用途：当需要同时优化多个相互冲突的目标（如收益与风险、成本与性能）时，多目标优化不返回单一最优解，而是给出 Pareto 前沿——一组无法在不恶化其他目标的前提下改进任一目标的权衡解，供决策者依据偏好选择。
主要能力：资料涵盖核心概念（Pareto 支配、Pareto 前沿、乌托邦点与最低点）、方法分类与对比，以及实现模式。标量化方法包括加权和、加权度量（Lp 范数）、ε-约束法和目标规划；进化算法包括 NSGA-II、NSGA-III、MOEA/D，以及 SPEA2、PAES、GDE3、SMS-EMOA 等。还涉及 Pareto 分析（非支配排序、超体积指标、世代距离）。
使用方式：资料给出各库安装命令：pip install pymoo、pip install platypus-opt、pip install deap；scipy.optimize 用于标量化。pymoo 被推荐为现代综合方案，提供 NSGA-II/III、MOEA/D、内置测试问题与性能指标；platypus 为纯 Python、接口简单；DEAP 为通用进化计算框架、灵活但 API 较复杂；scipy.optimize 仅适合标量化且需手动构建 Pareto 前沿。资料含 NSGA-II、NSGA-III、带约束问题、加权和、ε-约束、platypus、DEAP 等实现模式示例。
适用场景：投资组合、工程设计、制造、药物设计、车辆路径等存在多冲突目标的决策问题。
限制：仅当目标可合并为已知权重的单一指标、或只有一个目标、或某目标远比其他重要时，不宜使用多目标优化。加权和无法发现非凸 Pareto 前沿且对量纲敏感；ε-约束需多次求解并设定约束边界；NSGA-II 在目标数超过 3 时表现下降；NSGA-III 与 MOEA/D 参数调优更复杂。资料未提供具体收费、价格或平台信息。