Ceres优化库学习01----HelloWorld 构建一个极简线性优化问题（使用自动求导的方式）

  本文介绍如何使用ceres优化库搭建一个最小二乘问题，要提前安装好ceres库。

一、问题定义

  首先，考虑寻找函数最小值的问题：
$$\frac{1}{2}(10-x{)}^2.$$
  这是一个很简单的问题，其最小值位于$x=10$，但这是一个很好的说明用Ceres解决问题的函数。第一步是编写一个代价函数CostFunctor，这个代价函数CostFunctor可以用来衡量$\frac{1}{2}(10-x{)}^2$的大小，我们选用原函数的导数形式$f(x)=10-x$作为代价函数，该代价函数的为0时对应原函数的最小值。

struct CostFunctor {
   template <typename T>
   bool operator()(const T* const x, T* residual) const {
     residual[0] = 10.0 - x[0];
     return true;
   }
};

  这里需要注意的重要一点是，operator()是一种模板化方法，它假设其所有输入和输出都是某种类型的T。这里使用模板化允许Ceres调用CostFunctor::operator<T>()，当只需要残差值时使用T=double，当需要雅可比时使用特殊类型T=Jet。

  一旦我们有了计算残差函数的方法，现在是时候用它来构造一个非线性最小二乘问题，并让Ceres解决它了。本文使用自动求导的方式进行求解，关于自动求导的介绍以及其余求导方式的介绍，见博主的其他博客。（链接待补充…）

int main(int argc, char** argv) {
  
  // 定义要优化求解的变量，并赋予初值
  double initial_x = 5.0;
  double x = initial_x;

  // 构建problem
  ceres::Problem problem;

  // Set up the only cost function (also known as residual). This uses
  // auto-differentiation to obtain the derivative (jacobian).
  ceres::CostFunction* cost_function =
      new ceres::AutoDiffCostFunction<CostFunctor, 1, 1>(new CostFunctor);
  problem.AddResidualBlock(cost_function, nullptr, &x);

  // 运行优化器
  ceres::Solver::Options options;
    options.linear_solver_type = ceres::DENSE_QR;
    options.minimizer_progress_to_stdout = true;
  ceres::Solver::Summary summary;
  ceres::Solve(options, &problem, &summary);

  std::cout << summary.BriefReport() << "\n";
  std::cout << "x : " << initial_x  << " -> " << x << "\n";
  return 0;
}

AutoDiffCostFunction将一个CostFunctor作为输入，自动对其进行微分，并为其提供一个CostFunction接口。

iter      cost      cost_change  |gradient|   |step|    tr_ratio  tr_radius  ls_iter  iter_time  total_time
   0  1.250000e+01    0.00e+00    5.00e+00   0.00e+00   0.00e+00  1.00e+04        0    1.69e-05    3.70e-05
   1  1.249750e-07    1.25e+01    5.00e-04   5.00e+00   1.00e+00  3.00e+04        1    2.79e-05    1.12e-04
   2  1.388518e-16    1.25e-07    1.67e-08   5.00e-04   1.00e+00  9.00e+04        1    5.01e-06    1.27e-04
Ceres Solver Report: Iterations: 3, Initial cost: 1.250000e+01, Final cost: 1.388518e-16, Termination: CONVERGENCE
x : 5 -> 10

  从x=5开始，求解器在两次迭代中变为10。细心的读者会注意到这是一个线性问题，一个线性解应该足以获得最佳值。求解器的默认配置是针对非线性问题的，为了简单起见，在本例中我们没有更改它。确实可以使用Ceres在一次迭代中获得该问题的解决方案。还要注意，在第一次迭代中，解算器确实非常接近最优函数值0。在讨论Ceres的收敛性和参数设置时，我们将更详细地讨论这些问题。

二、完整代码

1.CPP代码

#include <iostream>
#include <ceres/ceres.h>

struct CostFunctor {
   template <typename T>
   bool operator()(const T* const x, T* residual) const {
     residual[0] = 10.0 - x[0];
     return true;
   }
};

int main(int argc, char** argv) {
  
  // 定义要优化求解的变量，并赋予初值
  double initial_x = 5.0;
  double x = initial_x;

  // 构建problem
  ceres::Problem problem;

  // Set up the only cost function (also known as residual). This uses
  // auto-differentiation to obtain the derivative (jacobian).
  ceres::CostFunction* cost_function =
      new ceres::AutoDiffCostFunction<CostFunctor, 1, 1>(new CostFunctor);
  problem.AddResidualBlock(cost_function, nullptr, &x);

  // 运行优化器
  ceres::Solver::Options options;
    options.linear_solver_type = ceres::DENSE_QR;
    options.minimizer_progress_to_stdout = true;
  ceres::Solver::Summary summary;
  ceres::Solve(options, &problem, &summary);

  std::cout << summary.BriefReport() << "\n";
  std::cout << "x : " << initial_x  << " -> " << x << "\n";
  return 0;
}

2.CMakeLists.txt配置文件

cmake_minimum_required(VERSION 2.8)

project(ceres_test)
set(CMAKE_CXX_STANDARD 14)

find_package(Ceres REQUIRED )

include_directories( ${CERES_INCLUDE_DIRS})
# include_directories("/usr/include/eigen3")

add_executable(HelloWorld HelloWorld.cpp)
target_link_libraries(HelloWorld ${CERES_LIBRARIES})