Question

我希望使用Pyomo优化Fortran函数。目标函数和约束都用Fortran编写。根据给定的答案here，我们可以使用ExternalFunction表达式对象。但是，即使是最简单的功能，我也无法获得结果。下面给出的是一个可复制的示例，该示例由Fortran函数，python（Python 2.7.12）脚本，为优化而执行的命令和错误组成。

Fortran函数文件（funcs.f）-

  SUBROUTINE OBJ1(ARG,OBJ)
  DOUBLE PRECISION, INTENT(IN) :: ARG(2)
  DOUBLE PRECISION, INTENT(OUT) :: OBJ
  OBJ = ARG(1)+ARG(2)
  RETURN
  END SUBROUTINE

Python脚本（pytest.py）-

import funcs
from pyomo.environ import *
from pyomo.opt import *
from pyomo.core import *

m = ConcreteModel()
m.a = Var(RangeSet(1,2),within=NonNegativeReals,bounds=(0,10))
m.f = ExternalFunction(library='funcs.so',function='OBJ1')
expr = m.f(m.a)
m.obj = Objective(expr=expr,sense=minimize)

opt = SolverFactory('ipopt')
results = opt.solve(m,tee=True)
print(results)

在终端执行的命令-

>> f2py -c -m funcs funcs.f
>> python pytest.py

错误-

File "/usr/local/lib/python2.7/dist-packages/pyomo/core/base/external.py", line 160, in load_library
FUNCADD(('funcadd_ASL', self._so))(byref(AE))
AttributeError: /home/utkarsh/Desktop/python/modules/blackboxOptimization/funcs.so: undefined symbol: funcadd_ASL

我只给出了我认为相关的错误的一小部分。

鉴于此，我有以下问题-

如何使用pyomo成功解决这个不受约束的优化问题？
对于我的整个项目，我将不得不限制Fortran本身。约束子例程将返回一个实数，该实数将使用pyomo进行限制。如何为这些类型的约束建模？
我假设Pyomo将此黑盒视为非线性优化。因此，我正在使用ipopt求解器。这个假设正确吗？

软件包的版本-

Pyomo-5.5.1（VOTD）（Linux 4.4.0-127-generic上的CPython 2.7.12）
ipopt-Ipopt 3.12.8
f2py-与numpy 1.16.2一起安装

感谢您的帮助！

Answer 1

如果您不受Pyomo的束缚，则可以使用出色的Pygmo软件包，该软件包为包括黑盒求解器在内的各种问题提供求解器。

这里有一个小例子，说明如何在连续受限的单目标测试问题上使用它：

import pygmo as pg
import pandas as pd


class Rosenbrock():
    """Rosenbrock function constrained to a disk.

    See: https://en.wikipedia.org/wiki/Test_functions_for_optimization
    """

    def fitness(self, x):
        """Evaluate fitness.

        Instead of the Rosenbrock function you could call your Fortran
        code here e.g. by using F2PY: https://www.numfys.net/howto/F2PY/
        """
        obj = (1-x[0])**2+100*(x[1]-x[0]**2)**2
        ineq = x[0]**2+x[1]**2-2
        return [obj, ineq]

    def get_bounds(self):
        """Return boundaries."""
        return ([-1.5]*2, [1.5]*2)

    def get_nic(self):
        """Determine number of inequalities."""
        return 1


# set up and solve problem
pro = pg.problem(Rosenbrock())
pop = pg.population(pro, size=200)
# see: https://github.com/esa/pagmo2/blob/master/include/pagmo/algorithms/
algo = pg.algorithm(pg.ihs(gen=10000))
algo.set_verbosity(100)
pop = algo.evolve(pop)

# extract solutions
fits = pd.DataFrame(pop.get_f())
vectors = pd.DataFrame(pop.get_x())
best_idx = pop.best_idx()
best_vector = vectors.loc[best_idx].to_frame().T
best_fitness = fits.loc[best_idx].to_frame().T

print(best_vector)
print(best_fitness)

然后，您只需要在适应性函数中处理“连接”您的Fortran代码即可。

希望这会有所帮助！

在pyomo中优化Fortran功能

1 个答案: