如何将 pytorch 模型集成到动态优化中，例如在 Pyomo 或 gekko

假设我有一个 pytorch 模型，它描述了一些基于自身状态 x 和外部执行器 u 的多维系统的演化。所以 x_(t+1) = f(x_t,u_t) 其中 f 是来自 pytorch 的人工神经网络。

现在我想解决一个动态优化问题，以找到一个最优的 u 值序列，以最小化依赖于 x 的目标。像这样：

所有时间步长的最小总和 phi(x_t)

s.t.: x_(t+1) = f(x_t,u_t)

此外，我对 x 中的一些变量也有一些上限和下限。

是否有使用动态优化工具箱（例如 pyomo 或 gekko）的简单方法？

我已经编写了一些代码，将前馈神经网络转换为 numpy 函数，然后可以将其作为约束传递给 pyomo。这种方法的问题在于，每次神经网络结构发生变化时，都需要大量的重新编程工作，因此快速测试变得困难。此外，循环神经网络的集成也变得困难，因为必须将隐藏的细胞状态作为附加变量添加到优化问题中。

我认为一个好的解决方案可能是在 Torch 中进行函数评估和梯度计算，然后以某种方式将结果传递给动态优化器。我只是不知道该怎么做。

非常感谢您的帮助！

Tensorflow 或 Pytorch 模型目前无法直接集成到 GEKKO 中。但是，我相信您可以从 Tensorflow 和 Pytorch 中检索衍生品，这允许您将它们传递给 GEKKO。

下面的链接中有一个 GEKKO Brain 模块和示例。您还可以找到使用 GEKKO 前馈神经网络进行动态优化的示例。

GEKKO Brain 模块中的循环神经网络库目前正在开发中，可以轻松使用 GEKKO 的所有动态优化功能。

同时，您可以通过将 TensorFlow 或 PyTorch 模型包装在可用的优化求解器（例如 scipy 优化模块）中来使用顺序方法。

查看以下链接，了解使用 Keras LSTM 模型和 scipy 优化的动态优化示例。