如何将一个复杂的模型分解成组件+自定义"drivers"？
How to break down a complex model into components + custom "drivers"?
我有一个复杂的模型 (A)，可以轻松地将其写入具有输入和输出的单个组件中。但是，在模型 A 中，重复调用了两个 "physical" 规程 A1 和 A2。
我想将模型 A 分成两个子组件（A1 和 A2），并有一个根据某些规则调用 A1 和 A2 的代码。
问题是，我应该把这个 "glue code" 写成一个调用它里面其他组件的组件吗？或者我应该编写自己的 "driver" 来使用我的规则调用 A1 和 A2 吗？
还是我必须将大型模型保留在一个组件中？
另一个类似的情况是，必须在不同情况（输入值）下评估（理想情况下）单个组件。如何反复调用？或者制作一个在计算方法内循环的组件？
谢谢
您在这里有多种选择，并且根据您重复调用 A1 和 A2 的原因的详细信息，我建议更改哪一种。
我几乎总是建议将较大的模型分解为较小的组件，因为这样可以更轻松地计算分析导数并提供更加模块化的代码库。假设你确实拆散了 A，重复调用的特征是什么？
A1 和 A2 是您希望在多个不同操作点重复的某种分析吗？例如多个负载情况或空气动力学条件？也许你对它们进行平均以计算 A 的一些最终输出？如果是这样，我建议将 A1 和 A2 编写为向量化函数，它们可以接收输入数据数组（数组的每个条目代表一个不同的点），然后输出一个数组，其中对每个元素进行了计算。以这种方式使用 numpy 数组可以在 OpenMDAO 中快速有效地使用内存。这绝对是我建议你如何处理你的最后一个问题，关于 运行 重复使用不同的输入。如果您不能对函数进行向量化，那么您可以去除模型的多个实例（每个输入案例一个），但是这可能会降低效率，具体取决于您拥有的输入案例数量。
您是否正在迭代 A1/A2 以实现某种收敛过程？如果是这样，您应该使用求解器来处理这种循环。 GaussSeidel 或 Newton 应该可以解决问题。如果您的规则由某种启发式迭代组成以达到收敛，那么您可以将其编码到自定义求解器中，尽管这对于新手用户来说肯定有些困难。相反，如果您的规则相当于某种算法，您以某种固定顺序执行 A1/A2 并按固定次数调用每个算法，那么我回到我的建议，您只需实例化 A1 和 A2 的多个副本，然后将它们连接在一起以制作您想要解决问题的顺序。
我有一个复杂的模型 (A)，可以轻松地将其写入具有输入和输出的单个组件中。但是，在模型 A 中，重复调用了两个 "physical" 规程 A1 和 A2。 我想将模型 A 分成两个子组件（A1 和 A2），并有一个根据某些规则调用 A1 和 A2 的代码。 问题是，我应该把这个 "glue code" 写成一个调用它里面其他组件的组件吗？或者我应该编写自己的 "driver" 来使用我的规则调用 A1 和 A2 吗？ 还是我必须将大型模型保留在一个组件中？
另一个类似的情况是，必须在不同情况（输入值）下评估（理想情况下）单个组件。如何反复调用？或者制作一个在计算方法内循环的组件？ 谢谢
您在这里有多种选择，并且根据您重复调用 A1 和 A2 的原因的详细信息，我建议更改哪一种。
我几乎总是建议将较大的模型分解为较小的组件，因为这样可以更轻松地计算分析导数并提供更加模块化的代码库。假设你确实拆散了 A，重复调用的特征是什么？
A1 和 A2 是您希望在多个不同操作点重复的某种分析吗？例如多个负载情况或空气动力学条件？也许你对它们进行平均以计算 A 的一些最终输出？如果是这样，我建议将 A1 和 A2 编写为向量化函数，它们可以接收输入数据数组（数组的每个条目代表一个不同的点），然后输出一个数组，其中对每个元素进行了计算。以这种方式使用 numpy 数组可以在 OpenMDAO 中快速有效地使用内存。这绝对是我建议你如何处理你的最后一个问题，关于 运行 重复使用不同的输入。如果您不能对函数进行向量化，那么您可以去除模型的多个实例（每个输入案例一个），但是这可能会降低效率，具体取决于您拥有的输入案例数量。
您是否正在迭代 A1/A2 以实现某种收敛过程？如果是这样，您应该使用求解器来处理这种循环。 GaussSeidel 或 Newton 应该可以解决问题。如果您的规则由某种启发式迭代组成以达到收敛，那么您可以将其编码到自定义求解器中，尽管这对于新手用户来说肯定有些困难。相反，如果您的规则相当于某种算法，您以某种固定顺序执行 A1/A2 并按固定次数调用每个算法，那么我回到我的建议，您只需实例化 A1 和 A2 的多个副本，然后将它们连接在一起以制作您想要解决问题的顺序。