pymoo
Résoudre l'optimisation multi-objectif avec des algorithmes évolutionnaires
Également disponible depuis: davila7
L'optimisation multi-objectif consiste à trouver des solutions de compromis lorsque plusieurs objectifs conflictuels doivent être satisfaits. Cette compétence donne un accès complet aux algorithmes pymoo, notamment NSGA-II, NSGA-III et MOEA/D, pour trouver des solutions optimales de Pareto et visualiser les fronts de compromis.
Télécharger le ZIP du skill
Importer dans Claude
Allez dans Paramètres → Capacités → Skills → Importer un skill
Activez et commencez à utiliser
Tester
Utilisation de "pymoo". Optimize ZDT1 with NSGA-II to find Pareto front
Résultat attendu:
- Algorithm: NSGA2 with pop_size=100
- Problem: ZDT1 (30 variables, 2 objectives)
- Termination: 200 generations
- Result: Found 95 Pareto-optimal solutions
- Visualization: Scatter plot showing convex Pareto front
Utilisation de "pymoo". Create custom two-objective optimization problem
Résultat attendu:
- Class: ElementwiseProblem extending pymoo.core.problem
- Variables: 2 decision variables
- Objectives: f1 = x[0]^2 + x[1]^2, f2 = (x[0]-1)^2 + (x[1]-1)^2
- Bounds: [0, 5] for both variables
- Ready for use with any pymoo algorithm
Utilisation de "pymoo". Apply constraint handling to optimization
Résultat attendu:
- Method: ConstraintsAsPenalty or feasibility-first approach
- Constraint violation tracking via CV (constraint violation) array
- Feasible solutions: CV[:, 0] == 0
- Inequality constraints: g(x) <= 0
- Equality constraints: h(x) = 0
Audit de sécurité
SûrThis 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.
Facteurs de risque
⚙️ Commandes externes (4)
Score de qualité
Ce que vous pouvez construire
Optimisation de la conception en ingénierie
Trouver des compromis optimaux entre des objectifs de conception concurrents comme le coût, le poids, la résistance et les performances.
Réglage des hyperparamètres de modèle
Optimiser plusieurs métriques conflictuelles comme la précision, la vitesse d'inférence et la complexité du modèle simultanément.
Études de comparaison d'algorithmes
Évaluer les algorithmes d'optimisation sur des problèmes de test standard pour analyser la convergence et la diversité.
Essayez ces prompts
Optimiser le problème de référence ZDT1 avec NSGA-II pour trouver le front de Pareto. Utiliser une population de 100 et 200 générations.
Créer un problème personnalisé à deux variables et deux objectifs où f1 = x[0]^2 + x[1]^2 et f2 = (x[0]-1)^2 + (x[1]-1)^2 avec les limites [0, 5] pour les deux variables.
Résoudre un problème d'optimisation multi-objectif contraint en utilisant la méthode de pénalité avec NSGA-II. Montrer comment vérifier la faisabilité des solutions.
Exécuter NSGA-III sur DTLZ2 avec 5 objectifs et visualiser les résultats en utilisant un graphique de coordonnées parallèles pour montrer les compromis sur tous les objectifs.
Bonnes pratiques
- Définir la graine aléatoire (seed=1) pour des résultats d'optimisation reproductibles
- Normaliser les objectifs dans la plage [0,1] avant d'appliquer les méthodes de décision
- Comparer les fronts obtenus avec les vrais fronts de Pareto lorsque des problèmes de référence sont utilisés
Éviter
- Utiliser NSGA-II pour des problèmes multi-objectif (4+ objectifs) - utiliser NSGA-III à la place
- Ignorer la formulation des contraintes (doivent être g <= 0 pour les inégalités, h = 0 pour les égalités)
- Exécuter l'optimisation sans visualiser les résultats - toujours tracer les fronts de Pareto