check_partial_derivatives()以前の質問で示した問題に適用された方法の出力に驚いています:スケーリングを必要とする放物面最適化。そのメソッドへの呼び出しを追加すると:
from __future__ import print_function
システムをインポート
from openmdao.api import IndepVarComp, Component, Problem, Group, ScipyOptimizer
クラス放物面（コンポーネント）：
def __init__(自己):
super(放物面、自己).__init__()
self.add_param('x', val=0.0)
self.add_param('y', val=0.0)
self.add_output('f_xy', val=0.0)
def solve_nonlinear(self, params, unknowns, resids):
x = パラメータ['x']
y = パラメータ['y']
#unknowns['f_xy'] = (x-3.0)**2 + x*y + (y+4.0)**2 - 3.0
未知数['f_xy'] = (1000.*x-3.)**2 + (1000.*x)*(0.01*y) + (0.01*y+4.)**2 - 3.
def linearize(self、params、unknowns、resids):
""" 放物面のヤコビアン"""
x = パラメータ['x']
y = パラメータ['y']
J = {}
#J['f_xy', 'x'] = 2.0*x - 6.0 + y
#J['f_xy', 'y'] = 2.0*y + 8.0 + x
J['f_xy', 'x'] = 2000000.0*x - 6000.0 + 10.0*y
J['f_xy', 'y'] = 0.0002*y + 0.08 + 10.0*x
Jを返す
if __name__ == "__main__":
トップ=問題()
root = top.root = グループ()
#root.fd_options['force_fd'] = True
root.add('p1', IndepVarComp('x', 3.0))
root.add('p2', IndepVarComp('y', -4.0))
root.add('p', Paraboloid())
root.connect('p1.x', 'px')
root.connect('p2.y', 'py')
top.driver = ScipyOptimizer()
top.driver.options['optimizer'] = 'SLSQP'
top.driver.add_desvar('p1.x', lower=-1000, upper=1000, scaler=1000.)
top.driver.add_desvar('p2.y', 下限=-1000, 上限=1000, スケーラー=0.001)
top.driver.add_objective('p.f_xy')
top.setup()
top.check_partial_derivatives() # 行を追加
top.run()
印刷('\n')
print('Minimum of %f found at (%f, %f)' % (top['p.f_xy'], top['px'], top['py']))
次の出力が得られます。
部分導関数チェック
----------------
コンポーネント: 'p'
----------------
p: 'f_xy' wrt 'x'
前方マグニチュード : 6.000000e+03
逆マグニチュード : 6.000000e+03
Fd マグニチュード : 2.199400e+07
絶対誤差 (Jfor - Jfd) : 2.200000e+07
絶対誤差 (Jrev - Jfd) : 2.200000e+07
絶対誤差 (Jfor - Jrev): 0.000000e+00
相対誤差 (Jfor - Jfd) : 1.000273e+00
相対誤差 (Jrev - Jfd) : 1.000273e+00
相対誤差 (Jfor - Jrev): 0.000000e+00
生の前方微分 (Jfor)
[[-6000.]]
生逆導関数 (Jrev)
[[-6000.]]
生の FD デリバティブ (Jfor)
[[ 21994001.]]
- - - - - - - - - - - - - - - - - - - - - - - - - - -
p: 'f_xy' wrt 'y'
前方マグニチュード : 8.000000e-02
逆マグニチュード : 8.000000e-02
Fd マグニチュード : 2.200000e+07
絶対誤差 (Jfor - Jfd) : 2.200000e+07
絶対誤差 (Jrev - Jfd) : 2.200000e+07
絶対誤差 (Jfor - Jrev): 0.000000e+00
相対誤差 (Jfor - Jfd) : 1.000000e+00
相対誤差 (Jrev - Jfd) : 1.000000e+00
相対誤差 (Jfor - Jrev): 0.000000e+00
生の前方微分 (Jfor)
[[ 0.08]]
生逆導関数 (Jrev)
[[ 0.08]]
生の FD デリバティブ (Jfor)
[[ 22000000.08]]
最適化が正常に終了しました。(終了モード 0)
現在の関数値: [-27.33333333]
反復: 4
機能評価：6
勾配評価: 4
最適化完了
-----------------------------------
(0.006667、-733.333333) で見つかった -27.333333 の最小値
最適化は正しい (つまり、導関数が正しいことをほぼ確実に証明している) が、check_partial_derivatives出力は fd と forward/reverse メソッドの間で一貫した結果を示していない。