详细介绍如何使用Ipopt非线性求解器求解带约束的最优化问题

本文中将详细介绍如何使用Ipopt非线性求解器求解带约束的最优化问题，结合给出的带约束的最优化问题示例，给出相应的完整的C++程序，并给出详细的解释和注释，以及编译规则等

一、Ipopt库的安装和测试

本部分内容在之前的文章《Ubuntu20.04安装Ipopt的流程介绍及报错解决方法（亲测简单有效）》中已经详细介绍过了，链接如下：

https://blog.csdn.net/qq_44339029/article/details/133679131

二、使用Ipopt非线性求解器求解带约束的最优化问题的程序示例

0、明确要求解的带约束的最优化问题

首先，我们来看一个简单的带约束的最优化问题，其包含两个不等式约束和1个等式约束，详情如下：

$f=(x_1-10.24)^2+5.21x_2+9.9(x_3-x_4)^2$

$\begin{aligned}g_1 & : & 2\leq x_3-x_4\leq10\\ g_2 & : & 2.99\leq x_2\leq100\\ g_3 & : & x_2=x_4\end{aligned}$

其中 $x_1$ 、 $x_2$ 、 $x_3$ 、 $x_4$ 的取值范围均为0~100，易知使得上述目标函数 $f$ 取值最小的解为：10.24、2.99、4.99、2.99。

下面介绍，如何编程使用Ipopt非线性求解器求解该问题

1. 引入头文件和命名空间：

#include <iostream>
#include <cassert>
#include <cppad/ipopt/solve.hpp>
using CppAD::AD;

引入必要的C++头文件，包括iostream（用于输入输出），cassert（用于C风格的assert）以及cppad/ipopt/solve.hpp（用于Ipopt求解器和CppAD库的接口）。然后在一个匿名的命名空间中引入了AD类型，这是CppAD库中用于自动微分（Automatic Differentiation）的数据类型。

2. 定义FG_eval类：

namespace {class FG_eval {public:typedef CPPAD_TESTVECTOR(AD<double>) ADvector;void operator()(ADvector& fg, const ADvector& x) {// ...}};
}

在匿名命名空间中，定义一个FG_eval类，用于计算目标函数和约束条件的值。这个类也是调用使用CppAD和Ipopt库所需的最重要的接口，这个类中的operator()函数是用于计算问题的目标函数和约束条件的核心部分。它接受两个向量：fg用于存储目标函数值和约束条件值，x用于存储优化变量。

3. 定义operator()函数：

接下来，我们根据第0步中明确的目标函数及约束条件来编写核心的operator函数，示例如下：

void FG_eval::operator()(ADvector& fg, const ADvector& x) {assert(fg.size() == 4);assert(x.size() == 4);AD<double> x1 = x[0];AD<double> x2 = x[1];AD<double> x3 = x[2];AD<double> x4 = x[3];fg[0] = (x1 - 10.24) * (x1 - 10.24) + 5.21 * x2 + 9.9 * (x3 - x4) * (x3 - x4);fg[1] = x3 - x4;fg[2] = x2;fg[3] = x2 - x4;// 打印计算结果std::cout << "fg[0]:" << fg[0] << std::endl;std::cout << "fg[1]:" << fg[1] << std::endl;std::cout << "fg[2]:" << fg[2] << std::endl;std::cout << "fg[3]:" << fg[3] << std::endl;
}

operator()函数接受fg和x向量，然后根据问题的定义计算目标函数和约束条件的值，并将它们存储在fg向量中。同时，它也打印出这些值，其中fg[0]即为目标函数表达式、fg[1]、fg[2]、fg[3]中依次对应了第0步中设定的三个约束，不等式约束直接写即可，等式约束的等式左右两边同时减去右边的项，使等式右边变为0。

4. 定义主函数get_started（该函数名字可任取）：

定义一个主函数，设定自变量的初始值，以及自变量和约束的上下限，设定和提供调用Ipopt非线性求解器求解所需要的变量，然后调用求解器进行求解，并进行验证等操作，程序示例如下：

bool get_started(void)
{	bool ok = true;size_t i;typedef CPPAD_TESTVECTOR( double ) Dvector;size_t nx = 4;size_t ng = 3;Dvector xi(nx);xi[0] = 10.0;xi[1] = 5.0;xi[2] = 5.0;xi[3] = 100.0;Dvector xl(nx), xu(nx);for(i = 0; i < nx; i++){	xl[i] = 0;xu[i] = 100;}Dvector gl(ng), gu(ng);gl[0] = 2;     gu[0] = 10;gl[1] = 2.99;  gu[1] = 100;gl[2] = 0;     gu[2] = 0;FG_eval fg_eval;std::string options;options += "Integer print_level  0\n";options += "String  sb           yes\n";options += "Integer max_iter     10\n";options += "Numeric tol          1e-6\n";options += "String  derivative_test            second-order\n";options += "Numeric point_perturbation_radius  0.\n";CppAD::ipopt::solve_result<Dvector> solution;CppAD::ipopt::solve<Dvector, FG_eval>(options, xi, xl, xu, gl, gu, fg_eval, solution);ok &= solution.status == CppAD::ipopt::solve_result<Dvector>::success;double check_x[]  = { 10.24, 2.99, 4.99, 2.99 }; double rel_tol    = 1e-6;  // relative tolerancedouble abs_tol    = 1e-6;  // absolute tolerancefor(i = 0; i < nx; i++){		ok &= CppAD::NearEqual(check_x[i],  solution.x[i],   rel_tol, abs_tol     ); std::cout << "x[" << i << "] = " << solution.x[i] << std::endl;}return ok;
}

以下是程序的详细解释：

（1）. bool get_started(void)：程序逻辑流程的主要函数，get_started函数定义了问题的基本参数，如变量数量、约束数量、变量的初始值，以及变量和约束的上下界。然后，它创建了一个FG_eval对象来计算目标函数和约束条件，设置了Ipopt求解器的选项，并最终调用求解器来解决问题。

（2）. bool ok = true;：定义一个布尔变量 ok，用于表示问题是否成功求解。一开始将其初始化为 true。

（3）. 类型别名 Dvector：通过 typedef CPPAD_TESTVECTOR(double) Dvector; 定义了一个 Dvector 类型，它是CppAD库中的向量类型，用于存储双精度（double）数值。

（4）. size_t nx = 4;：定义一个 size_t 类型的变量 nx，表示问题中独立变量（自变量）的数量，即问题的变量维度。在这个示例中，有4个独立的自变量。

（5）. size_t ng = 3;：定义一个 size_t 类型的变量 ng，表示问题中的约束数量，即约束的维度。在这个示例中，有3个约束条件。

（6）. 创建 Dvector 向量 xi：用于存储问题的独立变量（自变量）。这个向量有4个元素，对应于4个自变量。

（7）. 设置初始猜测值 xi：为 xi 向量中的每个元素分别赋初值，为检验算法性能，这里设定了一个较差的初始值。

   - `xi[0] = 10.0;`- `xi[1] = 5.0;`- `xi[2] = 5.0;`- `xi[3] = 100.0;`

（8）. 定义变量和约束条件的上下界：

- 创建 Dvector 向量 xl 和 xu，它们分别表示变量的下界和上界，并根据第0步中的设定的自变量的取值范围0~100进行设定

- 创建 Dvector 向量 gl 和 gu，它们分别表示约束条件的下界和上界，并根据第0步中，三个约束的进行设定，对于前两个不等式约束，直接设定即可，第三个等式约束，即 $x_2-x_4=0$ ,因此，上下限均设为0即可。

（9）. 创建 FG_eval 类的对象 fg_eval：FG_eval 即我们第二步中设定的类，用于计算目标函数和约束条件的值。这是问题的目标函数和约束条件的具体定义。

（10）. 创建字符串 options：用于存储Ipopt求解器的选项，包括设置输出级别、最大迭代次数、收敛容差等，详情如下所示：

    - `options += "Integer print_level  0\n";`：将输出级别设置为0，以关闭求解器的详细输出，只打印关键信息。- `options += "String  sb           yes\n";`：使用平衡约束优化方法。- `options += "Integer max_iter     10\n";`：设置最大迭代次数为10次。- `options += "Numeric tol          1e-6\n";`：设置迭代停止的收敛容差为1e-6。- `options += "String  derivative_test            second-order\n";`：启用二阶导数测试，用于检查目标函数和约束条件的导数是否正确。- `options += "Numeric point_perturbation_radius  0.\n";`：将随机扰动的半径设置为0，表示不使用扰动进行数值近似求导。

（11）. 创建 CppAD::ipopt::solve_result<Dvector> solution;：用于存储求解结果的对象。

（12）. 调用 CppAD::ipopt::solve 函数：使用Ipopt求解器解决非线性规划问题。传递了问题选项、独立变量的初始值、变量的上下界、约束条件的上下界、问题的定义（fg_eval 对象），以及存储结果的 solution 对象。

（13）. 检查求解器的状态：如果状态为成功（success），则将 ok 变量保持为真，表示问题已成功求解。

注：下面的第(14)~(16)部分，是为了验证求解是否正确，为非必要步骤

（14）创建 check_x 数组：包含问题的精确解。这些值是问题的已知精确解。

（15）. 设置相对容差和绝对容差的阈值：这些值用于控制验证解的精度。

（16）. 遍历问题中的每个变量，进行解的验证：使用 CppAD::NearEqual 函数来比较问题的解与精确解是否足够接近。如果它们的差距在相对容差和绝对容差的范围内，ok 变量将保持为真，并打印每个变量的解。

（17）.返回 ok 变量：表示问题是否成功求解。

5. C++主函数main：

int main(void) {std::cout << "===== Ipopt with CppAD Testing =====" << std::endl;bool result = get_started();std::cout << "Final checking: " << result << std::endl;
}

main函数是程序的入口点，它简单地调用get_started函数来执行非线性规划问题的求解，并打印结果。

6. ☆☆☆带详细注释的完整程序`☆☆☆

# include <iostream>
// C style asserts
# include <cassert>
// 包含Ipopt求解器头文件
# include <cppad/ipopt/solve.hpp>// 在一个匿名的命名空间中，引入了一个AD类型，它是CppAD库中用于自动微分（Automatic Differentiation）的数据类型。AD类型可以用来表示变量和函数，使其具备微分能力。
namespace {using CppAD::AD;class FG_eval {public:typedef CPPAD_TESTVECTOR( AD<double> ) ADvector;// fg: function that evaluates the objective and constraints using the syntax// 定义一个函数运算符，用于计算目标函数和约束条件的值void operator()(ADvector& fg, const ADvector& x){	//使用assert来设定fg和x的大小，以确保它们与问题的维度匹配//fg 向量用于存储目标函数值和约束条件值，x向量用于存储优化变量assert( fg.size() == 4 );assert( x.size()  == 4 );//  将 x 中的优化变量分配给 AD 类型的变量 x1 到 x4。这是在使用C++ Algorithmic Differentiation（CppAD）时定义问题中的独立变量的方式。AD<double> x1 = x[0];AD<double> x2 = x[1];AD<double> x3 = x[2];AD<double> x4 = x[3];// 计算目标函数的值，将其存储在 fg[0] 中。这里使用了 x1 到 x4 这些 AD 类型的变量，这意味着这个表达式将被自动微分，以便后续的梯度计算。fg[0] = (x1-10.24) * (x1-10.24) + 5.21*x2 + 9.9*(x3-x4)*(x3-x4);//  分别计算三个约束条件的值，并将它们存储在 fg[1] 和 fg[2]、 fg[3]中。fg[1] = x3-x4;fg[2] = x2;fg[3] = x2-x4;//std::cout << "fg[0]:" << fg[0]<< std::endl;std::cout << "fg[1]:" << fg[1]<< std::endl;std::cout << "fg[2]:" << fg[2]<< std::endl;std::cout << "fg[3]:" << fg[3]<< std::endl;return;}};
}// 该函数用于设置和解决非线性规划问题
// 它首先定义了问题的一些基本参数，如变量数量、约束数量、变量的初始值、变量和约束的上下界等
// 然后创建一个FG_eval对象用于计算目标函数和约束条件
// 最后，使用CppAD::ipopt::solve函数来解决问题，并将结果存储在solution中
bool get_started(void)
{	bool ok = true;size_t i;// 创建了一个类型别名 Dvector，它是CppAD库中的一个向量类型，用于存储双精度（double）数值。这个向量类型是CppAD库的一部分，通常用于存储问题的变量、约束和其他向量。typedef CPPAD_TESTVECTOR( double ) Dvector;// 声明了一个 size_t 类型的变量 nx，它表示问题中独立变量（自变量）的数量，也就是问题的变量维度。在这个示例中，有4个独立变量，因此 nx 的值为4。size_t nx = 4;// 声明了一个 size_t 类型的变量 ng，它表示问题中的约束数量，也就是约束的维度。在这个示例中，有3个约束条件，因此 ng 的值为3。size_t ng = 3;//  创建了一个名为 xi 的 Dvector 类型的向量，用于存储问题的独立变量（自变量）。这个向量有4个元素，对应于4个自变量。Dvector xi(nx);// 分别为这4个独立变量设置了初始值。这些值将用作问题的初始猜测，作为非线性规划求解器的起点。xi[0] = 10.0;xi[1] = 5.0;xi[2] = 5.0;xi[3] = 100.0;//设置问题的变量（自变量）和约束条件的上下界（限制条件）。Dvector xl(nx), xu(nx);for(i = 0; i < nx; i++){	xl[i] = 0;xu[i] = 100;}Dvector gl(ng), gu(ng);gl[0] = 2;     gu[0] = 10;gl[1] = 2.99;  gu[1] = 100;gl[2] = 0;     gu[2] = 0;// 创建了 FG_eval 类的对象 fg_eval，用于计算目标函数和约束条件的值。这是问题的目标函数和约束条件的具体定义。FG_eval fg_eval;// 创建了一个字符串 options，用于存储Ipopt求解器的选项。std::string options;// 设置了求解器选项，将 print_level 参数设置为0，以关闭求解器的输出，即不会在控制台打印详细信息，只打印关键信息。options += "Integer print_level  0\n";//  将 sb 参数设置为 "yes"，这表示使用平衡约束优化方法。options += "String  sb           yes\n";// 设置最大迭代次数为10次。options += "Integer max_iter     10\n";// approximate accuracy in first order necessary conditions;// see Mathematical Programming, Volume 106, Number 1,// Pages 25-57, Equation (6)// 设置迭代停止的收敛容差为1e-6。options += "Numeric tol          1e-6\n";//  启用了二阶导数测试，用于检查目标函数和约束条件的导数是否正确。options += "String  derivative_test            second-order\n";// maximum amount of random pertubation; e.g.,// when evaluation finite diff// 将随机扰动的半径设置为0，表示不使用扰动进行数值近似求导。options += "Numeric point_perturbation_radius  0.\n";// 创建了一个用于存储求解结果的对象 solution，CppAD::ipopt::solve_result<Dvector> solution;// 调用了 CppAD::ipopt::solve 函数，用于解决非线性规划问题。它传递了问题选项、独立变量的初始值、变量的上下界、约束条件的上下界、问题的定义（fg_eval 对象），以及存储结果的 solution 对象。CppAD::ipopt::solve<Dvector, FG_eval>(options, xi, xl, xu, gl, gu, fg_eval, solution);//检查求解器的状态，如果状态为成功（success），则 ok 变量将保持为真。这表示问题已成功求解。ok &= solution.status == CppAD::ipopt::solve_result<Dvector>::success;// 创建一个名为 check_x 的数组，其中包含了问题的精确解。这个数组中的值是问题的已知精确解。double check_x[]  = { 10.24, 2.99, 4.99, 2.99 }; // 设置了相对容差和绝对容差的阈值。这些值用于控制验证解的精度。double rel_tol    = 1e-6;  // relative tolerancedouble abs_tol    = 1e-6;  // absolute tolerance// 遍历问题中的每个变量，进行解的验证。for(i = 0; i < nx; i++){	//使用 CppAD::NearEqual 函数来比较问题的解 solution.x[i] 与精确解 check_x[i] 是否足够接近。如果它们的差距在相对容差和绝对容差的范围内，ok 变量将保持为真。ok &= CppAD::NearEqual(check_x[i],  solution.x[i],   rel_tol, abs_tol     ); // 使用 std::cout 打印每个变量的解，以便在控制台上查看结果。std::cout << "x[" << i << "] = " << solution.x[i] << std::endl;}return ok;
}// main program that runs all the tests
int main(void)
{	std::cout << "===== Ipopt with CppAD Testing =====" << std::endl;bool result = get_started();std::cout << "Final checking: " << result << std::endl;
}
// END C++

三、编译验证

将上面第二部分，第6步中给出的完整的程序，保存为CppAD_Ipopt.cpp，然后在同一目录下，创建一个名为CMakeLists.txt的文件，接下来，我们需要在CMakeLists.txt文件中，编写编译规则，如下所示：

# 设置CMake的最低版本要求
cmake_minimum_required(VERSION 3.5)
# 项目名称
project(CppadIpoptDemo)
# 寻找Ipopt包（确保你已经安装了Ipopt和CppAD）
# find_package(Ipopt REQUIRED)
# 设置可执行文件的名称和源文件
add_executable(cppad_ipopt_demo CppAD_Ipopt.cpp)
# 包含Ipopt的头文件
# target_include_directories(cppad_ipopt_demo PRIVATE ${IPOPT_INCLUDE_DIRS})
# 链接Ipopt库
# target_link_libraries(cppad_ipopt_demo ${IPOPT_LIBRARIES})
TARGET_LINK_LIBRARIES(cppad_ipopt_demo ipopt)