在Pyom中求目标的梯度和Hessian

Question

我有一个Pyomo模型，我想得到目标的梯度和Hessian。一个相关的SO question提出了相同的问题。当我尝试那里提出的解决方案时

from pyomo.core.base.symbolic import differentiate
from pyomo.core.base.expr import identify_variables

varList = list(identify_variables(zipfe.loglikelihood.expr))
firstDerivs = differentiate(zipfe.loglikelihood.expr, wrt_list=varList)

我得到以下错误：

^{2}$

以下是我的目标（前几行）：

zipfe.loglikelihood.pprint()
loglikelihood : Size=1, Index=None, Active=True
Key  : Active : Sense    : Expression
None :   True : minimize : log( 1 + exp( alpha1[0] + 2.0*alpha1[1] + alpha1[4] + 2.8986705607108596*( delta[0] + 2.0*delta[1] ) ) ) - ( 2.0*beta1[0] + beta1[3] + 2.8986705607108596*( gamma[0] + 2.0*gamma[1] ) ) + log( exp(  - log( 1 + exp( alpha1[0] + 2.0*alpha1[1] + alpha1[4] + 2.8986705607108596*( delta[0] + 2.0*delta[1] ) ) ) + 2.0*beta1[0] + beta1[3] + 2.8986705607108596*( gamma[0] + 2.0*gamma[1] ) ) + exp(  - log( 1 + exp( alpha1[0] + 5.0*alpha1[1] + 2.8986705607108596*( delta[0] + 2.0*delta[1] ) ) ) + 5.0*beta1[0] + 2.8986705607108596*( gamma[0] + 2.0*gamma[1] ) ) + exp(  - log( 1 + exp( alpha1[0] + 2.0*alpha1[1] + alpha1[7] + 2.8986705607108596*( delta[0] + 2.0*delta[1] ) ) ) + 2.0*beta1[0] + beta1[6] + 2.8986705607108596*( gamma[0] + 2.0*gamma[1] ) ) + exp(  - log( 1 + exp( alpha1[0] + alpha1[1] + alpha1[6] 

问题似乎是Sympy不喜欢索引变量，比如alpha1[0]。有解决这个问题的方法吗？在

编辑：

我使用的是pyomo5.2和python3.6。我很快将尝试添加一个最小的工作示例。在

在过去的几天里，这已经在Pyomo GitHub存储库中实现了，所以希望很快会有一个解决方案。在

Answer 1

要使用索引变量，请使用Indexed。在

>>> alpha1 = IndexedBase('alpha1')
>>> alpha1[0]
alpha1[0]