如何在Python中为多目标优化结果绘制Pareto Front Line？

核心思路 #

先从数据中筛选出帕累托最优的点，再在原有散点图基础上叠加前沿折线。以下是针对最小化fun1和fun2目标的实现逻辑（最大化目标只需调整判断条件）：

完整代码 #

import seaborn as sns
import pandas as pd
import matplotlib.pyplot as plt

# 读取Excel数据
df = pd.read_excel('file path')

# 提取帕累托前沿点（最小化双目标场景）
# 先按fun1升序排序
df_sorted = df.sort_values(by='fun1', ascending=True)
pareto_front = []
min_fun2 = float('inf')

# 遍历筛选：仅保留fun2比之前所有点更小的记录
for _, row in df_sorted.iterrows():
    if row['fun2'] < min_fun2:
        pareto_front.append(row)
        min_fun2 = row['fun2']

df_pareto = pd.DataFrame(pareto_front)

# 绘制原始散点图
sns.scatterplot(x='fun1', y='fun2', data=df, hue='alpha', legend=False)
# 叠加帕累托前沿折线
plt.plot(df_pareto['fun1'], df_pareto['fun2'], color='red', linewidth=2, label='Pareto Front')

# 配置图表样式
plt.xlabel('fun1', fontsize=16)
plt.ylabel('fun2', fontsize=16)
plt.legend(fontsize=12)
plt.show()

适配最大化目标的修改 #

如果你的需求是最大化fun1和fun2，只需调整以下两处：

1. 排序改为降序：df_sorted = df.sort_values(by='fun1', ascending=False)
2. 初始化和判断条件改为：max_fun2 = -float('inf')、if row['fun2'] > max_fun2:

内容的提问来源于stack exchange，提问作者Yousef