技能 pymoo

🎯

pymoo

Name: pymoo
Author: davila7

安全 ⚙️ 外部命令🌐 網路存取

使用进化算法解决多目标优化问题

也可從以下取得: K-Dense-AI

工程师和研究人员需要在成本、重量和性能等相互冲突的目标之间找到最优权衡。本技能通过 pymoo 提供 NSGA-II、NSGA-III 和其他进化算法的访问,为复杂设计问题发现帕累托最优解。

支援: Claude Codex Code(CC)

🥉 76 青銅

下載技能 ZIP

在 Claude 中上傳

前往設定 → 功能 → 技能 → 上傳技能

開啟並開始使用

測試它

正在使用「pymoo」。 Optimize the ZDT1 problem with NSGA-II

預期結果:

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

正在使用「pymoo」。 Minimize the Sphere function with 10 variables

預期結果:

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

正在使用「pymoo」。 Solve a constrained optimization problem

預期結果:

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

安全審計

安全

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.

已掃描檔案

2,916

分析行數

發現項

審計總數

風險因素

⚙️ 外部命令 (264)

🌐 網路存取 (2)

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

審計者: claude 查看審計歷史 →

品質評分

架構

100

可維護性

內容

社群

100

安全

規範符合性

你能建構什麼

工程设计权衡

为结构组件和机械零件在成本、重量、强度和性能之间找到最优平衡。

超参数优化

在准确率、推理时间和内存使用等多个指标上优化机器学习模型参数。

资源分配问题

解决具有时间、成本和质量等冲突目标的调度和资源分配问题。

試試這些提示

基本单目标

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

多目标设置

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

自定义问题

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.

决策制定

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.