### 多目标优化算法的 Python 示例代码 以下是基于 `pymoo` 和 `platypus` 库实现多目标优化的示例代码。 #### 基于 pymoo 的 NSGA-II 示例 `pymoo` 是一个多目标优化库，提供了丰富的功能来解决复杂的优化问题。以下是一个简单的 ZDT1 测试函数的优化示例： ```python from pymoo.algorithms.moo.nsga2 import NSGA2 from pymoo.factory import get_problem, get_termination from pymoo.optimize import minimize import numpy as np problem = get_problem("zdt1") # 定义ZDT1测试问题 [^1] algorithm = NSGA2(pop_size=100) # 初始化NSGA-II算法 [^1] # 设置终止条件：最大迭代次数为200次 termination = get_termination("n_gen", 200) res = minimize(problem, algorithm, termination, seed=1, verbose=True) print("最优解集:\n", res.X) print("目标值集合:\n", res.F) ``` 此代码实现了对 ZDT1 函数的目标优化，并返回了帕累托前沿的结果。 --- #### 基于 platypus 的 NSGA-II 示例 `platypus` 提供了一个简单易用的接口来进行多目标优化。下面展示了如何使用该库执行类似的优化任务： ```python from platypus import Problem, Real, NSGAII, Solution def schaffer(solution): x = solution.variables[0] solution.objectives[:] = [x ** 2, (x - 2) ** 2] # Schaffer F1测试函数定义 [^2] problem = Problem(1, 2) # 创建一个问题实例，具有1个变量和2个目标 problem.types[:] = Real(-10, 10) # 变量范围 [-10, 10] problem.function = schaffer # 绑定目标函数到问题对象 algorithm = NSGAII(problem) # 使用NSGA-II算法解决问题 algorithm.run(10000) # 运行10000代 for solution in algorithm.result: print(f"决策变量: {solution.variables}, 目标值: {solution.objectives}") ``` 这段代码通过自定义目标函数（Schaffer F1），演示了 Platypus 中 NSGA-II 算法的应用过程。 --- #### 关键点总结 - 上述两种方法均适用于不同场景下的多目标优化需求。 - 如果需要更复杂的功能或者更高的性能调优能力，推荐优先考虑 `pymoo`；而对于快速原型开发，则可以选择 `platypus`[^1][^2]。