Habilidades pymoo
📊

pymoo

Seguro ⚙️ Comandos externos

Resolver optimización multiobjetivo con algoritmos evolutivos

También disponible en: davila7

La optimización multiobjetivo implica encontrar soluciones de compromiso cuando se deben satisfacer múltiples objetivos conflictivos. Esta skill proporciona acceso completo a los algoritmos de pymoo, incluyendo NSGA-II, NSGA-III y MOEA/D, para encontrar soluciones óptimas de Pareto y visualizar frentes de compromiso.

Soporta: Claude Codex Code(CC)
🥉 75 Bronce
1

Descargar el ZIP de la skill

2

Subir en Claude

Ve a Configuración → Capacidades → Skills → Subir skill

3

Activa y empieza a usar

Pruébalo

Usando "pymoo". Optimizar ZDT1 con NSGA-II para encontrar frente de Pareto

Resultado esperado:

  • Algoritmo: NSGA2 con pop_size=100
  • Problema: ZDT1 (30 variables, 2 objetivos)
  • Terminación: 200 generaciones
  • Resultado: Se encontraron 95 soluciones óptimas de Pareto
  • Visualización: Gráfico de dispersión que muestra el frente de Pareto convexo

Usando "pymoo". Crear problema de optimización biobjetivo personalizado

Resultado esperado:

  • Clase: ElementwiseProblem extendiendo pymoo.core.problem
  • Variables: 2 variables de decisión
  • Objetivos: f1 = x[0]^2 + x[1]^2, f2 = (x[0]-1)^2 + (x[1]-1)^2
  • Límites: [0, 5] para ambas variables
  • Listo para usar con cualquier algoritmo de pymoo

Usando "pymoo". Aplicar manejo de restricciones a la optimización

Resultado esperado:

  • Método: ConstraintsAsPenalty o enfoque de factibilidad-primero
  • Seguimiento de violación de restricciones mediante array CV (violación de restricción)
  • Soluciones factibles: CV[:, 0] == 0
  • Restricciones de desigualdad: g(x) <= 0
  • Restricciones de igualdad: h(x) = 0

Auditoría de seguridad

Seguro
v4 • 1/17/2026

This 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.

13
Archivos escaneados
4,425
Líneas analizadas
1
hallazgos
4
Auditorías totales

Factores de riesgo

⚙️ Comandos externos (4)
SKILL.md:32-34 SKILL.md:44 references/algorithms.md:13-19 references/visualization.md:16-29
Auditado por: claude Ver historial de auditorías →

Puntuación de calidad

68
Arquitectura
100
Mantenibilidad
87
Contenido
20
Comunidad
100
Seguridad
78
Cumplimiento de la especificación

Lo que puedes crear

Optimización de diseño de ingeniería

Encontrar compromisos óptimos entre objetivos de diseño competidores como costo, peso, resistencia y rendimiento.

Ajuste de hiperparámetros de modelos

Optimizar múltiples métricas conflictivas como precisión, velocidad de inferencia y complejidad del modelo simultáneamente.

Estudios de comparación de algoritmos

Evaluar el rendimiento de algoritmos de optimización en problemas de prueba estándar para evaluar la convergencia y diversidad.

Prueba estos prompts

Optimización multiobjetivo básica 
Optimizar el problema de referencia ZDT1 con NSGA-II para encontrar el frente de Pareto. Usar tamaño de población de 100 y 200 generaciones.
Definición de problema personalizado 
Crear un problema personalizado de dos variables y dos objetivos donde f1 = x[0]^2 + x[1]^2 y f2 = (x[0]-1)^2 + (x[1]-1)^2 con límites [0, 5] para ambas variables.
Manejo de restricciones 
Resolver un problema de optimización multiobjetivo con restricciones usando el método de penalización con NSGA-II. Mostrar cómo verificar la factibilidad de las soluciones.
Visualización de multiobjetivo 
Ejecutar NSGA-III en DTLZ2 con 5 objetivos y visualizar los resultados usando un gráfico de coordenadas paralelas para mostrar los compromisos entre todos los objetivos.

Mejores prácticas

  • Establecer semilla aleatoria (seed=1) para resultados reproducibles
  • Normalizar objetivos al rango [0,1] antes de aplicar métodos de toma de decisiones
  • Comparar frentes obtenidos con frentes de Pareto verdaderos cuando se usan problemas de referencia

Evitar

  • Usar NSGA-II para problemas multiobjetivo (4+ objetivos) - usar NSGA-III en su lugar
  • Ignorar la formulación de restricciones (debe ser g <= 0 para desigualdad, h = 0 para igualdad)
  • Ejecutar optimización sin visualizar resultados - siempre trazar frentes de Pareto

Preguntas frecuentes

¿Cuál es la diferencia entre NSGA-II y NSGA-III?
NSGA-II maneja 2-3 objetivos de manera eficiente. NSGA-III está diseñado para 4+ objetivos usando direcciones de referencia.
¿Cómo elijo entre NSGA-II y MOEA/D?
NSGA-II es de propósito general para frentes bien distribuidos. MOEA/D destaca cuando la descomposición en subproblemas escalares es efectiva.
¿Qué criterios de terminación debo usar?
Usar ('n_gen', N) para generaciones, ('n_eval', N) para evaluaciones, o terminación basada en tolerancia para convergencia.
¿Cómo extraigo la mejor solución del frente de Pareto?
Usar PseudoWeights con pesos de preferencia, o selección de punto de rodilla para compromisos equilibrados.
¿Puedo usar esto para problemas discretos o de variables mixtas?
Sí, pymoo soporta problemas binarios, discretos, continuos y de variables mixtas con operadores apropiados.
¿Cómo visualizo resultados con más de 3 objetivos?
Usar gráfico de coordenadas paralelas (PCP) para 4+ objetivos para mostrar todas las dimensiones simultáneamente.

Detalles del desarrollador

Licencia

Apache-2.0 license

Repositorio

https://github.com/K-Dense-AI/claude-scientific-skills/tree/main/scientific-skills/pymoo

Ref.

main

Estructura de archivos

📁 references/

📄 algorithms.md

📄 constraints_mcdm.md

📄 operators.md

📄 problems.md

📄 visualization.md

📁 scripts/

📄 custom_problem_example.py

📄 decision_making_example.py

📄 many_objective_example.py

📄 multi_objective_example.py

📄 single_objective_example.py

📄 EVALUATION_OUTPUT.json

📄 SKILL.md