В OpenMDAO в драйвере оптимизации есть ли способ повторить/итерировать часть модели (группу) по диапазону входных данных?
Я разрабатываю структуру оптимизации, построенную на OpenMDAO. До сих пор я выполнял оптимизацию для одного конкретного случая нагрузки, и теперь я хотел бы расширить ее до оптимизации для цели, которая рассчитывается как среднее значение для ряда вариантов нагрузки.
Для каждого набора проектных переменных я хотел бы запустить модель внутри цикла for (как в for load_case in load_cases
), записать результат каждой итерации, а затем усреднить их, чтобы получить значение цели для драйвера. Возможно ли что-то подобное?
Чтобы сделать это так, чтобы вы могли вычислять производные, я бы рекомендовал многоточечный подход.
Создайте групповой класс для своей модели. Затем для каждого загружения вы создаете один его экземпляр в модели. Тогда все различные загружения существуют одновременно, и вы можете выполнять любую агрегацию, которую хотите (например, компонент функции KS). Преимущество этого подхода в том, что он прост и легок в реализации. Его недостатком является то, что он использует относительно больший объем памяти. Если у вас менее 10 загружений, то это правильный подход (даже если вы используете FEA и CFD).
Если у вас много случаев нагружения, вы можете рассмотреть модель стиля цикла for. Это сложнее реализовать, требуя использования подзадачи. Это необходимо для того, чтобы вы могли добавить цикл for так, как его понимает OpenMDAO. По сути, вы строите свою модель одного загружения, добавляете ее к отдельной задаче. Затем создайте экземпляр этой проблемы ВНУТРИ компонента. Затем вы можете обернуть цикл for вокруг вызова run_model
этой подзадачи и настроить все варианты нагрузки. Вы должны быть очень осторожны с тем, как вы обрабатываете передачу данных между родительским компонентом и подзадачей, и то же самое касается производных. Этот подход лучше масштабируется для большего количества загружений, но его намного сложнее реализовать. Я действительно рекомендую вам сначала попробовать многоточечный подход.
Начиная с OpenMDAO v3.26.0 нет официальной реализации подзадачи, которую вы можете использовать в OpenMDAO. Я знаю, что команда разработчиков работает над одной из них, но она еще не выпущена. Таким образом, вы должны следовать руководству fиз обратного хакатона 2020 года и создавать свои собственные.
Основываясь на приведенном выше ответе, я смог реализовать приведенный ниже код (очень упрощенный воспроизводимый пример). Это правильная реализация предложенной вами многоточечности или есть лучший способ, который позволил бы избежать переопределения класса Cost для каждого загружения отдельно?
import openmdao.api as om
class Cost1(om.ExplicitComponent):
''' normally defined in a separate script for convenience '''
def setup(self):
self.add_input('x', val=0)
self.add_input('y', val=0)
self.add_output('cost_1', val=0, units='USD')
def setup_partials(self):
self.declare_partials('*', '*', method='fd')
def compute(self, inputs, outputs):
cost_steel = inputs['x']
cost_ballast = inputs['y']
cost = cost_steel + cost_ballast
outputs['cost_1'] = cost
class Cost2(om.ExplicitComponent):
''' normally defined in a separate script for convenience '''
def setup(self):
self.add_input('x', val=0)
self.add_input('y', val=0)
self.add_output('cost_2', val=0, units='USD')
def setup_partials(self):
self.declare_partials('*', '*', method='fd')
def compute(self, inputs, outputs):
cost_steel = inputs['x']
cost_ballast = inputs['y']
cost = cost_steel + cost_ballast
outputs['cost_2'] = cost
class MDA(om.Group):
class ObjCmp(om.ExplicitComponent):
def setup(self):
self.add_input('cost_1', val=0, units='USD')
self.add_input('cost_2', val=0, units='USD')
self.add_output('obj', val=0.0, units='USD')
def setup_partials(self):
self.declare_partials('*', '*', method='fd')
def compute(self, inputs, outputs):
outputs['obj'] = inputs['cost_1'] + inputs['cost_2']
def setup(self):
group_ls = self.add_subsystem('ls1', om.Group(), promotes_inputs=['x','y'],
promotes_outputs=['cost_1'])
group_ls.add_subsystem('Cost1', Cost1(), promotes_inputs=['x','y'],
promotes_outputs=['cost_1'])
group_ls.add_subsystem('Cost2', Cost2(), promotes_inputs=['x','y'],
promotes_outputs=['cost_2'])
self.add_subsystem('obj_cmp', self.ObjCmp(), promotes_inputs=['cost_1','cost_2'],
promotes_outputs=['obj'])
# build the model
prob = om.Problem(model=MDA())
model = prob.model
model.add_design_var('x', lower=0.1, upper=1)
model.add_design_var('y', lower=0.1, upper=1)
model.add_objective('obj')
# setup the optimization
prob.driver = om.ScipyOptimizeDriver()
prob.driver.options['optimizer'] = 'SLSQP'
prob.setup()
# run the optimization
prob.set_val('x', .5)
prob.set_val('y', .5)
prob.run_driver()
# minimum value
print(prob.get_val('obj'))
# location of the minimum
print(prob.get_val('x'))
print(prob.get_val('y'))
Предложенное вами решение подходит. У вас есть правильная идея. Я просто предположил бы, что два дублирующих класса затрат не нужны.
import openmdao.api as om
class Cost(om.ExplicitComponent):
''' normally defined in a separate script for convenience '''
def setup(self):
self.add_input('x', val=0)
self.add_input('y', val=0)
self.add_output('cost', val=0, units='USD')
def setup_partials(self):
self.declare_partials('*', '*', method='fd')
def compute(self, inputs, outputs):
cost_steel = inputs['x']
cost_ballast = inputs['y']
cost = cost_steel + cost_ballast
outputs['cost'] = cost
class MDA(om.Group):
class ObjCmp(om.ExplicitComponent):
def setup(self):
self.add_input('cost_1', val=0, units='USD')
self.add_input('cost_2', val=0, units='USD')
self.add_output('obj', val=0.0, units='USD')
def setup_partials(self):
self.declare_partials('*', '*', method='fd')
def compute(self, inputs, outputs):
outputs['obj'] = inputs['cost_1'] + inputs['cost_2']
def setup(self):
group_ls = self.add_subsystem('ls1', om.Group(), promotes_inputs=['x','y'],
promotes_outputs=['cost_1'])
group_ls.add_subsystem('Cost1', Cost(), promotes_inputs=['x','y'],
promotes_outputs=[('cost', 'cost_1')])
group_ls.add_subsystem('Cost2', Cost(), promotes_inputs=['x','y'],
promotes_outputs=[('cost', 'cost_2')])
self.add_subsystem('obj_cmp', self.ObjCmp(), promotes_inputs=['cost_1','cost_2'],
promotes_outputs=['obj'])
# build the model
prob = om.Problem(model=MDA())
model = prob.model
model.add_design_var('x', lower=0.1, upper=1)
model.add_design_var('y', lower=0.1, upper=1)
model.add_objective('obj')
# setup the optimization
prob.driver = om.ScipyOptimizeDriver()
prob.driver.options['optimizer'] = 'SLSQP'
prob.setup()
# run the optimization
prob.set_val('x', .5)
prob.set_val('y', .5)
prob.run_driver()
# minimum value
print(prob.get_val('obj'))
# location of the minimum
print(prob.get_val('x'))
print(prob.get_val('y'))
Отлично спасибо! Кажется, есть проблема с графиком n2, после модификации фреймворка в соответствии с вышеизложенным он перестал показывать одну из моих подгрупп как группу (инструмент n2 не показывает его, несмотря на то, что инструмент сводки показывает его, и сам код работает как если бы это была группа с решателем NL, как и должно быть, так что это выглядит как потенциальная проблема с инструментом n2?). Моя модель является конфиденциальной, поэтому я не могу поделиться ею здесь, но буду рад сообщить какие-либо подробности или обсудить ее по телефону, если это необходимо.
Мне трудно догадаться, в чем проблема с N2, без какого-либо способа воспроизвести ее. Вы всегда можете удалить весь фактический вычислительный код из компонентов и зашифровать имена переменных. Таким образом, вы можете отправить отчет об ошибке команде разработчиков.
Спасибо. Есть ли пример 1-го подхода? Я не уверен, как обращаться с экземплярами и их выводами. Для N вариантов нагрузки в рамках модели нужно добавить N подсистем в настройку?