如何对Dymos优化问题执行热启动操作

Dymos原生支持你需要的热启动逻辑，不需要重复创建两个独立问题实例，具体操作流程如下：

1. 生成可行初始轨迹 #

• 正常构建OpenMDAO+Dymos问题，所有静态参数、控制量的opt属性初始设置为False
• 直接调用problem.run_model()做正向仿真即可得到满足约束的可行状态轨迹，无需运行优化器，计算效率更高
• 仿真完成后，所有状态量、状态率的可行结果会自动存储在问题实例的变量树中

2. 动态修改设计变量优化属性 #

不需要重建问题，直接通过Dymos相对象的方法覆盖原有配置即可：

• 静态参数开启优化：重复调用phase.add_parameter('目标参数名', opt=True, 其余参数保持原有配置)，新的opt设置会自动覆盖旧配置
• 控制量开启优化：重复调用phase.add_control('目标控制量名', opt=True, 其余参数保持原有配置)，逻辑同上
• 所有属性修改完成后，调用problem.setup()重新初始化问题，原有仿真得到的状态量值会默认保留，不需要手动赋值

3. 启动优化 #

直接调用problem.run_driver()即可，优化器会以第一步得到的可行轨迹作为初始点启动，可大幅降低初始点不可行导致的线搜索错误、迭代超时概率。

如果需要更通用的初始猜测复用能力，可以使用Dymos内置的结果缓存能力：

• 第一步仿真完成后，将当前结果存储为case对象：saved_case = problem.check_output()
• 后续不管修改任何配置、重新setup问题后，只需调用dymos.load_case(problem, saved_case)即可一键加载所有状态、控制量、参数的历史可行值，无需手动逐个赋值。

内容的提问来源于stack exchange，提问作者Chris