Optimization 在pyomo中优化Fortran函数

我希望使用Pyomo优化Fortran函数。目标函数和约束都是用Fortran语言编写的。根据给出的答案，我们可以使用

ExternalFunction

expression对象。但即使对于最简单的函数，我也无法得到结果。下面给出了一个可复制的示例，其中包括Fortran函数、python（python 2.7.12）脚本、为优化而执行的命令和错误

Fortran函数文件（

funcs.f

）-

Python脚本（

pytest.py

）-

在终端执行的命令-

>> f2py -c -m funcs funcs.f
>> python pytest.py

错误-

File "/usr/local/lib/python2.7/dist-packages/pyomo/core/base/external.py", line 160, in load_library
FUNCADD(('funcadd_ASL', self._so))(byref(AE))
AttributeError: /home/utkarsh/Desktop/python/modules/blackboxOptimization/funcs.so: undefined symbol: funcadd_ASL

我只给出了我认为相关的一小部分错误

有鉴于此，我对以下问题有一个初步的看法-

如何使用pyomo成功地解决这个无约束优化问题

对于我的整个项目，我必须用Fortran本身给出约束条件。约束子例程将返回一个实数，该实数将使用pyomo进行限定。如何对这些类型的约束进行建模

我假设Pyomo将这个黑盒作为非线性优化。因此，我使用的是

ipopt

solver。这个假设正确吗

软件包的版本-

Pyomo-5.5.1（VOTD）（Linux 4.4.0-127-generic上的cpython2.7.12）

ipopt-ipopt 3.12.8

f2py-与numpy 1.16.2一起安装

谢谢你的帮助

如果您不受约束，您可以使用优秀的软件包，该软件包为不同类型的问题提供解决方案，包括黑盒解决方案

下面是一个关于如何在连续约束单目标测试问题上使用它的小示例：

import pygmo as pg
import pandas as pd


class Rosenbrock():
    """Rosenbrock function constrained to a disk.

    See: https://en.wikipedia.org/wiki/Test_functions_for_optimization
    """

    def fitness(self, x):
        """Evaluate fitness.

        Instead of the Rosenbrock function you could call your Fortran
        code here e.g. by using F2PY: https://www.numfys.net/howto/F2PY/
        """
        obj = (1-x[0])**2+100*(x[1]-x[0]**2)**2
        ineq = x[0]**2+x[1]**2-2
        return [obj, ineq]

    def get_bounds(self):
        """Return boundaries."""
        return ([-1.5]*2, [1.5]*2)

    def get_nic(self):
        """Determine number of inequalities."""
        return 1


# set up and solve problem
pro = pg.problem(Rosenbrock())
pop = pg.population(pro, size=200)
# see: https://github.com/esa/pagmo2/blob/master/include/pagmo/algorithms/
algo = pg.algorithm(pg.ihs(gen=10000))
algo.set_verbosity(100)
pop = algo.evolve(pop)

# extract solutions
fits = pd.DataFrame(pop.get_f())
vectors = pd.DataFrame(pop.get_x())
best_idx = pop.best_idx()
best_vector = vectors.loc[best_idx].to_frame().T
best_fitness = fits.loc[best_idx].to_frame().T

print(best_vector)
print(best_fitness)

然后，您只需在fitness函数中处理Fortran代码的“接口”

---

希望这有帮助

你在寻找唯一的黑盒优化吗？在我看来，从pyomo的角度看，你的问题似乎是无约束的，所以你有一个无约束的单目标优化问题。如果是这种情况，您可以尝试pygmo（），它为全局和局部优化问题提供（也是黑盒）算法。我自己使用这个包来优化LPs/MILPs，这些LPs/MILPs是用Pyomo编写的，具有多个目标。如果这也适用于你，我可以提供一个例子！非常感谢您@CordKaldemeyer。问题中的例子是不受约束的。但对于我的项目，我想使用pyomo作为约束为某些fortran函数添加边界。话虽如此，我希望看到你希望分享的例子。

File "/usr/local/lib/python2.7/dist-packages/pyomo/core/base/external.py", line 160, in load_library
FUNCADD(('funcadd_ASL', self._so))(byref(AE))
AttributeError: /home/utkarsh/Desktop/python/modules/blackboxOptimization/funcs.so: undefined symbol: funcadd_ASL

import pygmo as pg
import pandas as pd


class Rosenbrock():
    """Rosenbrock function constrained to a disk.

    See: https://en.wikipedia.org/wiki/Test_functions_for_optimization
    """

    def fitness(self, x):
        """Evaluate fitness.

        Instead of the Rosenbrock function you could call your Fortran
        code here e.g. by using F2PY: https://www.numfys.net/howto/F2PY/
        """
        obj = (1-x[0])**2+100*(x[1]-x[0]**2)**2
        ineq = x[0]**2+x[1]**2-2
        return [obj, ineq]

    def get_bounds(self):
        """Return boundaries."""
        return ([-1.5]*2, [1.5]*2)

    def get_nic(self):
        """Determine number of inequalities."""
        return 1


# set up and solve problem
pro = pg.problem(Rosenbrock())
pop = pg.population(pro, size=200)
# see: https://github.com/esa/pagmo2/blob/master/include/pagmo/algorithms/
algo = pg.algorithm(pg.ihs(gen=10000))
algo.set_verbosity(100)
pop = algo.evolve(pop)

# extract solutions
fits = pd.DataFrame(pop.get_f())
vectors = pd.DataFrame(pop.get_x())
best_idx = pop.best_idx()
best_vector = vectors.loc[best_idx].to_frame().T
best_fitness = fits.loc[best_idx].to_frame().T

print(best_vector)
print(best_fitness)