2

check_partial_derivatives()我对应用于我之前的问题中显示的问题的方法的输出感到惊讶：抛物面优化需要缩放。当我添加对该方法的调用时：

从 __future__ 导入 print_function
导入系统

从 openmdao.api 导入 IndepVarComp，组件，问题，组，ScipyOptimizer

类抛物面（组件）：

    def __init__(self):
        超级（抛物面，自我）.__init__（）

        self.add_param('x', val=0.0)
        self.add_param('y', val=0.0)

        self.add_output('f_xy', val=0.0)

    def solve_nonlinear(self, params, unknowns, resids):

        x = 参数['x']
        y = 参数['y']

        #unknowns['f_xy'] = (x-3.0)**2 + x*y + (y+4.0)**2 - 3.0
        未知数['f_xy'] = (1000.*x-3.)**2 + (1000.*x)*(0.01*y) + (0.01*y+4.)**2 - 3。

    def 线性化（自我，参数，未知数，残差）：
        """ 抛物面的雅可比行列式。"""
        x = 参数['x']
        y = 参数['y']
        J = {}

        #J['f_xy', 'x'] = 2.0*x - 6.0 + y
        #J['f_xy', 'y'] = 2.0*y + 8.0 + x
        J['f_xy', 'x'] = 2000000.0*x - 6000.0 + 10.0*y
        J['f_xy', 'y'] = 0.0002*y + 0.08 + 10.0*x

        返回 J

如果 __name__ == "__main__":

    顶部 = 问题（）

    root = top.root = Group()
    #root.fd_options['force_fd'] = True

    root.add('p1', IndepVarComp('x', 3.0))
    root.add('p2', IndepVarComp('y', -4.0))
    root.add('p', 抛物面())

    root.connect('p1.x', 'px')
    root.connect('p2.y', 'py')

    top.driver = ScipyOptimizer()
    top.driver.options['optimizer'] = 'SLSQP'

    top.driver.add_desvar('p1.x', lower=-1000, upper=1000, scaler=1000.)
    top.driver.add_desvar('p2.y', lower=-1000, upper=1000, scaler=0.001)
    top.driver.add_objective('p.f_xy')


    top.setup()
    top.check_partial_derivatives() # 添加行
    顶部运行（）


    打印（'\n'）
    print('在 (%f, %f) 处找到 %f 的最小值' % (top['p.f_xy'], top['px'], top['py']))

我得到以下输出：

偏导数检查

----------------
组件：'p'
----------------
  p: 'f_xy' wrt 'x'

    正向幅度：6.000000e+03
    反向幅度：6.000000e+03
         Fd 幅度：2.199400e+07

    绝对误差 (Jfor - Jfd) : 2.200000e+07
    绝对误差（Jrev - Jfd）：2.200000e+07
    绝对误差（Jfor - Jrev）：0.000000e+00

    相对误差 (Jfor - Jfd)：1.000273e+00
    相对误差 (Jrev - Jfd)：1.000273e+00
    相对误差（Jfor - Jrev）：0.000000e+00

    原始前向导数 (Jfor)

[[-6000.]]

    原始逆导数 (Jrev)

[[-6000.]]

    原始 FD 导数 (Jfor)

[[ 21994001.]]
 - - - - - - - - - - - - - - - - - - - - - - - - - - - -
  p: 'f_xy' wrt 'y'

    正向幅度：8.000000e-02
    反向幅度：8.000000e-02
         Fd 幅度：2.200000e+07

    绝对误差 (Jfor - Jfd) : 2.200000e+07
    绝对误差（Jrev - Jfd）：2.200000e+07
    绝对误差（Jfor - Jrev）：0.000000e+00

    相对误差（Jfor - Jfd）：1.000000e+00
    相对误差（Jrev - Jfd）：1.000000e+00
    相对误差（Jfor - Jrev）：0.000000e+00

    原始前向导数 (Jfor)

[[ 0.08]]

    原始逆导数 (Jrev)

[[ 0.08]]

    原始 FD 导数 (Jfor)

[[ 22000000.08]]
优化成功终止。（退出模式 0）
            当前函数值：[-27.33333333]
            迭代次数：4
            功能评估：6
            梯度评估：4
优化完成
----------------------------------


-27.333333 的最小值位于 (0.006667, -733.333333)

优化是正确的（即几乎可以肯定地证明导数是正确的），但check_partial_derivatives输出并未显示 fd 和正向/反向方法之间的一致结果。

4

1 回答 1

0

参考

因此，您遇到了之前出现的限制，即您无法计算关于设计点的导数，直到您在该点运行模型。有限差分结果是错误的，因为该模型从未运行过。要验证您的部分，您需要check_partial_derivatives在运行后移动到。另外，当我检查导数时，我总是注释掉优化器，以便检查初始点的导数。当我做这两件事时，我得到了很好的结果（见下面的代码）。

top = Problem()

root = top.root = Group()
#root.fd_options['force_fd'] = True

root.add('p1', IndepVarComp('x', 3.0))
root.add('p2', IndepVarComp('y', -4.0))
root.add('p', Paraboloid())

root.connect('p1.x', 'p.x')
root.connect('p2.y', 'p.y')

#top.driver = ScipyOptimizer()
#top.driver.options['optimizer'] = 'SLSQP'

#top.driver.add_desvar('p1.x', lower=-1000, upper=1000, scaler=1000.)
#top.driver.add_desvar('p2.y', lower=-1000, upper=1000, scaler=0.001)
#top.driver.add_objective('p.f_xy')

top.setup()
top.run()
top.check_partial_derivatives()  # added line

print('\n')
print('Minimum of %f found at (%f, %f)' % (top['p.f_xy'], top['p.x'], top['p.y']))

我们的 github 上有一个功能请求，要求能够在不先运行模型的情况下运行 check_partial_derivatives。我认为我们可以通过将 root 告诉solve_nonlinear 来做到这一点，忽略驱动程序是可行的，所以它可能会在某个时候添加。

于 2016-02-25T14:58:40.480 回答