OpenMDAO 3.34版本中Bayesian optimization的实现方案咨询

思路1：自定义OpenMDAO Driver实现贝叶斯优化 #

OpenMDAO 3.x的驱动架构支持自定义扩展，你可以基于Driver或ExplicitDriver基类，封装成熟的贝叶斯优化库（如scikit-optimize、GPyOpt）实现原生集成：

• 核心步骤：
  1. 继承openmdao.core.driver.Driver，在初始化方法中配置贝叶斯优化器，同时从OpenMDAO问题中读取设计变量的上下界、目标函数和约束信息。
  2. 实现run()方法：在迭代循环中，让优化器生成下一组设计变量值，通过self.set_design_vars()将值传入OpenMDAO模型，调用self._problem.run_model()运行模型，再通过self.get_val()获取目标函数和约束值，反馈给优化器更新代理模型。
  3. 处理约束：将OpenMDAO的约束条件转换为优化库支持的格式（比如skopt允许通过constraints参数传入不等式约束）。
• 示例代码片段：

from openmdao.core.driver import Driver
from skopt import gp_minimize
from skopt.space import Real

class BayesOptDriver(Driver):
    def __init__(self, **kwargs):
        super().__init__(**kwargs)
        self._desvar_spaces = []

    def _setup_driver(self, problem):
        super()._setup_driver(problem)
        # 提取设计变量空间
        for name, meta in self._designvars.items():
            self._desvar_spaces.append(Real(low=meta['lower'], high=meta['upper'], name=name))

    def run(self):
        def objective(x):
            # 设置设计变量
            for i, (name, _) in enumerate(self._designvars.items()):
                self.set_val(name, x[i])
            # 运行模型
            self._problem.run_model()
            # 获取目标值
            obj_val = self.get_val(self._objs[0]['name'])
            # 获取约束值（如果有）
            constraints = []
            for con in self._cons.values():
                con_val = self.get_val(con['name'])
                constraints.append(con_val - con['upper'] if con['upper'] is not None else con['lower'] - con_val)
            return obj_val, constraints

        # 初始化并运行贝叶斯优化
        res = gp_minimize(
            lambda x: objective(x)[0],
            dimensions=self._desvar_spaces,
            constraints=[{'type': 'ineq', 'fun': lambda x: objective(x)[1][i]} for i in range(len(self._cons))],
            n_calls=50,
            random_state=42
        )

        # 将最优结果设置回模型
        for i, (name, _) in enumerate(self._designvars.items()):
            self.set_val(name, res.x[i])
        self._problem.run_model()

思路2：迁移旧版BayesOpt驱动至3.34版本 #

针对你提到的旧版驱动，核心是适配OpenMDAO 3.x的API变化：

• 替换旧版API：比如1.7.1中的设计变量元数据获取逻辑改为直接访问self._designvars字典；目标值获取改用self.get_val(self._objs[0]['name'])；模型运行调用problem.run_model()替代旧版的problem.run()。
• 更新依赖：确保驱动依赖的贝叶斯优化库与当前Python版本兼容，必要时替换为维护更活跃的替代库。
• 简化冗余逻辑：复用OpenMDAO 3.x内置的变量解析、结果同步等工具类，移除旧版中自行实现的重复逻辑。

思路3：半集成式封装（备选） #

如果自定义驱动成本较高，可在不把模型完全当黑盒的前提下，用OpenMDAO的CaseReader和CaseRecorder实现与外部贝叶斯优化脚本的轻量化对接：

• 在OpenMDAO模型中添加CaseRecorder记录每次迭代的输入输出；
• 外部优化脚本通过CaseReader读取历史数据，调用贝叶斯优化生成新变量，再通过problem.set_val()传入模型并运行。
• 此方法比纯黑盒调用更贴近OpenMDAO生态，但灵活性不如自定义驱动。

优先推荐思路1，既能完全集成到OpenMDAO工作流中，又能利用成熟优化库的稳定性和功能；如果旧版驱动逻辑符合你的需求，思路2的迁移成本会更低。

内容的提问来源于stack exchange，提问作者jthomas