能否提供一个计算IGD（Inverted Generational Distance）的Python代码示例？

当然，以下是一个简单的Python代码片段，用于计算Inverted Generational Distance (IGD)。这个例子假设我们有两个数据集，一个是参考集合（ideal），另一个是生成的解集合（population）。IGD通常用于评估多目标优化算法的结果。

from numpy import array, inf

def euclidean_distance(ref_set, pop_set):
    dists = [euclidean_distance_single(ref, pop) for ref in ref_set for pop in pop_set]
    return sum(dists) / len(dists)

def euclidean_distance_single(ref, pop):
    return sqrt(sum((ref - pop)**2))

def inverted_distance(ref_set, pop_set):
    min_dist = min([euclidean_distance_single(ref, pop_set) for ref in ref_set])
    return min_dist if min_dist != 0 else inf

def igd(ideal_set, population_set):
    igd_value = inverted_distance(ideal_set, population_set)
    return igd_value

# 示例理想解和生成解
ideal_set = [[1, 1], [0, 0]]  # 这里只是一个二维列表代表理想解点
population_set = [[0.9, 0.9], [0.1, 0.1]]  # 解集合

igd_score = igd(ideal_set, population_set)
print(f"IGD值: {igd_score}")

这个代码首先计算了每个理想解点到解集合中所有点的欧几里得距离，然后取最小值作为IGD，如果最小距离为零（即解集中有与理想解完全相同的点），则设置为无穷大，因为实际应用中这通常被视为无法达到的理想状态。