OpenMDAO优化中Newton求解器二次运行收敛失败问题咨询

我在OpenMDAO中使用om.ScipyOptimizeDriver(optimizer='SLSQP')驱动包含Newton求解器的隐式组件模型时，发现驱动会对初始点进行两次计算：第一次求解器收敛正常，第二次却收敛失败。相关输出如下：

Design variables: T = 119.9, r  = [8. 8. 8.]
======
cycle1
======
NL: Newton 0 ; 1.08292488e+09 1
NL: Newton 1 ; 87515540.2 0.0808140455
NL: Newton 2 ; 2017419.33 0.00186293562
NL: Newton 3 ; 127.643094 1.17868835e-07
NL: Newton 4 ; 0.00112882079 1.04238143e-12
NL: Newton Converged

Design variables: T = 119.9, r  = [8. 8. 8.]
======
cycle1
======
NL: Newton 0 ; 0.00112882079 1
NL: Newton 1 ; 3.40715571e-05 0.0301833183
NL: Newton 2 ; 3.51611217e-05 0.031148542
NL: Newton 3 ; 3.01547334e-05 0.0267134817
NL: Newton 4 ; 2.10780761e-05 0.0186726506
NL: Newton 5 ; 1.78959329e-05 0.0158536529
NL: Newton 6 ; 3.52074448e-05 0.0311895788
NL: Newton 7 ; 3.21214883e-05 0.028455791
...
NL: Newton 91 ; 2.47905401e-05 0.021961449
NL: Newton 92 ; 1.78168883e-05 0.0157836288
NL: Newton 93 ; 1.24818173e-05 0.011057395
NL: Newton 94 ; 2.81148656e-05 0.0249064032
NL: Newton 95 ; 1.98432406e-05 0.0175787342
NL: Newton 96 ; 2.33725536e-05 0.0207052828
NL: Newton 97 ; 1.88897422e-05 0.0167340489
NL: Newton 98 ; 4.77892572e-05 0.0423355575
NL: Newton 99 ; 4.26819068e-05 0.0378110568
NL: Newton 100 ; 2.64288629e-05 0.0234128067
NL: NewtonSolver 'NL: Newton' on system 'cycle1' failed to converge in 100 iterations.

我注意到第二次运行时求解器以上一次收敛的输出值为起点，这是否是导致无法进一步降低残差从而收敛失败的原因？若如此，该如何解决此问题？

原因分析与解决方案 #

你观察到的现象就是核心原因：第二次Newton求解器从第一次收敛后的状态启动，引发了残差震荡无法收敛。SLSQP驱动在初始阶段会先执行一次正向分析（计算目标/约束），紧接着触发梯度计算（默认有限差分），梯度计算时会复用系统前一次的状态，导致Newton从已收敛的极小残差点开始迭代——此时Newton法的步长调整、雅可比矩阵精度问题会让残差出现震荡，无法进一步收敛到满足容限的范围。

以下是几种可行的解决方法：

• 强制重置求解器初始状态
  在隐式组件的solve_nonlinear方法开头，手动将状态变量重置为初始猜测值，确保每次求解都从干净的起点开始：

  class MyImplicitComp(om.ImplicitComponent):
      def initialize(self):
          self.options.declare('initial_guess', default=0.0)
  
      def solve_nonlinear(self, inputs, outputs, residuals):
          # 重置状态到初始猜测值
          outputs['state_var'] = self.options['initial_guess']
          # 执行Newton求解
          super().solve_nonlinear(inputs, outputs, residuals)
  

• 开启求解器的reset_on_run参数
  给Newton求解器设置reset_on_run=True，确保每次调用求解器时自动重置状态到初始值，而非复用之前的收敛结果：

  # 假设cycle1是你的隐式系统
  cycle1.nonlinear_solver = om.NewtonSolver()
  cycle1.nonlinear_solver.reset_on_run = True
  # 可同时配置其他求解器参数，比如容限
  cycle1.nonlinear_solver.atol = 1e-10
  cycle1.nonlinear_solver.rtol = 1e-10
  

• 改用解析梯度替代有限差分
  有限差分的步长扰动可能引发求解器的异常迭代，若能提供解析梯度，不仅能提升计算效率，还能让梯度计算过程更稳定。在隐式组件中实现linearize方法定义雅可比矩阵：

  class MyImplicitComp(om.ImplicitComponent):
      def linearize(self, inputs, outputs, jacobian):
          # 填充残差对状态变量的雅可比元素
          jacobian['residual_name', 'state_var'] = ...
          # 填充残差对输入变量的雅可比元素（如果需要）
          jacobian['residual_name', 'input_var'] = ...
  

• 调整求解器收敛参数（备选）
  如果残差震荡的数值本身很小，可适当调小Newton求解器的绝对/相对容限，或增加最大迭代次数，但这只是临时缓解，优先推荐前面三种根治方法：

  cycle1.nonlinear_solver.maxiter = 200
  cycle1.nonlinear_solver.atol = 1e-12
  

内容的提问来源于stack exchange，提问作者Kasia