用途：pymoo 是面向多目标优化的 Python 框架，适合求解单目标或多目标优化问题、寻找并分析 Pareto 最优解与权衡关系、实现进化算法（GA、DE、PSO、NSGA-II/III）、处理带约束问题、在 ZDT/DTLZ/WFG 等标准测试问题上做基准对比、自定义遗传算子，以及从多个竞争解中做决策。
主要能力：统一用 minimize(problem, algorithm, termination, seed, verbose) 接口；结果对象含 result.X（决策变量）、result.F（目标值）、result.G（约束违反）、result.algorithm。问题定义支持 Problem（向量化）、ElementwiseProblem（逐个求解，便于自定义与并行）、FunctionalProblem（函数式）。覆盖单目标、多目标（2-3 个目标）、多目标（4 个以上）、带约束、混合变量、动态问题。算法含 GA、DE、PSO、CMA-ES、NSGA-II、NSGA-III、SPEA2、MOEA/D、RVEA、R-NSGA-II、SRES 等，并提供内置基准问题（rastrigin、rosenbrock、zdt1-3、dtlz2/7 等）。可视化含 Scatter（2/3 目标）、PCP（4 目标以上）、Petal 等。
使用方式：安装命令为 uv pip install pymoo，可固定版本 uv pip install "pymoo==0.6.1.6"（当前稳定版 0.6.1.6）。依赖 NumPy（0.6.1.3 起兼容 2.x）、SciPy、matplotlib；Autograd 为可选，用于基于梯度的功能。文档见 https://pymoo.org/ ，LLM 友好索引见 https://pymoo.org/llms.txt 。约束按 g(x)<=0、h(x)=0 表达，可选择可行性优先、罚函数、约束转目标或专用算法。并行评估通过 elementwise_runner 配合 StarmapParallelization 或 JoblibParallelization。
适用场景与限制：适合工程设计等有冲突目标的优化。资料未提供具体收费、价格或平台信息，相关内容暂未提供。