Pymoo 可视化

# Pymoo 可视化参考 pymoo 中可视化功能的综合参考。 ## 概览 Pymoo 提供了八种可视化类型，用于分析多目标优化结果。所有绘图均封装了 matplotlib，并接受标准的 matplotlib 关键字参数进行自定义。 ## 核心可视化类型 ### 1. 散点图 **目的：** 可视化 2D、3D 或更高维度的目标空间 **适用场景：** 帕累托前沿、解分布、算法比较 **用法：** python from pymoo.visualization.scatter import Scatter # 2D 散点图 plot = Scatter() plot.add(result.F, color="red", label="Algorithm A") plot.add(ref_pareto_front, color="black", alpha=0.3, label="True PF") plot.show() # 3D 散点图 plot = Scatter(title="3D Pareto Front") plot.add(result.F) plot.show() **参数：** - `title`: 图表标题 - `figsize`: 图表尺寸元组 (宽, 高) - `legend`: 显示图例 (默认: True) - `labels`: 坐标轴标签列表 **Add 方法参数：** - `color`: 颜色规格 - `alpha`: 透明度 (0-1) - `s`: 标记大小 - `marker`: 标记样式 - `label`: 图例标签 **高维投影：** 对于 >3 个目标，自动创建散点图矩阵 ### 2. 平行坐标图 (PCP) **目的：** 比较多个解在多个目标上的表现 **适用场景：** 多目标问题、比较算法性能 **机制：** 每个垂直轴代表一个目标，线条连接每个解在各目标上的值 **用法：** python from pymoo.visualization.pcp import PCP plot = PCP() plot.add(result.F, color="blue", alpha=0.5) plot.add(reference_set, color="red", alpha=0.8) plot.show() **参数：** - `title`: 图表标题 - `figsize`: 图表尺寸 - `labels`: 目标标签 - `bounds`: 每个目标的归一化边界 (min, max) - `normalize_each_axis`: 每个轴归一化到 [0,1] (默认: True) **最佳实践：** - 针对不同目标量级进行归一化 - 使用透明度处理重叠线条 - 限制解的数量以保持清晰 (<1000) ### 3. 热力图 **目的：** 展示解的密度和分布模式 **适用场景：** 理解解的聚类、识别空白区域 **用法：** python from pymoo.visualization.heatmap import Heatmap plot = Heatmap(title="Solution Density") plot.add(result.F) plot.show() **参数：** - `bins`: 每个维度的箱数 (默认: 20) - `cmap`: 颜色映射名称 (例如: "viridis", "plasma", "hot") - `n