基于固定向量输入的SciPy SLSQP优化问题及OpenMDAO适配求助

问题本质 #

你遇到的报错核心是：当输入为向量化数组时，OpenMDAO要求偏导数矩阵的形状严格匹配**(输出维度, 输入维度)**，而你用np.eye()生成的矩阵形状不符合这个要求——比如如果输出是标量、输入是n维向量，np.eye(n)是(n,n)，但需要的是(1,n)；如果输出是n维、输入是n维，没在declare_partials里明确声明形状也会触发报错。

具体修正步骤 #

1. 锁死输入输出维度
   先在Component的setup里明确输入输出的形状，固定输入数组直接赋值给val参数：

   def setup(self):
       # 向量化输入，形状(5,)，绑定固定数据数组
       self.add_input('vehicle_params', shape=(5,), val=your_fixed_data_array)
       # 标量输出（比如优化目标）
       self.add_output('fuel_consumption', shape=(1,))
   

2. 正确声明偏导数形状
   在setup里用declare_partials明确偏导的形状，严格对应输出和输入的维度：

   def setup(self):
       # ... 输入输出定义 ...
       # 输出是1维，输入是5维，偏导形状设为(1,5)
       self.declare_partials('fuel_consumption', 'vehicle_params', shape=(1,5))
   

   要是输出也是5维向量，就把形状设为(5,5)，和np.eye(5)的形状匹配。

3. 调整compute_partials里的偏导赋值

   • 如果输出是标量：放弃np.eye()，直接构造(1,n)的数组。比如根据物理关系定义每个输入对应的偏导系数：

     def compute_partials(self, inputs, partials):
         # 示例：每个输入参数对油耗的偏导系数
         jac = np.array([[0.1, 0.2, 0.3, 0.4, 0.5]])
         partials['fuel_consumption', 'vehicle_params'] = jac
     

   • 如果输出是同维度向量：np.eye(n)可用，但要确保和declare_partials里的形状一致：

     def compute_partials(self, inputs, partials):
         partials['output_vec', 'input_vec'] = np.eye(5)
     

4. 快速排查技巧
   在compute_partials里加一行打印，确认偏导矩阵形状是否符合声明：

   print(partials['fuel_consumption', 'vehicle_params'].shape)
   

额外建议 #

• 复杂模型建议用OpenMDAO的自动微分功能，避免手动构造偏导的维度错误。
• 固定输入的数组不要设为设计变量，优化器只会处理你指定的可调变量。

内容的提问来源于stack exchange，提问作者sglynn3