我在OpenMDAO中运行非线性优化问题，我知道（我只是想验证解决方案）的最佳解决方案。我正在使用SLSQP ScipyOptimizer的{{1}}驱动程序配置。
我有3个设计变量A，B和C，它们各自的设计空间（A min 到A max 用于A等等）和单个目标函数Z.正如我所说，我知道所有三个设计变量的最佳值（让我们称之为A sol ，B sol 和C sol 产生Z的最小值（称为Z sol ）。
当我运行此问题时，我得到的Z值大于Z sol ，表示它不是最佳解决方案。当我将C sol 分配给C并运行只有A和B作为设计变量的问题时，我得到Z的值更接近Z sol 哪个实际上比我之前得到的要少（在3个设计变量场景中）。
为什么我会观察这种行为？在这两种情况下，openmdao.api不应该给出相同的解决方案吗？
编辑：添加一些代码..
ScipyOptimizer此代码给出了错误的结果。当我从两个类中删除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
并为其分配最佳值时（从我的解决方案中），我得到了相当正确的结果，即目标函数的答案，它比前一个场景更小。
答案 0 :(得分：0)
如果没有看到您的实际型号，我们就无法确定。但是， NOT 情况下，本地优化器的解决方案通常独立于起始条件。只有在问题凸出的情况下才是这种情况。所以我猜你的问题不是凸起的，而且你遇到了局部的最优问题。
您可以尝试通过使用COBYLA优化器而不是SLSQP来解决这个问题，根据我的经验，可以设法更好地跳过某些本地优化。但如果您的问题非常棘手，那么我建议您从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“最大的山丘”，尽管它们并不总是一直爬到它的顶部（它们不会紧密地聚合）。启发式算法通常也比基于梯度的方法更昂贵。