pareto-optimization
/pareto-optimization
Prowadzi optymalizację wielokryterialną z frontami Pareto, gdy konfliktujące cele trzeba optymalizować jednocześnie i znaleźć rozwiązania kompromisowe.
- Autor
- cxcscmu ↗
- Repozytorium
- SkillLearnBench ↗
- Licencja
- MIT
- Ostatnia zmiana repozytorium
- 02.10.2026
Ocena i bezpieczeństwo
- Pliki w paczce
- 1
- Skrypty
- 0
- Komentarze HTML
- 0
- Adresy URL w SKILL.md
- 0
Brak sygnałów. Repozytorium zmienione 02.10.2026, bez odwołań do wycofanych modeli i API.
MIT, otwarta: można używać i zmieniać, z zachowaniem informacji o autorze.
Co robi i kiedy
Prowadzi optymalizację wielokryterialną z frontami Pareto, gdy konfliktujące cele trzeba optymalizować jednocześnie i znaleźć rozwiązania kompromisowe.
Oryginalny opis (EN)
Multi-objective optimization with Pareto frontiers. Use when optimizing multiple conflicting objectives simultaneously, finding trade-off solutions, or computing Pareto-optimal points.
Jak działa
- When to Use
- Core Algorithm
- Usage Pattern for Grid Search Results
- Notes
Podgląd SKILL.md
---
name: pareto-optimization
description: Multi-objective optimization with Pareto frontiers. Use when optimizing multiple conflicting objectives simultaneously, finding trade-off solutions, or computing Pareto-optimal points.
---
# Pareto Frontier Computation
## When to Use
Use this skill whenever you need to find the set of non-dominated solutions from multi-objective optimization results — e.g., balancing accuracy vs. cost, F1 vs. distance, precision vs. recall.
## Core Algorithm
A solution is Pareto-optimal if no other solution is better on all objectives simultaneously.
```python
import numpy as np
def pareto_frontier(objectives, maximize=None):
"""
Find Pareto-optimal points.
Args:
objectives: array of shape (n, k) where k is the number of objectives
maximize: list of bools, True = maximize that objective, False = minimize
Default: all maximize
Returns:
Boolean mask of Pareto-optimal points
"""
n = len(objectives)
if maximize is None:
maximize = [True] * objectives.shape[1]
# Flip sign for objectives to maximize (so we can treat all as minimize)
obj = objectives.copy().astype(float)
for i, m in enumerate(maximize):
if m:
obj[:, i] = -obj[:, i]
is_pareto = np.ones(n, dtype=bool)
for i in range(n):
if not is_pareto[i]:
continue
# A point dominates i if it's <= on all objectives and < on at least one
for j in range(n):
if i == j or not is_pareto[j]:
continue
if np.all(obj[j] <= obj[i]) and np.any(obj[j] < obj[i]):
is_pareto[i] = False
break
return is_pareto
```
## Usage Pattern for Grid Search Results
```python
import pandas as pd
# results_df has columns: F1, delta, param1, param2, ...
# Maximize F1, minimize delta
objectives = results_df[['F1', 'delta']].values
mask = pareto_frontier(objectives, maximize=[True, False])
pareto_df = results_df[mask]
```
## Notes
- Filter out invalid/unwanted results before computing the frontier
- The frontier is sensitive to objective scales — normalization isn't needed for finding Pareto points but matters for visualization
- For two objectives, sorting by one and scanning for improvements in the other gives O(n log n) performance
Wersje
| Repozytorium | Wynik | Licencja |
|---|---|---|
| Ta strona · cxcscmu/SkillLearnBench | 100 | MIT |
| benchflow-ai/skillsbench | 100 | Apache-2.0 |
| cxcscmu/SkillLearnBench | 100 | MIT |
Migawka bazy z 13.11.2026 · wersja paczki 685d3b1249b3 (skrót SHA-256 całej paczki)
Pobrania w ostatnich 30 dniach: 0 · ranking
Zgłoś problem z tym skillem: szkodliwa treść, błędny opis albo prośba autora o usunięcie.
Podobne skille
- 100multi-objective-optimization
Optymalizuje wiele sprzecznych celów i znajduje rozwiązania Pareto-optymalne: kompromisy między kosztem, obsługą, jakością i zrównoważeniem, z NSGA-II, skalaryzacją i programowaniem celów. - 95pareto-frontier-optimization
Oblicza front Pareto w optymalizacji wielokryterialnej, gdy trzeba znaleźć optymalne kompromisy między sprzecznymi metrykami, na przykład maksymalizację F1 i minimalizację odległości. - 100mars-pareto-frontier
Wyznacza rozwiązania Pareto-optymalne z wyników klastrowania chmur na Marsie, odrzucając zdominowane rozwiązania i wskazując kompromisy między F1 a delta. - 100pareto-frontier
Wizualizuje optymalizację wielokryterialną dla zawodów MCM i ICM: rysuje fronty Pareto z zestawami rozwiązań niezdominowanych w problemach kompromisów, na przykład koszt a efekt czy ekonomia a środowisko. - 95multi-objective-optimization
Pomaga optymalizować dwa lub więcej sprzecznych celów i rozumować o kompromisach Pareto: dominacja, dokładne fronty w Gurobi, NSGA-II, przepływy pymoo i wskaźniki hypervolume i IGD. - 100bayes-opt
Prowadzi optymalizację bayesowską kosztownych w ocenie właściwości, takich jak skład materiałów, sekwencje polimerów czy struktury molekularne, także wielokryterialną z frontem Pareto.