本文介绍如何利用gekko框架对已训练的sklearn神经网络模型进行黑箱优化，重点解决多决策变量（如tco和tei）联合优化时因输入维度不匹配导致的广播错误，并提供可复现的标准化训练与预测流程。
本文介绍如何利用gekko框架对已训练的sklearn神经网络模型进行黑箱优化，重点解决多决策变量（如tco和tei）联合优化时因输入维度不匹配导致的广播错误，并提供可复现的标准化训练与预测流程。
在工业建模与控制优化中，常需将预训练的机器学习模型（如MLPRegressor）嵌入优化框架中，以最小化或最大化其预测输出。GEKKO通过Gekko_NN_SKlearn模块支持此类“神经网络嵌入式优化”，但其成功依赖于严格一致的特征维度对齐：训练神经网络时使用的输入特征数量，必须与predict()调用时传入的GEKKO变量列表长度完全一致。
✅ 正确做法：按需定义输入特征并统一缩放
首先，明确优化目标——您希望同时调整Tco和Tei两个物理变量来最小化预测功耗Pel。因此，神经网络训练阶段必须仅使用这两个特征，而非全部三个（Tco, Tei, m_cond）。否则，当调用.predict([Tco, Tei])时，模型期望3维输入却收到2维，触发ValueError: operands could not be broadcast together with shapes (3,) (2,)。
以下是完整、可运行的修正流程：
import pandas as pd
import numpy as np
from gekko.ML import Gekko_NN_SKlearn, CustomMinMaxGekkoScaler
from sklearn.neural_network import MLPRegressor
from gekko import GEKKO
# 构造示例数据集
data = {
'Tco': [303.9599915, 303.6700134, 303.5799866, 303.7799988, 303.8200073,
304.1000061, 304.0400085, 304.0, 303.9500122, 304.25],
'Tei': [287.8900146, 287.8399963, 287.7799988, 287.8099976, 287.8299866,
287.8200073, 287.8399963, 287.8900146, 287.8399963, 287.8800049],
'm_cond': [0.000259306, 0.000266121, 0.000265435, 0.000266299, 0.000266172,
0.000266147, 0.000266071, 0.000266147, 0.000266757, 0.000267444],
'Pel': [874.0000129, 873.0000257, 871.999979, 875.9999871, 878.000021,
885.9999776, 884.9999905, 883.0000162, 882.0000291, 889.9999857]
}
df = pd.DataFrame(data)
# ✅ 关键：仅选用参与优化的变量作为模型输入特征
X_features = ['Tco', 'Tei'] # 不包含 m_cond
Y_target = ['Pel']
# 构建并训练神经网络（使用2输入）
mlp = MLPRegressor(hidden_layer_sizes=(16,), max_iter=1000, random_state=42)
scaler = CustomMinMaxGekkoScaler(df, X_features, Y_target)
scaled_data = scaler.scaledData()
mma = scaler.minMaxValues() # 保存缩放参数，供GEKKO反向转换
# 训练模型（仅基于Tco和Tei）
mlp.fit(scaled_data[X_features], scaled_data[Y_target].values.ravel())
# ✅ GEKKO优化：定义两个决策变量
m = GEKKO(remote=False)
Tco = m.Var(value=303.8, lb=303.0, ub=304.5)
Tei = m.Var(value=287.8, lb=287.5, ub=288.2)
# 调用预测 —— 输入列表长度必须等于训练特征数（即2）
predicted_Pel = Gekko_NN_SKlearn(mlp, mma, m).predict([Tco, Tei])
# 最小化预测功耗
m.Minimize(predicted_Pel)
m.options.IMODE = 3 # 静态优化模式
m.solve(disp=False)
print(f'Optimized Tco: {Tco.value[0]:.6f}')
print(f'Optimized Tei: {Tei.value[0]:.6f}')
print(f'Optimized Predicted Pel: {predicted_Pel.value[0]:.6f}')
print(f'Gekko Solvetime: {m.options.SOLVETIME:.6f} s')
⚠️ 注意事项与进阶建议
-
维度一致性是核心原则：predict([x1, x2, ..., xn]) 中的变量个数 n 必须严格等于 mlp 训练时 X 的列数。若需引入第三变量（如m_cond），则：
- 方案A（固定值）：predict([Tco, Tei, m.Var(value=0.000266)])
- 方案B（常量）：predict([Tco, Tei, 0.000266172])（此时m_cond不参与优化）
- 缩放器（Scaler）不可省略：CustomMinMaxGekkoScaler不仅标准化数据，还为GEKKO提供反向缩放逻辑。跳过它将导致预测失真。
- 初始值与边界设置：为加速收敛，Var(value=...) 应设为合理物理范围内的初值；lb/ub 需覆盖实际工况，避免不可行解。
- 模型复杂度权衡：隐藏层过大可能引发GEKKO符号计算膨胀；建议从(16,)或(8,8)起步，结合验证集评估泛化性。
通过上述结构化流程，您可无缝扩展至任意数量的决策变量（如3维、4维优化），关键始终在于训练特征集、GEKKO变量列表、预测调用参数三者维度严格统一。这不仅是语法要求，更是确保梯度传播与求解器稳定性的数学基础。
