1
我試圖使用複雜步驟獲取OpenMDAO中一個簡單組件的派生。雖然我有分析衍生物,但我想比較性能和複雜步驟。這是更大設計問題的一部分。在OpenMDAO組件中複雜步驟不能按預期工作
這裏是一個小例子:
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)
運行該代碼原樣產生一個不正確的雅可比,而註釋出self.deriv_options['type' = 'cs'
線和使用該解析表達式產生正確的雅可比。
我在Ubuntu上使用OpenMDAO 1.7.3和numpy 1.10.2。
我是否設置錯誤的複雜步驟衍生物?如果是這樣的話,我應該如何編寫這個組件才能具備複雜的功能?
我已經解決了這個問題,爲了達到我的目的,擺脫了重塑線並用一個明確的賦值循環取代了它,儘管我仍然覺得原來的代碼展示已經奏效。 –