Pymoo 算法

# Pymoo 算法参考 Pymoo 中可用优化算法的综合参考。 ## 单目标优化算法 ### 遗传算法 (GA) **目的：** 通用单目标进化优化 **适用：** 连续、离散或混合变量问题 **算法类型：** (μ+λ) 遗传算法 **关键参数：** - `pop_size`: 种群大小（默认：100） - `sampling`: 初始种群生成策略 - `selection`: 父代选择机制（默认：锦标赛选择） - `crossover`: 重组算子（默认：SBX） - `mutation`: 变异算子（默认：多项式变异） - `eliminate_duplicates`: 去除重复解（默认：True） - `n_offsprings`: 每代产生的后代数量 **用法：** python from pymoo.algorithms.soo.nonconvex.ga import GA algorithm = GA(pop_size=100, eliminate_duplicates=True) ### 差分进化 (DE) **目的：** 单目标连续优化 **适用：** 具有良好全局搜索能力的连续参数优化 **算法类型：** 基于种群的差分进化 **变体：** 提供多种 DE 策略（rand/1/bin, best/1/bin 等） ### 粒子群优化 (PSO) **目的：** 通过群体智能进行单目标优化 **适用：** 连续问题，在平滑景观上快速收敛 ### CMA-ES **目的：** 协方差矩阵自适应进化策略 **适用：** 连续优化，特别适用于噪声或病态问题 ### 模式搜索 (Pattern Search) **目的：** 直接搜索法 **适用：** 无法获取梯度信息的问题 ### Nelder-Mead **目的：** 基于单纯形的优化 **适用：** 连续函数的局部优化 ## 多目标优化算法 ### NSGA-II (非支配排序遗传算法 II) **目的：** 2-3 个目标的多目标优化 **适用：** 需要分布良好的帕累托前沿的双目标和三目标问题 **选择策略：** 非支配排序 + 拥挤距离 **关键特性：** - 快速非支配排序 - 用于多样性的拥挤距离 - 精英保留策略 - 二进制锦标赛交配选择 **关键参数：** - `pop_size`: 种群大小（默认：100） - `sampling`: 初始种群策略 - `crossover`: 连续变量默认 SBX - `mutation`: 默认多项式变异 - `survival`: RankAndCrowding **用法：** python from pymoo.algorithms.moo.nsga2 import