新旧OpenMDAO的有限差分

Question

因此，我正在将代码从旧的OpenMDAO转换为新的OpenMDAO。所有的输出和偏梯度都被证实是正确的。起初，这个问题根本不会优化，然后我意识到旧代码中有一些组件没有提供梯度，所以它们会自动地被有限差分。因此，我在这些组件中添加了fd‘’force_fd‘= True，但它仍然没有优化到正确的值。我检查了总导数，结果仍然不正确。与旧的OpenMDAO相比，每次迭代也要花费相当长的时间。要使我的新代码优化到与旧的OpenMDAO代码相同的值，唯一的方法是将每个组件设置为有限差分，即使是在提供梯度的组件上。关于旧的和新的OpenMDAO之间的有限差分是如何工作的，我有几个问题：

1. 当旧的OpenMDAO做自动有限差分时，它是只对优化所需的输出和输入进行计算，还是对所有的输入和输出计算整个雅可比？对于新的OpenMDAO，当您将“force_fd”转换为True时，也会遇到相同的问题。
2. 你能提供一个部件的Jacobian的某些部分，其余的部分有有限差分吗？在旧的OpenMDAO中，是否存在有限差分，除非将missing_deriv_policy =‘missing_deriv_policy_零’放入，否则没有提供任何梯度？

Answer 1

1. 因此，旧的OpenMDAO寻找一组没有导数的组件，并将它们捆绑在一起，形成一个可以有限差分在一起的组。新的OpenMDAO不能做到这一点，所以每个组件都是有限差分的。
2. 我们还不支持这一点，在旧的OpenMDAO中也不支持。我们确实有一个关于我们的关键跟踪器的故事，所以我们最终会有这个功能。

我怀疑可能会发生的是，有限差分分组恰好在经典的OpenMDAO中更好。考虑一个具有一个输入和10个输出的组件与具有10个输入和1个输出的第二个组件连接。如果有限地将它们相加，只需要执行一次。如果您分别对它们进行有限差分，则需要执行一次组件一次，以及执行十次组件二。这可能会导致一个明显的，甚至主要的性能打击。

如果有一个重要的输入与其他变量有很大的不同，那么单个FD和组FD也会导致准确性问题，因此默认的FD步长1.0e-6是不好的。(注意:您可以在添加param或step_size输出并重写该var的默认值时设置该变量。)

幸运的是，新OpenMDAO有一种方法可以重新创建旧OpenMDAO中的内容，但它不是自动的。您需要做的是查看您的模型，并确定哪些组件可以放在一起，然后创建一个子组并将这些组件移动到该组中。您可以在组上将fd_options['force_fd']设置为True，然后将该组的有限差分设置为True。因此，例如，如果您有A -> B -> C，中间没有组件，也没有导数，您可以将A、B和C移动到一个新的子组中，force_fd设置为True。

如果这不能解决问题，我们可能不得不更深入地研究你的模型。