Python SLSQP与COBYLA的产量完全不同

为什么SLSQP停留在初始值附近，而COBYLA则朝着初始值移动 正确的方向

使用OpenMDAO 2.2.X实现优化问题

3个设计变量-->输入到输出y的外部代码comp-->中
目标（y，scaler=-1）。没有任何限制

下图显示了两个优化器针对同一问题的行为。我曾尝试更改SLSQP的有限差分设置，但无济于事。输出已成功终止。（退出模式0）

将上载示例驱动程序和包装器代码：

---

我看不出您的问题设置有任何明显的错误，但是如果没有

gf\u run.py

就不可能运行您提供的模型进行测试。因此，作为替代，我能给你的最佳猜测是以下选项之一：

1） COBYLA是一个无梯度的优化器，在设计空间中搜索的能力更强。也许是因为找到了一个不同的最优值，而SLSQP在接近起始点时陷入了一个较小的最优值。为了测试这一点，您可以使用COBYLA的结果作为SLSQP的初始猜测。如果SLSQP收敛到与COBYLA相同（或接近相同）的点，则可能是局部最优问题

---

2） SLSQP使用渐变，您使用中心差分近似渐变。即使使用二阶中心差分，这些导数近似也可能很差。不清楚底层代码中是否包含某种隐式解算器（如牛顿解算器或while循环收敛）。如果它确实有某种内部解算器，那么你需要确保公差设置得非常严格——至少比你的FD步长低两个数量级会更好。即使这样，也不可能在有解算器的代码周围获得高质量的FD近似值。您还可以尝试稍微更改FD步长

我看不出您的问题设置有任何明显的错误，但是如果没有

gf_run.py

就不可能运行您提供的模型来测试它。因此，作为替代，我能给你的最佳猜测是以下选项之一：

1） COBYLA是一个无梯度的优化器，在设计空间中搜索的能力更强。也许是因为找到了一个不同的最优值，而SLSQP在接近起始点时陷入了一个较小的最优值。为了测试这一点，您可以使用COBYLA的结果作为SLSQP的初始猜测。如果SLSQP收敛到与COBYLA相同（或接近相同）的点，则可能是局部最优问题

---

2） SLSQP使用渐变，您使用中心差分近似渐变。即使使用二阶中心差分，这些导数近似也可能很差。不清楚底层代码中是否包含某种隐式解算器（如牛顿解算器或while循环收敛）。如果它确实有某种内部解算器，那么你需要确保公差设置得非常严格——至少比你的FD步长低两个数量级会更好。即使这样，也不可能在有解算器的代码周围获得高质量的FD近似值。您还可以尝试稍微更改FD步长

我认为原因是FD步长太小，梯度不准确。到目前为止，我已经使用了1e-3到1e-6的步骤。现在我使用1，优化器并没有被所有设计变量的步骤1卡住。我猜外部代码的输出差异非常小，FD步长很小（1e-3），因此优化器无法准确计算梯度

我认为原因是FD步长太小，梯度不准确。到目前为止，我已经使用了1e-3到1e-6的步骤。现在我使用1，优化器并没有被所有设计变量的步骤1卡住。我猜外部代码的输出差异非常小，FD步长很小（1e-3），因此优化器无法准确计算梯度

这些解算器的状态输出是什么？除非你确信你的lib在任何状态下都会引发异常，但成功除外。你是说像这样的状态输出吗？这是成功终止的SLSQP优化。（退出模式0）当前函数值：-272708.4836453次迭代：5次函数评估：49次梯度评估：5次优化完成----------------------这些解算器的状态输出是什么？除非你确信你的lib在任何状态下都会引发异常，但成功除外。你是说像这样的状态输出吗？这是成功终止的SLSQP优化。（退出模式0）当前函数值：-272708.4836453次迭代：5次函数评估：49次梯度评估：5次优化完成------------------我无法上载外部代码，因为它需要许可证才能运行。我正在使用Python调用终端并运行该代码。我在一开始就想到了你的第一条建议，并对最初的猜测胡思乱想，没有任何帮助。但我现在将更彻底地检查这是否是问题所在。因为第二个在我看来不太可能，但我也会调整FD步长。当然，这整件事可能会产生这样一个问题：基于梯度的优化器最终是否会比无梯度的优化器慢。因为设计变量的数量很少。可能是这样。我无法上载外部代码，因为它需要许可证才能运行。我正在使用Python调用终端并运行该代码。我在一开始就想到了你的第一条建议，并对最初的猜测胡思乱想，没有任何帮助。但我会