我在 openMDAO 中使用 SLSQP 算法，但我无法理解它的实际工作原理。我只是看常见的抛物面示例，它有 2 个设计变量，旨在最小化 f，没有任何限制。通过打印每次迭代的 x、y 和 f 的值（迭代可能不是正确的词），我可以看到有时使用每个设计变量（x，y）的前向有限差分来评估一阶导数。然后使用这些导数来查找下一个 x 和 y 值，但是我看不到该模式。
另外，当我读到 SLSQP 方法时，还需要二阶导数。但是，我没有看到它被计算出来。让我举一个我的输出的例子：
iteration 1:
x = 0
y = 0
f = 22
iteration 2:
x = 0.01
y = 0
f = 21.9401
iteration 3:
x = 0
y = 0.01
f = 22.0801
从最后 2 次迭代中，我们可以计算出 df/dx = 5.99 ， df/dy = -8.01
下一次迭代恰好是：
x = 5.99
y = -8.01
f = -25.9597
然后从这一点再次进行两次有限差分计算找到： df/dx = 2.02 , df/dy = 2.02 …
optimization mathematical-optimization scipy openmdao scipy-optimize
我正在使用 SLSQP 优化器。我记得在某处读到过，有一个目标函数或设计变量的最佳大小（或者可能是两者之间的比率？）来搜索设计空间。例如，如果我的目标函数大一个数量级，那么设计空间的跳跃似乎也大一个数量级。
如果这个跳跃太小，它可能会限制它搜索的设计空间的数量，或者可能需要很长时间才能到达某个点。然而，太大的跳跃也不好。
任何帮助，将不胜感激。如果有不清楚的地方，请告诉我。谢谢！