我一直在使用SLSQP算法仅使用ExplicitComponents运行一些MDO问题。每个组件的运行时间约为10秒，输入变量为60-100。大多数输入变量是静态输入变量，将在整个优化过程中保持不变。静态输入变量源自IndepVarComp。 ExplicitComponents是黑匣子，因此在局部上没有可用的信息。
我注意到，当在compute_totals()中计算雅可比行列式时，组件将相对于其所有输入值进行线性化。在compute_approximations()中，将对所有输入值（包括静态输入值）计算出有限的差异。所以，我的问题是：为什么要对这些静态输入变量执行有限差分计算？由于这些值保持不变，因此我不确定为什么这些信息会有用吗？
此外，如果我理解正确的话，可以对这些分量进行线性化以获得子雅各宾派，然后将其用于计算总雅可比行列式。但是，是否可以直接计算整个组的有限差分而不是线性化每个分量？由于组件的运行时和输入变量的数量，每个组件的线性化将花费很长时间。但是，优化问题只有3个设计变量。因此，如果我可以在整个MDA上执行三个有限差分计算以计算总Jacobian，则总运行时间将大大减少。
答案 0 :(得分：2)
以相反的顺序回答您的问题：
1）您可以FD整个模型而不是每个单独的组件吗？是!
您可以在模型（包括顶层组）中设置FD over any group。然后，FD将跨该组而不是跨该组中的每个组件获取。 我们称此为计算半总导数，因为通常您可以在模型中选择一个子组，在这种情况下，FD会逼近该组中的总导数，但是总导数仍然有效地是偏导数。对于整体模型。因此半总导数。
2）为什么要对这些静态输入变量执行有限差分计算？
从理论上讲，您是正确的，因为您实际上不需要不可更改的输入的偏导数。从OpenMDAO 2.4开始，我们不会自动处理这种情况，也没有计划在不久的将来添加这种情况。但是，该框架仅对您告诉它的部分进行FD。听起来您像这样声明自己的部分：
self.declare_partials(of=['*'], wrt=['*'], method='fd')
因此，您特别要求框架计算所有这些部分。相反，您可以在wrt参数中仅指定您实际更改的输入。当然，这在数学上是不正确的，因为静态输入具有导数。如果以后有人将某些内容连接到这些输入并进行尝试和优化，他们将得到错误的答案。但是，只要您小心谨慎，就可以只从任何组件中只请求所需的部分，并简单地将不变的输入有效地保留为0。