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

假设我有一个pytorch模型，描述了基于自身状态x和外部执行器u的多维系统的演化。因此x_uT（t+1）=f（x_t，u_t），f是pytorch的人工神经网络

现在我想解决一个动态优化问题，找到一个u值的最优序列，以最小化一个依赖于x的目标。大概是这样的：

所有时间步phi（x_t）的最小和

s、 t:x_（t+1）=f（x_，t）

此外，对于x中的一些变量，我也有一些上界和下界

有没有一种简单的方法可以使用像pyomo或gekko这样的动态优化工具箱来做到这一点

我已经编写了一些代码，将前馈神经网络转换为numpy函数，然后将其作为约束传递给pyomo。这种方法的问题是，每次神经网络结构发生变化时，都需要进行大量的重新编程，因此快速测试变得很困难。此外，递归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是在torch中进行函数求值和梯度计算，并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

---

非常感谢你的帮助

目前，Tensorflow或Pytorch模型无法直接集成到GEKKO中。但是，我相信你可以从Tensorflow和Pytorch中得到导数，这可以让你把它们传递给GEKKO

下面的链接中有一个GEKKO大脑模块和示例。您还可以找到一个使用GEKKO前馈神经网络进行动态优化的示例

GEKKO大脑模块中的递归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，您可以使用顺序方法，将TensorFlow或PyTorch模型包装到可用的优化解算器（如scipy优化模块）中

查看下面的链接，了解Keras LSTM模型和scipy优化的动态优化示例