mit den Grenzen [0, 5] für beide Variablen.
Löse ein eingeschränktes Mehrkriterienoptimierungsproblem mit der Strafmethode unter Verwendung von NSGA-II. Zeige, wie die Machbarkeit von Lösungen überprüft wird.
Führe NSGA-III auf DTLZ2 mit 5 Zielen aus und visualisiere die Ergebnisse mit einem Parallel Coordinate Plot, um Trade-offs über alle Ziele hinweg zu zeigen.
Bewährte Verfahren
- Zufallsgenerator fixieren (seed=1) für reproduzierbare Optimierungsergebnisse
- Ziele vor Anwendung von Entscheidungsmethoden auf den Bereich [0,1] normalisieren
- Erhaltene Fronten mit wahren Pareto-Fronten vergleichen, wenn Benchmark-Probleme verwendet werden
Vermeiden
- NSGA-II für viele-Ziele-Probleme (4+ Ziele) verwenden - stattdessen NSGA-III verwenden
- Constraint-Formulierung ignorieren (muss g <= 0 für Ungleichheit, h = 0 für Gleichheit sein)
- Optimierung ohne Visualisierung der Ergebnisse durchführen - Pareto-Fronten immer plotten