Pymoo/NSGA2：如何解读输出指标列中的“f”指标？

首先明确：Pymoo输出里的f就是目标函数的原始计算值，不是经过归一化或转换后的性能指标，它直接对应每个优化个体在各个目标维度上的表现。结合你已经理解的理想点（ideal point）和nadir点，你可以这样解读：

• 单个目标维度的对比：
  把个体的f数组中每个元素，分别和理想点、nadir点的对应维度值对比：

  • 如果是最小化目标，f[i]越接近理想点的第i个值，说明该个体在第i个目标上的表现越优；
  • 如果是最大化目标，f[i]越接近理想点的第i个值（此时理想点是各目标的最大值），表现越好；
  • 若f[i]超过nadir点的对应维度值（最小化问题中大于nadir值，最大化问题中小于nadir值），则该个体一定不属于Pareto前沿，是被支配的个体。

• 多目标权衡的判断：
  单独看一个个体的f数组没有太大意义，需要横向对比所有Pareto前沿个体的f值：

  • 两个Pareto最优个体的f数组，必然不存在“某个体在所有目标维度上都优于另一个”的情况——比如双目标最小化问题中，个体A的f=[2,7]，个体B的f=[6,3]，A在第一个目标更优，B在第二个目标更优，这就是典型的多目标权衡。

• 前沿分布的评估：
  观察所有前沿个体的f值在目标空间的覆盖范围：

  • 如果f值的分布从理想点附近延伸到nadir点附近，说明算法找到的前沿覆盖了较完整的权衡区间；
  • 如果f值集中在某一小片区域，说明算法的搜索还不够充分，没有探索到全部的Pareto最优解。

举个直观例子：假设你做双目标最小化优化，理想点是[0, 0]，nadir点是[10, 10]。输出中三个个体的f分别是[1,9]、[5,5]、[9,1]，这三个都属于Pareto前沿，分别对应“优先优化第一个目标”“两个目标均衡”“优先优化第二个目标”的权衡方案；如果有个个体的f是[6,7]，它会被[5,5]支配（因为5<6且5<7），所以不会出现在最终的前沿输出里。

内容的提问来源于stack exchange，提问作者sumayah