OpenMDAO中pyoptsparse IPOPT驱动收敛异常及目标函数缩放问题

使用OpenMDAO的pyoptsparse IPOPT驱动时，出现收敛至不可行点的问题，当前采用有限差分偏导数（finite difference partials），怀疑问题根源在于变量、目标函数及约束的缩放：驱动会朝某变量大幅步进，虽能优化目标函数，但同时加剧了约束违例。

初始缩放报告显示，初始点的变量与约束均被缩放至0-1区间，但目标函数缩放后的值为3.4。手动调整adder和scaler将其缩放至1.7后，约束违例情况有所降低。

我的缩放流程 #

• 运行om.DOEDriver(om.LatinHypercubeGenerator())获取非线性（非解析）约束的范围；
• 记录变量边界，通过变量的极端组合计算目标函数的最小、最大值（目标函数为解析形式，计算简便）；
• 设置adder为目标函数最小值的相反数，scaler为取值范围（最大值-最小值）的倒数。

目标函数缩放手动计算过程 #

未缩放的成本值：

• 模型目标函数最小值：89673.8
• 模型目标函数最大值：275506.5
• Adder = -89714.7404
• Scaler = 5.369e-6
• 驱动目标函数最小值 = (89673.8 + (-89714.7404)) × 5.369e-6 = -2.199e-4
• 驱动目标函数最大值 = (275506.5 + (-89714.7404)) × 5.369e-6 = 0.998

按照上述手动计算，目标函数应恰好缩放至0-1区间，但实际缩放报告输出值为1.7。

相关截图 #

求助问题 #

• 我的adder和scaler计算流程是否正确？若不正确，推荐何种缩放方法？
• OpenMDAO为何会将目标函数缩放至1.7？
  恳请提供优化建议。

内容的提问来源于stack exchange，提问作者Kasia