import numpy as np
import pygmo as pg
import torch
from botorch.utils.multi_objective import is_non_dominated


# 生成随机数据作为解决方案
solutions = np.array([
    [2.0, 4.0],
    [3.0, 3.5],
    [1.5, 5.0],
    [2.5, 2.0],
    [3.0, 2.5]
])

# 使用pygmo找出非支配解集
# 默认求最小
nds = pg.non_dominated_front_2d(solutions)
pygmo_non_dominated_solutions = solutions[nds]


# 使用botorch找出非支配解集
# 默认求最大
tensor_solutions = torch.tensor(solutions, dtype=torch.float)
botorch_non_dominated_mask = is_non_dominated(tensor_solutions)
botorch_non_dominated_solutions = solutions[botorch_non_dominated_mask]


# 打印结果
print("Non-dominated solutions using pygmo:")
print(pygmo_non_dominated_solutions)
print("\nNon-dominated solutions using botorch:")
print(botorch_non_dominated_solutions)

对于同一组数据，求出的前沿是不一样的，是为什么？

【函数讲解】pygmo中的函数 fast_non_dominated_sorting() + 利用支配关系，学习一个SVM分类器，将解分为两类-CSDN博客

【函数讲解】botorch中的函数 is_non_dominated()：用于计算非支配（non-dominated）前沿-CSDN博客

是因为这两个一个是求最大（botorh）、一个求最小（pygmo）

当然这里我还是更倾向于pygmo，因为它返回较多，可以用于更多的计算需求