1

Servus Guys 我正在做一个关于使用Nlopt(SLSQP)进行参数识别的项目，我编写了一个测试代码，但是在 3 次迭代之后，编译器总是在 'myfunc'(objectfunction) 中的 'grad' 处抛出关于Nullptr的异常：

'抛出异常：写访问冲突。毕业是nullptr。

，我使用有限差分来计算梯度，因为有限差分可以计算我项目中复杂模型的梯度。

我试图将不同的步长从 1e-8 更改为 1e-6 以获得有限差分，之后代码正常工作，无一例外，我不知道原因，有人可以告诉我吗？

double myfunc(unsigned n, const double *x,double *grad,void *data){ 

    double h =1e-8;

    grad[0] = (log(x[0] + h) - log(x[0])) / h; //hier compiler throws exception
    grad[1] = (log(x[1] + h) - log(x[1])) / h;

    printf("\ngrad[0] is %10f grad[1] is %10f\n", grad[0], grad[1]);
    printf("\nx[0] is %10f x[1] is %10f\n",x[0],x[1]);

    return log(x[0]) + log(x[1]);
}

double myconstraint(unsigned n, const double *x, double *grad, void*data) {

    double *a = (double *)data; 
    grad[0] = a[0];
    grad[1] = a[1];
    return x[0] * a[0] + x[1] * a[1] - 5;
}

double myinconstraint(unsigned n, const double *x, double *grad, void *data) {

    grad[0] = 1;
    grad[1] = -1;
    return x[0] - x[1];
}

void main(){
    //test-code

    double f_max = -10000;
    double tol = 1e-16;
    double p[2] = { 1,2 };
    double x[2] = { 1,1 };
    double lb[2] = { 0,0 };
    double ub[2] = { 10000,10000 }; 

    nlopt_opt opter = nlopt_create(NLOPT_LD_SLSQP, 2);      
    nlopt_set_max_objective(opter, myfunc, NULL);

    nlopt_set_lower_bounds(opter, lb);
    nlopt_set_upper_bounds(opter, ub);
    nlopt_add_equality_constraint(opter, myconstraint, p, tol);
    nlopt_add_inequality_constraint(opter, myinconstraint, NULL, tol); 
    nlopt_set_xtol_rel(opter, tol);
    nlopt_set_ftol_abs(opter, tol);

    nlopt_result result = nlopt_optimize(opter, x, &f_max);//?

    printf("Maximum utility=%f, x=(%f,%f)\n", f_max, x[0], x[1]);

    system("pause");
}

hier 是命令窗口中的结果，步长为 1e-8

grad[0] 是 1.000000 grad[1] 是 1.000000

x[0] 是 1.000000 x[1] 是 1.000000

grad[0] 是 0.600000 grad[1] 是 0.600000

x[0] 是 1.666667 x[1] 是 1.666667

grad[0] 是 0.600000 grad[1] 是 0.600000

x[0] 是 1.666667 x[1] 是 1.666667

之后抛出编译器异常

4

1 回答 1

0

您必须检查是否grad为 NULL，并且仅在它不为 NULL 时才返回梯度。从文档中：

此外，如果参数 grad 不为 NULL，那么我们将 grad[0] 和 grad[1] 设置为目标相对于 x[0] 和 x[1] 的偏导数。只有基于梯度的算法才需要梯度；如果您使用无导数优化算法，则 grad 将始终为 NULL，您无需计算任何导数。

因此，您的代码应如下所示：

double myfunc(unsigned n, const double *x,double *grad,void *data)
{ 
    double h = 1e-8;

    if (grad) {
        grad[0] = (log(x[0] + h) - log(x[0])) / h;
        grad[1] = (log(x[1] + h) - log(x[1])) / h;
    }

    return log(x[0]) + log(x[1]);
}
于 2019-09-27T20:58:00.690 回答