如何将pytorch模型集成到动态优化中，例如在Pyomo或gekko中

Question

假设我有一个pytorch模型，描述了某个多维系统基于自身状态x和外部执行器u的演化，所以x_(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，找到一个最优的u值序列，以最小化依赖于x的目标。类似于：

所有时间步长φ的最小和(X_t)

s.t.：x_(t+1) = f(x_t，u_t)

此外，我还对x中的一些变量有一些上界和下界。

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，然后可以将其作为约束传递给pyomo。这种方法的问题是，每当神经网络结构发生变化时，它都需要大量的重新编程工作，因此快速测试变得困难。此外，递归神经网络的集成变得困难，因为隐藏的单元状态将不得不作为额外的变量添加到优化问题中。

我认为一个好的解决方案是在torch中进行函数评估和梯度计算，并以某种方式将结果传递给动态优化器。我只是不确定该怎么做。

非常感谢你的帮助！

Answer 1

Tensorflow或Pytorch模型目前不能直接集成到GEKKO中。但是，我相信您可以从Tensorflow和Pytorch检索派生函数，这允许您将它们传递给GEKKO。

下面的链接中有一个GEKKO Brain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 Brain Feedforward neural network examples

MIMO MPC example with GEKKO neural network model

GEKKO Brain模块中的递归神经网络库目前正在开发中，它允许轻松使用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模型包装在可用的优化求解器(如scipy优化模块)中。

查看下面的链接，查看使用Keras LSTM模型和scipy optimize的动态优化示例。

Keras LSTM MPC

​

​