Навыки pymoo
📊

pymoo

Безопасно ⚙️ Внешние команды

Решение многокритериальной оптимизации с помощью эволюционных алгоритмов

Также доступно от: davila7

Многокритериальная оптимизация включает поиск компромиссных решений, когда необходимо удовлетворить несколько конфликтующих целей. Этот навык обеспечивает полный доступ к алгоритмам pymoo, включая NSGA-II, NSGA-III и MOEA/D, для поиска решений, оптимальных по Парето, и визуализации компромиссных фронтов.

Поддерживает: Claude Codex Code(CC)
🥉 75 Бронза
1

Скачать ZIP навыка

2

Загрузить в Claude

Перейдите в Settings → Capabilities → Skills → Upload skill

3

Включите и начните использовать

Протестировать

Использование «pymoo». Optimize ZDT1 with NSGA-II to find Pareto front

Ожидаемый результат:

  • 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

Использование «pymoo». Create custom two-objective optimization problem

Ожидаемый результат:

  • 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

Использование «pymoo». Apply constraint handling to optimization

Ожидаемый результат:

  • 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

Аудит безопасности

Безопасно
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
Просканировано файлов
4,425
Проанализировано строк
1
находки
4
Всего аудитов

Факторы риска

⚙️ Внешние команды (4)
SKILL.md:32-34 SKILL.md:44 references/algorithms.md:13-19 references/visualization.md:16-29
Проверено: claude Посмотреть историю аудитов →

Оценка качества

68
Архитектура
100
Сопровождаемость
87
Контент
20
Сообщество
100
Безопасность
78
Соответствие спецификации

Что вы можете построить

Оптимизация инженерного проектирования

Найдите оптимальные компромиссы между конкурирующими целями проектирования, такими как стоимость, вес, прочность и производительность.

Настройка гиперпараметров модели

Оптимизируйте несколько конфликтующих метрик, таких как точность, скорость вывода и сложность модели, одновременно.

Сравнительные исследования алгоритмов

Сравнительный анализ алгоритмов оптимизации на стандартных тестовых задачах для оценки сходимости и разнообразия.

Попробуйте эти промпты

Базовая многокритериальная оптимизация 
Оптимизируйте тестовую задачу ZDT1 с помощью NSGA-II для поиска фронта Парето. Используйте размер популяции 100 и 200 поколений.
Пользовательское определение задачи 
Создайте пользовательскую задачу с двумя переменными и двумя критериями, где f1 = x[0]^2 + x[1]^2 и f2 = (x[0]-1)^2 + (x[1]-1)^2 с границами [0, 5] для обеих переменных.
Обработка ограничений 
Решите задачу многокритериальной оптимизации с ограничениями с помощью штрафного метода с NSGA-II. Покажите, как проверить допустимость решений.
Виз��ализация многокритериальных результатов 
Запустите NSGA-III на DTLZ2 с 5 критериями и визуализируйте результаты с помощью параллельной координатной диаграммы для отображения компромиссов по всем критериям.

Лучшие практики

  • Установите начальное значение генератора случайных чисел (seed=1) для воспроизводимых результатов оптимизации
  • Нормализуйте критерии в диапазон [0, 1] перед применением методов принятия решений
  • Сравнивайте полученные фронты с истинными фронтами Парето при использовании тестовых задач

Избегать

  • Использование NSGA-II для многокритериальных задач (4+ критериев) - используйте NSGA-III
  • Игнорирование формулировки ограничений (должно быть g <= 0 для неравенств, h = 0 для равенств)
  • Запуск оптимизации без визуализации результатов - всегда стройте графики фронтов Парето

Часто задаваемые вопросы

В чем разница между NSGA-II и NSGA-III?
NSGA-II эффективно работает с 2-3 критериями. NSGA-III предназначен для 4+ критериев с использованием референсных направлений.
Как выбрать между NSGA-II и MOEA/D?
NSGA-II универсален для хорошо распределенных фронтов. MOEA/D превосходит, когда эффективна декомпозиция на скалярные подзадачи.
Какие критерии остановки следует использовать?
Используйте ('n_gen', N) для поколений, ('n_eval', N) для оценок или критерий остановки на основе толерантности для сходимости.
Как извлечь лучшее решение из фронта Парето?
Используйте псевдовеса с весами предпочтений или выбор точки перегиба для сбалансированных компромиссов.
Можно ли использовать это для дискретных или смешанных задач?
Да, pymoo поддерживает бинарные, дискретные, непрерывные и смешанные переменные задачи с соответствующими операторами.
Как визуализировать результаты более чем с 3 критериями?
Используйте параллельную координатную диаграмму (PCP) для 4+ критериев, чтобы показать все измерения одновременно.

Сведения для разработчиков

Автор

K-Dense-AI

Лицензия

Apache-2.0 license

Репозиторий

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

Ссылка

main

Структура файлов

📁 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