c - 使用NLOPT SLSQP(Gradient-Based-Algorithm)时C中的NLopt nullptr异常

侍者
我正在做一个关于Nlopt（SLSQP）参数识别的项目，我写了一个测试代码，但是在3个iterantions之后，编译器总是在myfunc（objectfunction）中的grad处抛出Nullptr异常：
'引发异常：写入访问冲突。格雷德是个笨蛋
，其中我使用有限差分来计算梯度，因为在我的项目中，有限差分可以计算复杂模型的梯度。
我试着将一个不同的步长从1e-8改为1e-6进行有限差分，之后代码毫无例外地运行良好，我不知道原因，有人能告诉我吗？

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是步长为1e-8的命令窗口中的结果
grad[0]是1.000000 grad[1]是1.000000
x[0]是1.000000 x[1]是1.000000
梯度[0]为0.600000梯度[1]为0.600000
x[0]是1.666667 x[1]是1.666667
梯度[0]为0.600000梯度[1]为0.600000
x[0]是1.666667 x[1]是1.666667
之后抛出编译器异常

最佳答案

您必须检查grad是否为空，并且只在不为空时返回渐变。从文档中：
另外，如果参数grad不为空，那么我们设置grad[0]和
目标的偏导数的梯度
x[0]和x[1]。梯度仅用于基于梯度的
算法；如果使用无导数优化算法，grad
永远都是空的，你不需要计算任何导数。
因此，您的代码应该如下所示：

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]);
}