1
我试图使用复杂步骤获取OpenMDAO中一个简单组件的派生。虽然我有分析衍生物,但我想比较性能和复杂步骤。这是更大设计问题的一部分。在OpenMDAO组件中复杂步骤不能按预期工作
这里是一个小例子:
import numpy as np
from openmdao.api import IndepVarComp, Component, Problem, Group
class SpatialBeamDisp(Component):
def __init__(self, ny):
super(SpatialBeamDisp, self).__init__()
self.ny = ny
self.add_param('disp_aug', val=np.zeros(((self.ny+1)*6), dtype='complex'))
self.add_output('disp', val=np.zeros((self.ny, 6), dtype='complex'))
# Comment out this line to use analytic derivatives
self.deriv_options['type'] = 'cs'
def solve_nonlinear(self, params, unknowns, resids):
# Obtain the relevant portions of disp_aug and store the reshaped
# displacements in disp
unknowns['disp'] = params['disp_aug'][:-6].reshape((self.ny, 6))
def linearize(self, params, unknowns, resids):
jac = self.alloc_jacobian()
n = self.ny * 6
jac['disp', 'disp_aug'] = np.hstack((np.eye((n)), np.zeros((n, 6))))
return jac
top = Problem()
root = top.root = Group()
n = 5
disp_aug = np.random.random(((n+1) * 6))
root.add('disp_input', IndepVarComp('disp_aug', disp_aug), promotes=['*'])
root.add('disp_', SpatialBeamDisp(n), promotes=['*'])
top.setup()
top.run_once()
top.check_partial_derivatives(compact_print=True)
运行该代码原样产生一个不正确的雅可比,而注释出self.deriv_options['type' = 'cs'
线和使用该解析表达式产生正确的雅可比。
我在Ubuntu上使用OpenMDAO 1.7.3和numpy 1.10.2。
我是否设置错误的复杂步骤衍生物?如果是这样的话,我应该如何编写这个组件才能具备复杂的功能?
我已经解决了这个问题,为了达到我的目的,摆脱了重塑线并用一个明确的赋值循环取代了它,尽管我仍然觉得原来的代码展示已经奏效。 –