如何解决求解器选择：NonlinearBlockGS vs牛顿求解器
我有两个openmdao组，组之间具有循环依赖性。我使用“复杂”步骤计算导数。我有一个用于依赖项的非线性求解器，并使用SLSQP优化了我的目标函数。问题在于非线性求解器的选择。当我使用NonlinearBlockGS时，优化将在12次迭代中成功完成。但是，当我将NewtonSolver与Directsolver或ScipyKrylov一起使用时，即使使用maxiter=2000，优化也会失败（超过了迭代限制）。循环连接收敛，但是仅仅是设计变量没有达到最佳值。连续迭代中的设计变量之间的差约为1e-5。这就增加了所需的迭代次数。同样，当我将初始猜测值更改为更接近最佳值的值时，它也会起作用。
为了进一步检查，我将模型转换为IDF（通过创建耦合变量和一致性约束的副本），从而消除了对求解器的需求。现在，优化已经成功进行了5次迭代，其结果类似于使用NonlinearBlockGS时的结果。
为什么会这样？我想念什么吗？我何时应该在其他对象上使用NewtonSolver？我知道不看代码就很难回答。但这仅仅是我的代码中包含多个组件，而且我无法用玩具模型重现该问题。因此，任何一般见解都将受到赞赏。
解决方法
在没有看到代码的情况下，您说对了，很难提供详细的信息。
从广义上讲，牛顿收敛有时会比NLBGS麻烦得多（注意：这不是绝对正确的，但是是一个很好的经验法则）。因此，我猜测正在发生的是在您的第一次或第二次迭代中，牛顿求解器实际上并没有收敛。您可以通过设置newton.options['iprint']=2并在优化程序进行迭代时查看迭代历史记录来进行检查。
在优化过程中使用求解器时，至关重要的是，还要确保set it to throw an error on non-convergence.一些优化器可以处理此错误，并且会在行搜索中回溯。其他人只会死。无论哪种方式，它都很重要。否则，您最终会给优化器一个未知的情况，即它不知道是未收敛的。
这很糟糕，原因有两个。首先，它获得的目标和约束值将是错误的！其次，也许更重要的是，其计算的导数将是错误的！您可以阅读详细信息（在理论手册中），但总而言之，OpenMDAO使用的解析导数方法假设残差已变为0。如果不是这种情况，则数学会崩溃。即使您正在执行完整的模型有限差分，非收敛模型也是一个问题。当您尝试FD时，只会得到嘈杂的垃圾。2
因此，假设您正确设置了模型，并且线性求解器设置了问题（由于它与NLBGS兼容，听起来像是这样做的），那么牛顿求解器很可能没有收敛。使用iprint（可能与driver debug printing结合使用）亲自检查一下。如果真是那样，您需要弄清楚如何使牛顿表现得更好。
有些tips here很笼统。您也可以尝试使用armijo line search，它通常可以以一定的速度来稳定牛顿求解。
最后...牛顿并不是在所有情况下的最佳答案。如果NLBGS更稳定且计算便宜，则应使用它。我为您希望与牛顿一起工作感到高兴。您绝对应该找出原因，但事实并非如此，但是如果事实证明牛顿无法可靠地解决您的耦合问题，那也可以！
版权声明：本文内容由互联网用户自发贡献，该文观点与技术仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容， 请发送邮件至 dio@foxmail.com 举报，一经查实，本站将立刻删除。
