用途：pymoo 是 Python 优化框架，侧重多目标优化，可求解单目标与多目标问题，使用 NSGA-II、NSGA-III、MOEA/D 等算法，配合 ZDT、DTLZ 等基准问题、可定制遗传算子与多准则决策方法，适合寻找目标冲突问题下的折中解（Pareto 前沿）。
主要能力：支持单目标、多目标（2-3 个目标）与高维多目标（4 个以上目标）问题，以及带不等式/等式约束的优化；内置基准问题与遗传算子（采样、选择、交叉、变异）；可对结果做决策分析并用 Scatter、PCP、Petal 等图表可视化；支持二进制、离散、连续及混合变量。
使用方式：统一调用 minimize(problem, algorithm, termination, seed=1, verbose=True)。问题可用 get_problem(...) 选取，或继承 ElementwiseProblem 自定义，目标写入 out["F"]，不等式约束 g(x) <= 0 写入 out["G"]，等式 h(x) = 0 写入 out["H"]。终止条件用 ('n_gen', N)、('n_evals', N) 或 get_termination(...)。结果读取 result.X、result.F、result.G（或 result.CV）。建议固定 seed 保证可复现，目标量纲不同时做归一化，NSGA-III 需提供参考方向。
适用场景：多目标权衡与 Pareto 解分析、进化算法实现与调参、约束优化、标准基准上的算法对比、遗传算子定制、高维优化结果可视化与多方案决策。
限制与依赖：不适用于离散事件仿真、机器学习超参数搜索、符号求导等场景，应改用对应工具。安装命令为 uv pip install pymoo；依赖含 NumPy、SciPy、matplotlib、autograd、cma、moocore。该技能面向 pymoo 0.6.x，资料称当前为 0.6.2（2026 年 6 月），恢复了 NumPy 2 下的 CMA-ES。文档见 https://pymoo.org/。其余收费、价格等信息暂未提供。