优化 pyomo 中的 Fortran 函数

我希望使用 Pyomo 优化 Fortran 函数。目标函数和约束都是用 Fortran 编写的。根据给出的答案here， 我们可以用ExternalFunction表达式对象。但即使是最简单的函数我也无法得到结果。下面给出的是一个可重现的示例，其中包含 Fortran 函数、python (Python 2.7.12) 脚本、为优化而执行的命令以及错误。

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

Error -

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一小部分错误。

鉴于此，我有以下问题 -

1. 如何使用 pyomo 成功解决这个无约束优化问题？

2. 对于我的完整项目，我必须在 Fortran 本身中给出约束。约束子例程将返回一个实数，该实数将使用 pyomo 进行限制。如何对这些类型的约束进行建模？

3. 我假设 Pyomo 将这个黑匣子视为非线性优化。因此，我正在使用ipopt求解器。这个假设正确吗？

软件包的版本 -

1. Pyomo - 5.5.1 (VOTD)（Linux 4.4.0-127-generic 上的 CPython 2.7.12）

2. ipopt - ipopt 3.12.8

3. f2py - 与 numpy 1.16.2 一起安装

感谢您的帮助！

如果您不受约束Pyomo你可以使用优秀的Pygmo包提供不同类型问题的求解器，包括黑盒求解器。

这是一个关于如何在连续约束单目标测试问题上使用它的小示例：

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，您只需在适应度函数中处理“连接”Fortran 代码即可。

希望这可以帮助！