deap的nsga-ii返回空pareto前沿主因是evaluate未返回合法tuple、weights方向设错或种群膨胀失控；需确保evaluate返回非none tuple、weights符号正确匹配优化方向、显式控制种群规模并归一化目标量纲。
DEAP 的 tools.emo.nsga2 为什么总返回空 Pareto 前沿？
不是算法没跑，而是个体没被正确标记为有效解——evaluate 函数必须返回一个 tuple（哪怕只有一个目标），且不能是 None 或标量。DEAP 内部靠返回值类型判断是否评估成功。
-
evaluate必须返回tuple，例如return (f1, f2)，写成return f1, f2（无括号）在某些 Python 版本下会隐式解包，导致 NSGA-II 误判 - 若某次评估抛异常或返回
None，该个体的fitness.values保持未设置状态，NSGA-II 会跳过它，最终前沿可能为空 - 检查方法：训练后打印
len([ind for ind in pop if ind.fitness.valid])，应等于种群大小；否则说明evaluate不稳定
如何让 creator.create("FitnessMulti", base.Fitness, weights=(-1.0, 1.0)) 真正生效？
权重只在比较和排序时起作用，不改变目标函数本身；但方向搞反会导致“最优”其实是最差——比如你希望最小化成本、最大化精度，却设了 weights=(1.0, 1.0)，那两个目标都会被当成“越大越好”，结果完全偏离预期。
-
weights符号决定优化方向：-1.0表示最小化，1.0表示最大化，不可省略负号 - 所有目标必须同长度：若
evaluate返回 2 个值，weights元组长度也必须是 2，否则运行时报ValueError: Fitness not assigned properly - 权重数值大小不影响 Pareto 支配关系，只影响相同前沿内的排序（如用于选择），实际求解中常用 ±1.0 即可
用 algorithms.eaMuPlusLambda 替代 eaSimple 时，Pareto 解数量暴增还难收敛？
因为 eaMuPlusLambda 默认保留全部父代 + 子代，种群规模线性增长，而 NSGA-II 的非支配排序复杂度是 O(MN²)，M 是目标数、N 是个体数——稍不注意就卡死或内存爆掉。
- 务必显式传入
mu=100（目标种群大小）和lambda_=50（子代数），并配合halloffame提取前沿，否则pop越来越大 - 更稳妥的做法是用
algorithms.eaMuCommaLambda或直接调tools.emo.sortNondominated手动做每代筛选 - 如果只关心前沿，不必保留全部历史个体：每轮用
tools.selNSGA2(pop, mu)显式截断，避免无效膨胀
tools.emo.isDominated 和 tools.emo.sortNondominated 能否跳过 DEAP 框架自己用？
完全可以，而且常更可控——尤其当你已有目标值矩阵、想快速验算或调试支配关系时，绕过 Individual 和 Fitness 对象能少踩一堆封装坑。
-
sortNondominated输入是individuals列表（每个含fitness.values），输出是分层列表；若你只有 numpy 数组，先转成带fitness属性的 dummy 对象即可 -
isDominated(a, b)判断 a 是否被 b 支配，注意它要求 a、b 的fitness.values都已设置，否则报AttributeError - 常见疏漏：手动构造
Fitness实例时忘了设weights，导致支配判断逻辑失效——必须和creator.create中定义的一致
多目标优化里，“Pareto 前沿看起来合理”不等于结果可用——目标尺度差异大时，没归一化就跑 NSGA-II，小量级目标几乎不起作用；这点没人提醒，但实际出错率极高。
Python免费学习笔记（深入）：立即使用
在学习笔记中，你将探索 Python 的核心概念和高级技巧！
