🎯

pymoo

Name: pymoo
Author: davila7

Sûr ⚙️ Commandes externes🌐 Accès réseau

Решение многокритериальной оптимизации с помощью эволюционных алгоритмов

Également disponible depuis: K-Dense-AI

Инженерам и исследователям необходимо находить оптимальный баланс между противоречивыми целями, такими как стоимость, вес и производительность. Этот навык предоставляет доступ к NSGA-II, NSGA-III и другим эволюционным алгоритмам через pymoo для поиска Парето-оптимальных решений сложных задач проектирования.

Prend en charge: Claude Codex Code(CC)

🥉 76 Bronze

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". Оптимизируй задачу ZDT1 с помощью NSGA-II

Résultat attendu:

Запуск NSGA-II на двухкритериальном тесте ZDT1
Размер популяции: 100, Поколений: 200
Найдено 85 Парето-оптимальных решений
Диапазон лучших значений f1: 0.001 - 0.999
Диапазон лучших значений f2: 0.035 - 1.002

Utilisation de "pymoo". Минимизируй функцию Sphere с 10 переменными

Résultat attendu:

Использование генетического алгоритма с размером популяции 100
Выполнение 100 поколений
Лучшее значение целевой функции: 0.000123
Сходимость решения вблизи глобального оптимума в начале координат

Utilisation de "pymoo". Реши задачу оптимизации с ограничениями

Résultat attendu:

Задача с 2 ограничениями неравенства
Применена обработка ограничений с приоритетом допустимости
95 из 100 финальных решений являются допустимыми
Лучшее допустимое решение удовлетворяет всем ограничениям

Audit de sécurité

Sûr

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.

Fichiers analysés

2,916

Lignes analysées

résultats

Total des audits

Facteurs de risque

⚙️ Commandes externes (264)

🌐 Accès réseau (2)

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

Audité par: claude Voir l’historique des audits →

Score de qualité

Architecture

100

Maintenabilité

Contenu

Communauté

100

Sécurité

Conformité aux spécifications

Ce que vous pouvez construire

Компромиссы в инженерном проектировании

Поиск оптимального баланса между стоимостью, весом, прочностью и производительностью для конструкционных компонентов и деталей машин.

Оптимизация гиперпараметров

Оптимизация параметров моделей машинного обучения по нескольким метрикам, таким как точность, время вывода и использование памяти.

Задачи распределения ресурсов

Решение задач планирования и распределения ресурсов с противоречивыми целями, такими как время, стоимость и качество.

Essayez ces prompts

Базовая однокритериальная задача

Используй pymoo для оптимизации функции Sphere с 10 переменными с помощью генетического алгоритма. Установи размер популяции 100 и запусти на 100 поколений.

Настройка многокритериальной задачи

Реши двухкритериальную тестовую задачу ZDT1 с использованием NSGA-II в pymoo. Покажи полученный фронт Парето в сравнении с истинным фронтом Парето.

Пользовательская задача

Создай пользовательскую задачу pymoo, которая минимизирует f1 = x1^2 + x2^2 и f2 = (x1-1)^2 + (x2-1)^2 с ограничениями 0 <= x1, x2 <= 5. Реши с помощью NSGA-II.

Принятие решений

После получения фронта Парето из многокритериальной оптимизации используй метод Pseudo-Weights для выбора решения с весом 30% для первой целевой функции и 70% для второй. Покажи выбранное решение и его переменные решения.

Bonnes pratiques

Устанавливай случайное начальное значение (seed=1) для воспроизводимых запусков оптимизации
Нормализуй целевые функции к диапазону [0,1] перед применением методов принятия решений
Выбирай NSGA-II для 2-3 целевых функций и NSGA-III для 4+ целевых функций
Начинай с меньших популяций и увеличивай их, если результатам не хватает разнообразия

Éviter

Использование NSGA-II для многокритериальных задач (4+ целевых функций) приводит к плохому разнообразию
Пропуск формулировки ограничений в виде g(x) <= 0 приводит к недопустимым решениям
Запуск оптимизации без критериев завершения расточительно расходует вычислительные ресурсы
Игнорирование визуализации результатов упускает важные выводы о качестве решения

Foire aux questions

В чем разница между NSGA-II и NSGA-III?

NSGA-II лучше всего работает для 2-3 целевых функций, используя расстояние скученности. NSGA-III обрабатывает 4+ целевых функций, используя опорные направления для равномерного покрытия фронта Парето.

Сколько поколений следует запускать?

Начни со 100-200 поколений. Увеличивай для более сложных задач. Отслеживай сходимость, проверяя, стабилизируется ли фронт Парето между запусками.

Могу ли я использовать pymoo с пользовательскими ограничениями?

Да. Определи ограничения неравенства как g(x) <= 0 и ограничения равенства как h(x) = 0 в подклассе ElementwiseProblem.

Безопасны ли мои данные при использовании этого навыка?

Да. Этот навык выполняет только локальные вычисления оптимизации. Никакие данные не передаются во внешние системы. Все скрипты выполняются на вашем локальном компьютере.

Почему моя оптимизация не сходится?

Попробуй увеличить размер популяции, проверить формулировку ограничений, использовать другие операторы или проверить, правильно ли масштабирована твоя задача.

Как pymoo соотносится с оптимизацией в scipy?

Pymoo превосходно справляется с многокритериальными задачами с построением фронта Парето. Используй scipy.optimize для однокритериальной градиентной оптимизации.