OpenMDAO中残差数与状态变量数不匹配的组件建模问题

场景与问题 #

在网络流拓扑优化建模中，通过节点质量守恒确定网络内流量，使用隐式组件实现质量守恒约束。示例场景包含70个节点、72条边：源/目标节点的质量流量作为输入，需通过70个节点的质量守恒残差求解72条边的流量。

最小示例代码 #

import numpy as np
import openmdao.api as om


class MassBalance(om.ImplicitComponent):

    def setup(self):
        # 输入变量：源流量、目标流量
        self.add_input('m_p', val=1)
        self.add_input('m_c', val=np.ones(2))

        # 输出变量：5条边的流量
        self.add_output('m_i', val=np.ones(5))

        # 残差：错误设置为8维，实际应为4维（对应4个节点）
        self.add_residual('m_nodal_balance', shape=(8, 1), desc="Residual for nodal mass balance")

    def setup_partials(self):
        self.declare_partials(of='m_nodal_balance', wrt=['m_i', 'm_p', 'm_c'])

    def apply_nonlinear(self, inputs, outputs, residuals):
        m_p = inputs['m_p']
        m_c = inputs['m_c']
        m_i = outputs['m_i']

        residuals['m_nodal_balance'] = a_i.dot(m_i) + a_p.dot(m_p) + a_c.dot(m_c)

    def linearize(self, inputs, outputs, partials):
        # 注：原代码中未定义self.options['s']，此处为笔误
        partials['m_nodal_balance', 'm_i'] = a_i
        partials['m_nodal_balance', 'm_p'] = a_p
        partials['m_nodal_balance', 'm_c'] = a_c


a_i = np.array([
    [1, 1, 0, 0, 0],
    [-1, 0, -1, -1, 0],
    [0, 0, 1, 0, -1],
    [0, -1, 0, 1, 1]
])

a_p = np.array([[-1], [0], [0], [0]])

a_c = np.array([[0, 0], [1, 0], [0, 1], [0, 0]])

p = om.Problem()
p.model.add_subsystem('MassBalance', MassBalance(), promotes=['*'])

p.setup()

报错信息 #

The number of residuals (8) doesn't match number of outputs (5). If any residuals are added using 'add_residuals', their total size must match the total size of the outputs.

此外，尝试用显式组件+BalanceComp建模时，也收到报错：

If you need a BalanceComp in OpenMDAO with different numbers of state variables and residuals, you'll have to create a custom component.

希望找到无需扩充残差规模即可处理残差与状态变量数不匹配的方法。

解决方案 #

核心前提 #

OpenMDAO的隐式组件要求残差总维度必须等于输出（状态变量）总维度，这是因为隐式求解器依赖“方程数=未知数数量”的定解条件。你的场景属于欠定系统（70个方程，72个未知数），需通过以下方式处理：

方案1：拆分变量为设计变量+状态变量 #

将部分边流量设为设计变量，剩余边流量作为状态变量，使残差数（节点守恒方程数）等于状态变量数：

• 示例场景中，72条边选2条作为设计变量，剩下70条作为状态变量，残差数70与状态变量数70匹配。
• 设计变量可参与优化，或根据工程需求固定取值。

方案2：补充约束使系统定解 #

添加额外约束（如流量分配规则、最小能耗约束等），将欠定系统转为定解系统，确保方程数等于未知数数量。

针对最小示例的修改示例 #

以下代码将5条边中的1条设为设计变量，剩余4条作为状态变量，匹配4个节点的残差维度：

import numpy as np
import openmdao.api as om


class MassBalance(om.ImplicitComponent):

    def setup(self):
        # 输入：源流量、目标流量、1条边的设计流量
        self.add_input('m_p', val=1)
        self.add_input('m_c', val=np.ones(2))
        self.add_input('m_i_design', val=1)

        # 输出：剩余4条边的流量（状态变量）
        self.add_output('m_i_state', val=np.ones(4))

        # 残差：4个节点的质量守恒，维度与状态变量一致
        self.add_residual('m_nodal_balance', shape=(4,), desc="Residual for nodal mass balance")

    def setup_partials(self):
        self.declare_partials(of='m_nodal_balance', wrt=['m_i_state', 'm_p', 'm_c', 'm_i_design'])

    def apply_nonlinear(self, inputs, outputs, residuals):
        m_p = inputs['m_p']
        m_c = inputs['m_c']
        m_i_design = inputs['m_i_design']
        m_i_state = outputs['m_i_state']

        # 合并设计变量与状态变量的边流量
        m_i = np.concatenate([[m_i_design], m_i_state])

        residuals['m_nodal_balance'] = a_i.dot(m_i) + a_p.dot(m_p) + a_c.dot(m_c)

    def linearize(self, inputs, outputs, partials):
        # 状态变量的偏导：a_i的第2-5列
        partials['m_nodal_balance', 'm_i_state'] = a_i[:, 1:]
        # 设计变量的偏导：a_i的第1列
        partials['m_nodal_balance', 'm_i_design'] = a_i[:, 0].reshape(4, 1)
        partials['m_nodal_balance', 'm_p'] = a_p
        partials['m_nodal_balance', 'm_c'] = a_c


a_i = np.array([
    [1, 1, 0, 0, 0],
    [-1, 0, -1, -1, 0],
    [0, 0, 1, 0, -1],
    [0, -1, 0, 1, 1]
])

a_p = np.array([[-1], [0], [0], [0]])

a_c = np.array([[0, 0], [1, 0], [0, 1], [0, 0]])

p = om.Problem()
p.model.add_subsystem('MassBalance', MassBalance(), promotes=['*'])

# 将设计变量加入优化问题（若需优化）
p.model.add_design_var('m_i_design', lower=0, upper=10)

p.setup()
p.run_model()

关键说明 #

• OpenMDAO不支持残差与状态变量维度不匹配的隐式组件，这是隐式求解的数学本质决定的，并非功能遗漏。
• 处理欠定系统的核心是补充约束或拆分变量，这是工程建模中的常规手段，不会无端增大问题规模（反而能明确自由度的管理方式）。

内容的提问来源于stack exchange，提问作者jylambert