pymoo

pymoo 技能總覽

pymoo 是一個用來解決單目標與多目標最佳化問題的 Python 技能，特別強調 Pareto 取捨、演化式演算法，以及受約束的設計問題。當你需要的不只是一般最佳化器時，pymoo skill 就很合適：它能協助你選擇並設定像 NSGA-II、NSGA-III、MOEA/D 這類演算法，並以更貼近真實工程或資料分析決策的方式解讀結果。

這個技能最適合已經有目標函數、約束條件，且需要比較彼此競爭結果的人，而不是只想優化單一數值。如果你的工作是找出可行、品質高、而且能反映取捨的解，pymoo skill 會是很好的選擇。

pymoo skill 的用途

pymoo 主要是為多目標最佳化流程而設計：選擇演算法、定義問題結構、執行最佳化，以及解讀 Pareto front。它也支援像 ZDT 和 DTLZ 這類基準問題，因此既適合實務應用，也適合方法比較。

誰應該使用這個技能

如果你是以下情況，就適合使用 pymoo skill：

• 建模有彼此衝突目標的工程設計問題
• 對最佳化方法做基準測試
• 在 Python 中探索受約束最佳化
• 做 pymoo for Data Analysis，且必須平衡多個指標
• 比較一組解，而不是找單一最佳答案

為什麼 pymoo 脫穎而出

它最大的價值在於一致的最佳化工作流程：一個框架、多種演算法家族、以及一致的結果處理。當你從小型測試問題轉向更貼近現實的受約束問題時，這會大幅降低設定成本。尤其是在你需要檢視取捨，而不是把所有東西硬塞成單一分數時，它特別有幫助。

如何使用 pymoo skill

安裝 pymoo skill

在你的 agent 環境中，使用這個 repository 路徑安裝 skill：

npx skills add K-Dense-AI/claude-scientific-skills --skill pymoo

安裝完成後，請先閱讀 scientific-skills/pymoo/SKILL.md。這是最重要的檔案，因為它定義了正確使用 pymoo 的預期工作流程、核心概念與限制。

從正確的輸入開始

pymoo skill 最適合搭配包含以下資訊的提示詞：

• 決策變數及其範圍
• 目標數量
• 約束條件（如果有）
• 變數是連續、離散、布林，還是混合型
• 你要的輸出：最佳解、Pareto set、比較結果，或基準測試執行

較弱的提示會說：「用 pymoo 幫我最佳化模型。」
較強的提示會說：「用 pymoo 解一個有 8 個連續變數的受約束雙目標問題，最小化成本與誤差，並回傳 Pareto front 以及建議的 knee-point 解。」

實務工作流程

一個好的 pymoo 使用流程如下：

1. 清楚定義問題
2. 選擇與目標數量及變數型態相符的演算法
3. 使用明確的終止條件執行 minimize()
4. 檢查可行性、收斂情況與 Pareto 品質
5. 用你真正的商業或工程判斷標準比較候選解

這點很重要，因為設定品質通常比演算法名稱更關鍵。很多不理想的結果，問題不在 pymoo 本身，而是在目標定義不夠明確或漏掉了約束條件。

先閱讀這些檔案

使用這個 skill 時，請先看：

• scientific-skills/pymoo/SKILL.md

接著再掃讀以下段落：

• 何時使用這個技能
• 核心概念
• 統一介面
• 約束與實務工作流程範例

因為這個 repo 沒有額外的支援檔案，所以最主要的權威來源就是 skill 文件本身。

pymoo skill FAQ

pymoo 只適合多目標問題嗎？

不是。pymoo 同時支援單目標與多目標最佳化，但它真正的強項是把取捨處理得很乾淨。如果你只需要基本的純量最小化，可能用更簡單的工具就夠了。

這比直接寫一個泛用最佳化提示詞更好嗎？

通常是的。泛用提示詞可能會產生看似合理的演算法選擇，但 pymoo skill 提供的是一致的流程、明確的術語，以及對約束、Pareto front 和基準問題更完整的指引。當你需要可重現的 pymoo 使用方式時，這能減少猜測成本。

pymoo 對新手友善嗎？

如果你已經了解自己要解的最佳化問題，它就算友善。若你還不知道變數、約束或成功指標，對新手來說就沒那麼友善。這個技能最有幫助的情況，是問題已經定義清楚，但實作細節還不明朗。

什麼時候不該用 pymoo？

如果你的工作只是一般資料整理、視覺化，或沒有任何最佳化步驟的標準統計分析，就不該用 pymoo。對 pymoo for Data Analysis 來說，只有在你要針對多個準則去最佳化模型、特徵集合、閾值或政策時，它才真正有意義。

如何改進 pymoo skill

提供完整定義的問題

最大的改善來自更清楚的問題框定。請加入目標函數、變數範圍、約束條件，以及你在實務上怎樣才算「好」。如果你想要 Pareto front，就直接說明；如果你只想要一個可部署解，也要說清楚你打算如何挑選。

讓演算法匹配問題型態

請在提示詞中說明你需要哪一種搜尋方式。例如，若是常見的多目標設定，可以明確提到想用 NSGA-II；如果你的問題有離散或混合型變數，也要講清楚。這能幫助 pymoo skill 避免給出不符合變數空間的泛用建議。

要求可直接做決策的輸出

如果你只要求程式碼，可能會得到一段能跑的 script，卻沒有真正能用的結果。更好的提示詞會要求完整的最佳化設定、終止條件、結果解讀，以及如何驗證解集合的簡短說明。這在 pymoo install 與使用場景中特別重要，尤其是你要把這個 skill 整合進既有的 Python 工作流程時。

用約束與取捨反覆修正

如果第一次結果太寬鬆，就透過加入以下內容來細化：

• 更嚴格的邊界
• 明確的可行性規則
• 偏好的取捨方向
• 可接受解的效能門檻

這類迭代能提升 pymoo guide 的品質，因為 skill 就能把重點放在解的排序，而不是猜你要怎麼選。