OpenMDAO：使用ExecComp Maximal（）的使用是否会干扰不受设计变量影响的约束？

Question

在大型型号上运行优化驱动程序时，我会收到：

衍生作用：约束或目标[（'max_current.current_constraint.current_constraint'，inds = [0]），（'max_current.cortin.continuul_cortinuul_current_constraint.continouul_cortinuun_current_current_contraint_contraint_contraint_containt_contraint_conteraint'，inds = [0]），无法触及的变量。问题。

我读了一个类似问题的答案在这里。

随着设计变量的变化，值确实会改变，并且在优化过程中满足了两个约束。

我以为这是由于这些组件的execcomp使用maximal（），因为这是我模型中唯一使用最大函数的位置，但是当设置具有类似方式的最大值（）函数的简单问题时，没有收到错误。

我的模型使用循环的明确组件，N2图的左下方有连接，而NLBGS正在收敛整个模型。我目前认为这是由于仅使用显式组件和NLBG而不是隐式组件。

感谢您对解决此警告的任何见解。

以下是一个简单的脚本，使用最大值（），该脚本不报告错误。 （我非常确定就是这样），因为我创建了一个最低限度的工作示例，该示例以与较大模型相似的方式给出了错误，所以我将上传它。

import openmdao.api as om

prob=om.Problem()
prob.driver = om.ScipyOptimizeDriver()
prob.driver.options['optimizer'] = 'SLSQP'
prob.driver.options['tol'] = 1e-6
prob.driver.options['maxiter'] = 80
prob.driver.options['disp'] = True

indeps = prob.model.add_subsystem('indeps', om.IndepVarComp())
indeps.add_output('x', val=2.0, units=None)
prob.model.promotes('indeps', outputs=['*'])

prob.model.add_subsystem('y_func_1',
                         om.ExecComp('y_func_1 = x'),
                         promotes_inputs=['x'],
                         promotes_outputs=['y_func_1'])
prob.model.add_subsystem('y_func_2',
                         om.ExecComp('y_func_2 = x**2'),
                         promotes_inputs=['x'],
                         promotes_outputs=['y_func_2'])
prob.model.add_subsystem('y_max',
                         om.ExecComp('y_max = maximum( y_func_1 , y_func_2 )'),
                         promotes_inputs=['y_func_1',
                                          'y_func_2'],
                         promotes_outputs=['y_max'])
prob.model.add_subsystem('y_check',
                         om.ExecComp('y_check = y_max - 1.1'),
                         promotes_inputs=['*'],
                         promotes_outputs=['*'])

prob.model.add_constraint('y_check', lower=0.0)

prob.model.add_design_var('x', lower=0.0, upper=2.0)
prob.model.add_objective('x')

prob.setup()
prob.run_driver()

print(prob.get_val('x'))

Answer 1

在此上下文中，最大功能存在问题。从技术上讲，最大功能是无可分析的。至少当哪个值为最大的索引可能会发生变化时。如果最大值不发生更改，则是可区分的...但是无论如何您都不需要最大函数。

进行基于梯度的事情时，一种正确的，可不同的方法是使用KS功能。 OpenMDAO提供

但是，即使最大在技术上不是可区分的……您也可以选择它。至少，numpy（ExecComp使用）使您可以将复杂的步骤差异应用到最大函数，并且似乎给出了非零衍生物。因此，尽管它在技术上不正确，但您可以摆脱它。至少，它不太可能是您问题的核心。

您提到使用NLBG，并且您的组件已循环。不过，您的测试用例纯粹是向前馈送的（这是您的测试用例的N2）。
。这是一个重要的区别。

这里的问题是您的衍生产品，而不是最大函数。由于您有一个非线性求解器，因此您需要做一些事情以使衍生物正确。在 prob.model.approx_totals（），它告诉OpenMDAO在整个模型（包括非线性求解器）上进行有限差分。这很简单，并保持示例紧凑。无论您的组件是否定义衍生物，它也可以工作。但是，这很慢，遭受数值困难。因此，请自行使用“真实”问题。

如果您不包含该内容（并且上面的示例没有，所以我认为您的真正问题也不是），那么您基本上是在告诉OpenMDAO，您想使用分析衍生物（是的！它们真是太棒了）。这意味着您需要拥有一个线性求解器来匹配非线性求解器。对于您最初的大多数问题，您只需将directsolver就位于模型的顶部，它们都可以解决。对于更高级的模型，您需要一个更复杂的线性求解器结构……但这是另一个问题。

尝试一下：
prob.model.linear_solver = om.directSolver（），

无论您是否有耦合（loops），它都应该给您非零的总衍生物。