🎯

pymoo

Name: pymoo
Author: davila7

Seguro ⚙️ Comandos externos🌐 Acceso a red

Resolver otimização multi-objetivo com algoritmos evolutivos

También disponible en: K-Dense-AI

Engenheiros e pesquisadores precisam encontrar compromissos ótimos entre objetivos conflitantes como custo, peso e desempenho. Esta skill fornece acesso a NSGA-II, NSGA-III e outros algoritmos evolutivos através do pymoo para descobrir soluções Pareto-ótimas para problemas complexos de design.

Soporta: Claude Codex Code(CC)

🥉 76 Bronce

Descargar el ZIP de la skill

Subir en Claude

Ve a Configuración → Capacidades → Skills → Subir skill

Activa y empieza a usar

Pruébalo

Usando "pymoo". Optimize the ZDT1 problem with NSGA-II

Resultado esperado:

Running NSGA-II on ZDT1 bi-objective benchmark
Population size: 100, Generations: 200
Found 85 Pareto-optimal solutions
Best f1 range: 0.001 - 0.999
Best f2 range: 0.035 - 1.002

Usando "pymoo". Minimize the Sphere function with 10 variables

Resultado esperado:

Using Genetic Algorithm with population size 100
Running 100 generations
Best objective value: 0.000123
Converged solution near global optimum at origin

Usando "pymoo". Solve a constrained optimization problem

Resultado esperado:

Problem with 2 inequality constraints
Applied feasibility-first constraint handling
95 out of 100 final solutions are feasible
Best feasible solution satisfies all constraints

Auditoría de seguridad

Seguro

v5 • 1/17/2026

This skill is a pure mathematical optimization framework using the pymoo library. All static findings are FALSE POSITIVES caused by the scanner misinterpreting markdown code fences as shell commands, and algorithm names as security keywords. The skill contains only Python documentation and example scripts that perform local mathematical computations with no file system access, network calls, or external command execution beyond standard Python imports.

Archivos escaneados

2,916

Líneas analizadas

hallazgos

Auditorías totales

Factores de riesgo

⚙️ Comandos externos (264)

🌐 Acceso a red (2)

skill-report.json:6 SKILL.md:556

Auditado por: claude Ver historial de auditorías →

Puntuación de calidad

Arquitectura

100

Mantenibilidad

Contenido

Comunidad

100

Seguridad

Cumplimiento de la especificación

Lo que puedes crear

Compensações em Projetos de Engenharia

Encontrar equilíbrio ótimo entre custo, peso, resistência e desempenho para componentes estruturais e peças de máquinas.

Otimização de Hiperparâmetros

Otimizar parâmetros de modelos de aprendizado de máquina considerando múltiplas métricas como precisão, tempo de inferência e uso de memória.

Problemas de Alocação de Recursos

Resolver problemas de agendamento e distribuição de recursos com objetivos conflitantes como tempo, custo e qualidade.

Prueba estos prompts

Objetivo Único Básico

Use pymoo to optimize the Sphere function with 10 variables using Genetic Algorithm. Set population size to 100 and run for 100 generations.

Configuração Multi-Objetivo

Solve the ZDT1 bi-objective benchmark problem using NSGA-II in pymoo. Show the obtained Pareto front compared to the true Pareto front.

Problema Personalizado

Create a custom pymoo problem that minimizes f1 = x1^2 + x2^2 and f2 = (x1-1)^2 + (x2-1)^2 with bounds 0 <= x1, x2 <= 5. Solve with NSGA-II.

Tomada de Decisão

After obtaining a Pareto front from a multi-objective optimization, use Pseudo-Weights to select a solution with 30% weight on objective 1 and 70% weight on objective 2. Show the selected solution and its decision variables.

Mejores prácticas

Definir semente aleatória (seed=1) para execuções de otimização reproduzíveis
Normalizar objetivos para [0,1] antes de aplicar métodos de tomada de decisão
Escolher NSGA-II para 2-3 objetivos e NSGA-III para 4+ objetivos
Começar com populações menores e aumentar se os resultados carecerem de diversidade

Evitar

Usar NSGA-II para problemas de muitos objetivos (4+ objetivos) causa baixa diversidade
Pular formulação de restrições como g(x) <= 0 leva a soluções inviáveis
Executar otimização sem critérios de término desperdiça recursos computacionais
Ignorar visualização de resultados perde insights sobre qualidade da solução

Preguntas frecuentes

Qual é a diferença entre NSGA-II e NSGA-III?

NSGA-II funciona melhor para 2-3 objetivos usando distância de aglomeração. NSGA-III lida com 4+ objetivos usando direções de referência para cobertura uniforme da fronteira de Pareto.

Quantas gerações devo executar?

Comece com 100-200 gerações. Aumente para problemas mais difíceis. Monitore a convergência verificando se a fronteira de Pareto se estabiliza entre as execuções.

Posso usar pymoo com restrições personalizadas?

Sim. Defina restrições de desigualdade como g(x) <= 0 e restrições de igualdade como h(x) = 0 na sua subclasse ElementwiseProblem.

Meus dados estão seguros ao usar esta skill?

Sim. Esta skill apenas executa computações de otimização locais. Nenhum dado é enviado externamente. Todos os scripts são executados na sua máquina local.

Por que minha otimização não está convergindo?

Tente aumentar o tamanho da população, verificar a formulação das restrições, usar operadores diferentes ou verificar se o dimensionamento do seu problema está apropriado.

Como pymoo se compara à otimização do scipy?

Pymoo se destaca em problemas multi-objetivo com geração de fronteira de Pareto. Use scipy.optimize para otimização uni-objetivo baseada em gradiente.