Python has become the programming language of choice for research and industry projects related to data science, machine learning, and deep learning. Since optimization is an inherent part of these research fields, more optimization related frameworks have arisen in the past few years. Only a few of them support optimization of multiple conflicting objectives at a time, but do not provide comprehensive tools for a complete multi-objective optimization task. To address this issue, we have developed pymoo, a multi-objective optimization framework in Python. We provide a guide to getting started with our framework by demonstrating the implementation of an exemplary constrained multi-objective optimization scenario. Moreover, we give a high-level overview of the architecture of pymoo to show its capabilities followed by an explanation of each module and its corresponding sub-modules. The implementations in our framework are customizable and algorithms can be modified/extended by supplying custom operators. Moreover, a variety of single, multi and many-objective test problems are provided and gradients can be retrieved by automatic differentiation out of the box. Also, pymoo addresses practical needs, such as the parallelization of function evaluations, methods to visualize low and high-dimensional spaces, and tools for multi-criteria decision making. For more information about pymoo, readers are encouraged to visit: https://pymoo.org

中文翻译：

---

pymoo：Python 中的多目标优化

Python 已成为与数据科学、机器学习和深度学习相关的研究和行业项目的首选编程语言。由于优化是这些研究领域的固有部分，因此在过去几年中出现了更多与优化相关的框架。其中只有少数支持一次优化多个冲突的目标，但没有为完整的多目标优化任务提供全面的工具。为了解决这个问题，我们开发了 pymoo，一个用 Python 编写的多目标优化框架。我们通过演示示例性约束多目标优化场景的实现，提供了开始使用我们的框架的指南。而且，我们对 pymoo 的架构进行了高级概述，以展示其功能，然后对每个模块及其相应的子模块进行说明。我们框架中的实现是可定制的，并且可以通过提供自定义运算符来修改/扩展算法。此外，还提供了各种单目标、多目标和多目标测试问题，并且可以通过开箱即用的自动微分来检索梯度。此外，pymoo 解决了实际需求，例如函数评估的并行化、可视化低维和高维空间的方法以及多标准决策工具。有关 pymoo 的更多信息，鼓励读者访问：https://pymoo.org 我们框架中的实现是可定制的，并且可以通过提供自定义运算符来修改/扩展算法。此外，还提供了各种单目标、多目标和多目标测试问题，并且可以通过开箱即用的自动微分来检索梯度。此外，pymoo 解决了实际需求，例如函数评估的并行化、可视化低维和高维空间的方法以及多标准决策工具。有关 pymoo 的更多信息，鼓励读者访问：https://pymoo.org 我们框架中的实现是可定制的，并且可以通过提供自定义运算符来修改/扩展算法。此外，还提供了各种单目标、多目标和多目标测试问题，并且可以通过开箱即用的自动微分来检索梯度。此外，pymoo 解决了实际需求，例如函数评估的并行化、可视化低维和高维空间的方法以及多标准决策工具。有关 pymoo 的更多信息，鼓励读者访问：https://pymoo.org 可视化低维和高维空间的方法，以及用于多标准决策制定的工具。有关 pymoo 的更多信息，鼓励读者访问：https://pymoo.org 可视化低维和高维空间的方法，以及用于多标准决策制定的工具。有关 pymoo 的更多信息，鼓励读者访问：https://pymoo.org