ScipyOptimizer給出不正確的優化結果

我在OpenMDAO中運行非線性優化問題，我知道最佳解決方案（我只是想驗證解決方案）。我使用SLSQP驅動程序配置ScipyOptimizer從openmdao.api。ScipyOptimizer給出不正確的優化結果

我有3個設計變量A，B和C，它們各自的設計空間（A _分鐘至A _最大爲A等）和單個目標函數Z.正如我說，我知道的對於所有三個設計變量的最優值（讓我們稱之爲甲_溶膠，B _溶膠和C _溶膠）其產生Z的最小值（稱之爲ž_溶膠）。

當我運行這個問題時，我得到一個大於Z的值，它表示它不是最優的解決方案。當我將C _sol分配給C並且僅以A和B作爲設計變量運行該問題時，我得到的Z值更接近於Z，這比我之前得到的（在3設計變量場景）。

我爲什麼要觀察這種行爲？在兩種情況下，都不應該提供相同的解決方案嗎？

編輯：添加一些代碼..

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

此代碼給了我不正確的結果。當我從兩個類中刪除desvar_twc，併爲其指定最佳值（來自我的解決方案）時，我得到相當正確的結果，即目標函數的答案比先前的方案更小。

來源

2016-04-19 Amogh Kulkarni

你能告訴我們任何代碼嗎？ –

是的，我將代碼片段放在一起，使其更加清晰。實際的代碼更大，這就是爲什麼我沒有把它放在帖子裏。我將很快編輯這篇文章。 –

太棒了！這總是很長的路:) –

沒有看到您的實際模型，我們無法確定任何事情。但是，本地優化器的解決方案通常與起始條件無關，這是而不是。如果問題是凸的，那只是情況。所以我猜想你的問題不是凸的，你會遇到局部最優。

你可以嘗試使用COBYLA優化器代替SLSQP來解決這個問題，在我的經驗中，它可以更好地跳過某些本地最優解。但如果你的問題真的很顛簸，那麼我建議你從pyopt-sparse library切換到NSGA-II或ALPSO。這些都是基於啓發式的優化器，它們在找到「最大的山丘」方面做得很好，儘管它們並不總是一路攀升到頂峯（它們不會緊密聚合）。啓發式算法通常比基於梯度的方法更昂貴。

來源

2016-04-19 22:55:39

謝謝指點。我現在試圖與COBYLA一起運行這個問題，並且會將結果更新到帖子中。我唯一困惑的是'desvar_twc = 0.05'是最佳解決方案，即使我用0.06初始化，優化器也給了我0.00的最佳值。我在這裏錯過了什麼？ –

ScipyOptimizer給出不正確的優化結果

回答

相關問題