如何将SNOPT雅可比行列映射回OpenMDAO目标、约束与变量？

一、映射SNOPT行列到OpenMDAO元素 #

1. 设计变量（对应SNOPT的Column） #

SNOPT输出的Column是从1开始的优化变量索引，对应OpenMDAO全局设计变量的顺序：

• 打印设计变量的全局索引映射，反向查找索引对应的变量名：

  desvar_map = prob.driver._get_desvar_index_map()
  idx_to_desvar = {v: k for k, v in desvar_map.items()}
  # 例如SNOPT的Column=3，对应OpenMDAO索引为2（需减1）
  print(idx_to_desvar[3-1])
  

• 也可直接查看设计变量的定义顺序，列表第N个元素对应SNOPT的Column=N+1：

  print(list(prob.model.get_design_vars().keys()))
  

2. 目标/约束（对应SNOPT的Row） #

SNOPT的Row对应目标和约束的全局索引，目标函数通常为Row=1（对应全局索引0），约束按OpenMDAO定义的顺序排列：

• 获取约束的全局索引映射，反向查找索引对应的约束名：

  con_map = prob.driver._get_constraint_index_map()
  idx_to_con = {v: k for k, v in con_map.items()}
  # 例如SNOPT的Row=5，对应OpenMDAO索引为4（需减1）
  print(idx_to_con[5-1])
  

• 目标函数直接对应全局索引0，即你在OpenMDAO中定义的目标变量。

3. 通过pyoptsparse的SNOPT实例查询 #

在优化运行前后，可通过prob.driver.opt（SNOPT优化器实例）获取更直接的信息：

• 变量顺序：prob.driver.opt.xOpt的元素顺序与SNOPT的Column顺序完全对应
• 约束/目标顺序：prob.driver.opt.fOpt为目标值，prob.driver.opt.gOpt为约束值数组，顺序对应SNOPT的Row（Row=1对应目标，Row≥2对应gOpt的索引0开始）

二、导数符号相反的排查方向 #

尽管check_partials()未发现问题，可从以下方向定位：

• 约束/目标定义方向：检查OpenMDAO中约束的上下界是否与SNOPT预期匹配。比如你需要c ≥ 0但写成c ≤ 0，或SNOPT被设置为最大化目标（默认是最小化），都会导致导数符号翻转。
• 雅可比组装环节：检查组件间变量连接是否存在反向依赖，比如promotes操作是否意外改变变量符号，或IndepVarComp的输出是否被反向使用。
• SNOPT验证参数：确认Verify level=2的有限差分步长合理，不过符号完全相反的情况，大概率是定义问题而非步长误差。

内容的提问来源于stack exchange，提问作者Mark Garnett