Pymoo - Otimização Multiobjetivo em Python

Visão Geral

Pymoo é um framework abrangente em Python para otimização com ênfase em problemas multiobjetivo. Resolva otimizações mono e multiobjetivo usando algoritmos de ponta (NSGA-II/III, MOEA/D, SPEA2), problemas de benchmark (ZDT, DTLZ), operadores genéticos customizáveis e métodos de tomada de decisão multicritério. Destaca-se em encontrar soluções de trade-off (frentes de Pareto) para problemas com objetivos conflitantes. Foco na versão estável pymoo 0.6.2, revisada em 2026-10-01 contra a documentação oficial atual e execuções nativas de exemplos.

Instalação

uv pip install "pymoo==0.6.2"

Para ambientes reproduzíveis, fixe uma versão: uv pip install "pymoo==0.6.2".

Dependências: O wheel 0.6.2 lançado requer NumPy, SciPy, moocore, autograd, cma, matplotlib, alive_progress e Deprecated. NumPy 2.x é suportado. A descrição atual da instalação menciona algumas dependências como opcionais; os metadados do pacote lançado governam a instalação. Joblib, Optuna e dill são dependências separadas para as receitas correspondentes.

Documentação: https://pymoo.org/ — Índice amigável para LLM: https://pymoo.org/llms.txt

Quando Usar Esta Habilidade

Esta habilidade deve ser usada quando:

• Resolver problemas de otimização com um ou múltiplos objetivos
• Encontrar soluções ótimas de Pareto e analisar trade-offs
• Implementar algoritmos evolutivos (GA, DE, PSO, NSGA-II/III)
• Trabalhar com problemas de otimização com restrições
• Fazer benchmark de algoritmos em problemas de teste padrão (ZDT, DTLZ, WFG)
• Customizar operadores genéticos (crossover, mutação, seleção)
• Visualizar resultados de otimização de alta dimensionalidade
• Tomar decisões a partir de múltiplas soluções concorrentes
• Lidar com problemas de variáveis binárias, discretas, contínuas ou mistas

Conceitos Principais

A Interface Unificada

Pymoo usa a função minimize() consistente para todas as tarefas de otimização:

from pymoo.optimize import minimize

result = minimize(
    problem,        # What to optimize
    algorithm,      # How to optimize
    termination,    # When to stop
    seed=1,
    verbose=True
)

O objeto de resultado contém:

• result.X: Variáveis de decisão da(s) solução(ões) ótima(s)
• result.F: Valores dos objetivos da(s) solução(ões) ótima(s)
• result.G: Valores brutos das desigualdades (g(x) <= 0 é factível)
• result.H: Resíduos brutos das igualdades
• result.CV: Violação agregada de restrições sob as tolerâncias configuradas
• result.algorithm: Estado final do algoritmo; o histórico é retido quando solicitado

Verifique a factibilidade antes de plotar ou selecionar: Se nenhuma solução factível foi encontrada, result.X e result.F podem ser None. Com return_least_infeasible=True, um candidato retornado ainda pode violar restrições; reporte sua CV e resíduos em vez de chamá-lo de factível. Reavalie os candidatos escolhidos contra as restrições físicas originais após qualquer normalização ou reparo. Veja o contrato de resultado.

Estilos de Definição de Problema

Pymoo suporta três estilos de definição de problema:

• Problem: Vetorizado — _evaluate recebe um lote de soluções (matriz)
• ElementwiseProblem: Uma solução por chamada — recomendado para problemas customizados e avaliação paralela
• FunctionalProblem: Define objetivos e restrições como funções separadas sem herdar de classes

Tipos de Problema

Mono-objetivo: Um objetivo a minimizar; negue um objetivo de maximização e registre a conversão Multiobjetivo: 2-3 objetivos conflitantes → Frente de Pareto Muitos-objetivos: 4+ objetivos → Frente de Pareto de alta dimensionalidade Com Restrições: Objetivos + restrições de desigualdade/igualdade Variáveis Misturadas: Variáveis contínuas, inteiras, binárias e categóricas em um único problema Dinâmico: Objetivos ou restrições que variam com o tempo

Fluxos de Trabalho de Início Rápido

Nove fluxos de trabalho e trechos de adaptação dependentes do contexto estão em references/quick_start_workflows.md:

…