在visual studio 2019下安装ipopt并实现非线性规划求解（C++）

1. 首先安装ipopt

1.1 尝试vcpks包管理器安装（失败）

1. 安装vcpkg: 按照下边网址操作https://github.com/Microsoft/vcpkg#quick-start-windows

2. 先下载到本地

3. 解压下载好的文件放在指定位置，在文件夹位置打开cmd(点击红色圈里路径输入cmd再点击enter)
   输入 bootstrap-vcpkg.bat 构建vcpkg.exe
   运行安装包代码 vcpkg install [packages to install]
   
   运行vcpkg search查看Vcpkg支持的开源库列表，发现ipopt不在列表中，安装不了ipopt，以后安装其他库可以使用这个方法
   
   参考链接：https://blog.csdn.net/u012861467/article/details/106518247

1.2 单独配置ipopt（成功）

1. 按照下边链接配置
   方法一：https://blog.csdn.net/weixin_43160744/article/details/130366268
   or https://blog.csdn.net/hjk_1223/article/details/127678334
   方法二：https://blog.csdn.net/hjk_1223/article/details/128211321
   配置完成后，有报错
   报错一： E1696 命令行错误:
   解决方案：将IntelliSense选项条中的禁用IntelliSense选项从“False”改为"True"即可。
   详见 https://zhuanlan.zhihu.com/p/375964461
   报错二： C1083无法打开报错文件
   看到下面这个链接里说release和debug运行的时候一个能运行，一个不能，就试着改了下
   https://blog.csdn.net/ljqiankun/article/details/129238254
   debug的时候不能运行
   
   改成release后运行成功，弹出结果了，C++初学，不是太懂，目前得到了结果
   
   网上有很多介绍Debug和Release区别的，后续学习更多了再深入探究，https://blog.csdn.net/qq_41979948/article/details/129693997

2. 实现一个简单的用IPOPT求解非线性规划的例子

下面是一个简单的非线性规划问题求解的实例：

2.1 问题描述：

最小化目标函数：f(x, y) = x^2 + y^2
约束条件为：
g1(x, y) = x + y ≤ 10
g2(x, y) = x - y ≤ 10
其中，x和y是优化变量。

2.2 问题求解：

1. 代码如下：

#include <iostream>
#include <casadi/casadi.hpp>

using namespace casadi;
using namespace std;

int main() {
	// Define the optimization variables
	SX x = SX::sym("x");
	SX y = SX::sym("y");

	// Define the objective function
	SX f = pow(x, 2) + pow(y, 2);

	// Define the constraints
	SX g1 = x + y;
	SX g2 = x - y;

	// Define the NLP problem
	SXDict nlp = { {"x", vertcat(x, y)}, {"f", f}, {"g", vertcat(g1, g2)} };

	// Allocate an NLP solver and buffers
	Function solver = nlpsol("solver", "ipopt", nlp);

	// Set the bounds and initial guess
	DM x0 = DM::vertcat({ 2, 2 });
	DMDict arg = { {"lbx", -10}, {"ubx", 10}, {"lbg", -10}, {"ubg", 10}, {"x0", x0} };

	// Solve the problem
	DMDict res = solver(arg);

	// Print the optimal solution
	cout << "Optimal solution: " << res.at("x") << endl;

	// Print the optimal cost
	cout << "Optimal cost: " << res.at("f") << endl;

	return 0;
}

2. 结果：因为精度的关系得到的是近似于0的结果
3. 求最大值：在CasADi中，NLP问题的默认求解方式是最小化问题。如果要解决最大化问题，则可以通过定义新的目标函数来实现。修改目标函数代码如下：

SX f = - pow(x, 2) - pow(y, 2);

4. 最大化结果