用途：pymoo 是 Python 优化框架，重点解决单目标与多目标优化问题，尤其擅长在目标冲突时寻找权衡解（Pareto 前沿），可用于工程设计等场景。
主要能力：提供统一 minimize() 接口；算法涵盖 GA、DE、PSO、CMA-ES（单目标）与 NSGA-II、R-NSGA-II、MOEA/D（多目标）、NSGA-III、RVEA、AGE-MOEA（多目标 4 个以上）；内置 ZDT、DTLZ、WFG 等基准问题；支持连续、二进制、离散及混合变量；可自定义问题（继承 ElementwiseProblem，实现 _evaluate）与遗传算子（如 SBX、PM）；支持约束处理（可行性优先、惩罚、约束转目标、SRES/ISRES）及多准则决策（PseudoWeights、折衷规划、膝点、超体积贡献）；提供散点图、3D 散点、平行坐标图、花瓣图等可视化。
使用方式：安装命令 uv pip install pymoo；依赖 NumPy、SciPy、matplotlib，autograd 为可选项。典型调用为 minimize(problem, algorithm, termination, seed=1, verbose=True)，结果对象含 X、F、G、CV 等。约束须写成 g(x) <= 0 与 h(x) = 0；NSGA-III 需提供参考方向（如 get_reference_directions）；MCDM 前建议先归一化目标。脚本示例包括 single_objective_example.py、multi_objective_example.py、many_objective_example.py、custom_problem_example.py、decision_making_example.py，可用 python3 运行。
适用场景：多目标权衡分析、约束优化、进化算法实现、基准测试与结果可视化。
限制：资料基于 pymoo 0.6.x，未提供具体性能、收费或平台支持信息；使用需自行调参，常见建议包括归一化目标、设置随机种子、保存历史、选用合适终止条件（如 'n_gen' 或 get_termination("f_tol", tol=0.001)）。