1

我在OpenMDAO中运行一个非线性优化问题，我知道它的最佳解决方案（我只想验证解决方案）。我正在使用fromSLSQP的驱动程序配置。ScipyOptimizeropenmdao.api

我有 3 个设计变量 A、B 和 C，它们各自的设计空间（A 的最小到最大A 等等）和一个目标函数 Z。正如我所说，我知道所有三个设计变量的最佳值（我们称它们为 A sol、 B sol和 C sol），它们产生 Z 的最小值（称之为 Z sol）。

当我运行这个问题时，我得到的 Z 值大于 Z sol，表明它不是最优解。当我将 C sol分配给 C 并仅使用 A 和 B 作为设计变量来运行问题时，我得到的 Z 值更接近 Z sol并且实际上小于我之前得到的值（在 3 个设计变量场景中）。

为什么我要观察这种行为？在这两种情况下不应该ScipyOptimizer给出相同的解决方案吗？

编辑：添加一些代码..

from openmdao.api import IndepVarComp, Group, Problem
from openmdao.api import ScipyOptimizer

class RootGroup(Group):
    def __init__(self):
        super(RootGroup, self).__init__()

        self.add('desvar_f', IndepVarComp('f', 0.08))
        self.add('desvar_twc', IndepVarComp('tool_wear_compensation', 0.06))
        self.add('desvar_V', IndepVarComp('V', 32.0))
        # Some more config (adding components, connections etc.)

class TurningProblem_singlepart(Problem):
    def __init__(self):
        super(TurningProblem_singlepart, self).__init__()

        self.root = RootGroup()

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

        self.driver.add_desvar('desvar_f.f', lower=0.08, upper=0.28)
        self.driver.add_desvar('desvar_twc.tool_wear_compensation', lower=0.0, upper=0.5)
        self.driver.add_desvar('desvar_V.V', lower=32.0, upper=70.0)
        self.driver.add_objective('Inverse_inst.comp_output')
        # Other config

这段代码给了我不正确的结果。当我desvar_twc从两个类中删除并为其分配最佳值（从我拥有的解决方案中）时，我得到了相当正确的结果，即目标函数的答案小于前一个场景。

4

1 回答 1

0

没有看到你的实际模型，我们不能肯定地说什么。但是，局部优化器的解决方案通常与起始条件无关。只有当问题是凸的时才会出现这种情况。所以我猜你的问题不是凸的，你遇到了局部最优。

您可以尝试使用 COBYLA 优化器而不是 SLSQP 来解决这个问题，根据我的经验，它可以更好地跳过一些局部最优值。但是如果你的问题真的很棘手，那么我建议你从pyopt-sparse library切换到 NSGA-II 或 ALPSO 。这些是基于启发式的优化器，可以很好地找到“最大的山”，尽管它们并不总是一直爬到它的顶部（它们不会收敛得那么紧密）。启发式算法通常也比基于梯度的方法更昂贵。

于 2016-04-19T22:55:39.373 回答