# 获取训练目标值，计算Pareto前沿（非支配解集合），然后从样本中提取出Pareto最优解。train_obj = self.samples[1]pareto_mask = is_non_dominated(train_obj)pareto_y = train_obj[pareto_mask] 这里用到了一个函数 is_non_dominated()，来看下该函数的源码：

文章目录 1 引入2 多目标优化3 更多的定义3.1 支配3.2 非支配集3.3 全局Pareto最优集 4 NSGA-II 1 引入 本文主要介绍多目标优化的基本概念以及NSGA-II。 2 多目标优化 多目标优化的优化目标之间存在一定的冲突，例如一个目标增长，导致另一个减少。因此这里的解是一组解决方案而非唯一的全局解。 通常，我们有以下数学问题： min ⁡ / ma