为什么每个 Gauss-Seidel 迭代都会执行两次组件？ (OpenMDAO 2.4.0)
Why are components executed two times for each Gauss-Seidel iteration? (OpenMDAO 2.4.0)
我一直在使用 NonLinearBlockGS 作为 nonlinear_solver 用于由 ExplicitComponents 组成的 MDO 系统，这按预期工作。首先，我将其与简单的数学函数一起使用（因此 运行time << 1s），但现在我还实现了一个具有多个显式组件的系统，这些组件的 运行 时间约为一分钟或更长时间。那时我注意到 NonLinearBlockGS 求解器实际上需要 运行 耦合系统中的工具每次迭代两次。这些运行来源于求解器_run_iterator()方法中的self._iter_execute()和self._run_apply()（文件[=18=中的classSolver ]).
我的主要问题是，每次迭代是否真的需要两个 运行，如果需要，为什么？
似乎第一个组件 运行 (self.iter_execute()) 使用了对需要收敛的反馈变量的初始猜测，然后 运行 在更新任何前馈时按顺序对组件进行数据。这是我对 Gauss-Seidel 期望的步骤。但是然后第二个组件 运行 (self._run_apply()) 运行 再次使用第一个 运行 产生的更新反馈变量对组件进行更新，同时保持前馈在其中首先运行。如果我没记错的话，此信息将（仅）用于评估该迭代的收敛性 (self._iter_get_norm())。
与其把这第二个运行放在迭代里面，直接继续下一个迭代不是更高效吗？在那次迭代中，我们可以使用反馈变量的新值并执行另一个 self._iter_execute() 更新前馈数据，然后根据这两次迭代之间的结果差异评估收敛性。当然这意味着我们至少需要两次迭代来评估收敛性，但它每次迭代节省了一个组件运行。 （这实际上是我在 MATLAB 中用于收敛这些组件的现有实现，并且按预期工作，因此它找到了相同的收敛设计，但组件数量减半 运行s。）
所以另一种表达方式是：为什么我们在进行高斯-赛德尔收敛时每次迭代都需要 self._run_apply()？ （这可以关闭吗？）
您的问题有几个不同的方面。首先，我将介绍 solve_nonlinear 与 apply_nonlinear 的细节。使用 OpenMDAO 的底层数学算法，基于 MAUD framework ， solve_nonlinear 仅计算输出值的值（不设置残差）。 apply_nonlinear 仅计算残差（不设置输出）。
对于 ExplicitComponent 的子 classes，用户只实现了一个 compute 方法，基础 class 实现了 solve_nonlinear 和 apply_nonlinear 使用compute.
正如您所描述的，在 OpenMDAO V2.4 当前实现的 NonlinearBlockGaussSeidel 中，每次迭代都会对其组执行一次递归 solve_nonlinear 调用，然后调用 apply_nonlinear 检查残差并寻找收敛。
但是，您也说得对，我们可以更有效地执行此操作。您建议对算法进行的修改会起作用，我们将把它放在 V2.6 的开发管道中（截至本 post，我们即将发布 V2.5，然后没时间将其添加到该版本中）
我一直在使用 NonLinearBlockGS 作为 nonlinear_solver 用于由 ExplicitComponents 组成的 MDO 系统，这按预期工作。首先，我将其与简单的数学函数一起使用（因此 运行time << 1s），但现在我还实现了一个具有多个显式组件的系统，这些组件的 运行 时间约为一分钟或更长时间。那时我注意到 NonLinearBlockGS 求解器实际上需要 运行 耦合系统中的工具每次迭代两次。这些运行来源于求解器_run_iterator()方法中的self._iter_execute()和self._run_apply()（文件[=18=中的classSolver ]).
我的主要问题是，每次迭代是否真的需要两个 运行，如果需要，为什么？
似乎第一个组件 运行 (self.iter_execute()) 使用了对需要收敛的反馈变量的初始猜测，然后 运行 在更新任何前馈时按顺序对组件进行数据。这是我对 Gauss-Seidel 期望的步骤。但是然后第二个组件 运行 (self._run_apply()) 运行 再次使用第一个 运行 产生的更新反馈变量对组件进行更新，同时保持前馈在其中首先运行。如果我没记错的话，此信息将（仅）用于评估该迭代的收敛性 (self._iter_get_norm())。
与其把这第二个运行放在迭代里面，直接继续下一个迭代不是更高效吗？在那次迭代中，我们可以使用反馈变量的新值并执行另一个 self._iter_execute() 更新前馈数据，然后根据这两次迭代之间的结果差异评估收敛性。当然这意味着我们至少需要两次迭代来评估收敛性，但它每次迭代节省了一个组件运行。 （这实际上是我在 MATLAB 中用于收敛这些组件的现有实现，并且按预期工作，因此它找到了相同的收敛设计，但组件数量减半 运行s。）
所以另一种表达方式是：为什么我们在进行高斯-赛德尔收敛时每次迭代都需要 self._run_apply()？ （这可以关闭吗？）
您的问题有几个不同的方面。首先，我将介绍 solve_nonlinear 与 apply_nonlinear 的细节。使用 OpenMDAO 的底层数学算法，基于 MAUD framework ， solve_nonlinear 仅计算输出值的值（不设置残差）。 apply_nonlinear 仅计算残差（不设置输出）。
对于 ExplicitComponent 的子 classes，用户只实现了一个 compute 方法，基础 class 实现了 solve_nonlinear 和 apply_nonlinear 使用compute.
正如您所描述的，在 OpenMDAO V2.4 当前实现的 NonlinearBlockGaussSeidel 中，每次迭代都会对其组执行一次递归 solve_nonlinear 调用，然后调用 apply_nonlinear 检查残差并寻找收敛。
但是，您也说得对，我们可以更有效地执行此操作。您建议对算法进行的修改会起作用，我们将把它放在 V2.6 的开发管道中（截至本 post，我们即将发布 V2.5，然后没时间将其添加到该版本中）