这是HPIPM，一种高性能的内点方法求解器，用于密集的，最优的控制结构和树形结构的凸二次方程序。 它提供有效的密集算法和结构探索算法的实现，以解决一般在模型预测控制和嵌入式优化中出现的中小型问题，并且它依赖于高性能线性代数程序包BLASFEO。 HPIPM（和BLASFEO，这是一个依赖项），同时包含make和cmake构建系统。 首选的是make ，它可以用来编译和运行任何语言的任何库，接口和示例。 make也用于连续集成travis脚本中。 cmake只能用于编译库，而感兴趣的用户应通过从各种Makefile的命令中Makefile灵感来编译接口并自己运行示例。 入门： 开始使用HPIPM的最佳方法是查看/hpipm/examples/ 。 HPIPM可以从C直接使用，但是也有到Python和Matlab的接口。 根据您要使用HP​​IPM的级别，请查看下面的以下部分。 可以在do

PyTorch的一个快速和可微分的QP求解器

QP 是基于著名的 Goldfarb Idnani 算法的自包含二次规划求解器。 Hessian 分解和正交变换在每个地方（家庭和给定旋转）都需要使用。 当等式约束存在时，只需要简化的 Hessian 是正定的。 由于舍入误差，针对可能很小的负特征值检查了完整的Hessian矩阵。 除了没有起点 x0 参数外，调用序列与 quadprog 类似。 选项仅限于容差 tol 和最大迭代次数。 对于 >=0 值保持退出标志约定，对于 <0 值略有不同。 output.status 像往常一样给出解释。 字段 .drop 显示先前添加的约束已被删除的次数。 固定变量通过 lb(*)=ub(*) 设置。 等式约束可能是线性相关的，并且会检查它们是否不兼容。 cpu 时间类似于 quadprog 并且精度通常更好，特别是对于病态问题。 该包是用 matlab R2018a 编写的，但它确实在许多旧版本

QUADPROG2 - 凸二次规划求解器具有 SOLVOPT 免费软件优化器 1.1 版的新功能： *速度显着提高* 几何预处理* 改进的错误检查 用法： [x,v] = quadprog2(H,f,A,b) [x,v] = quadprog2(H,f,A,b,guess) [x,v,opt] = ... 最小化函数 v = 0.5*x'*H*x + f*x 受约束 A*x <= b。 初始猜测是可选的。 （“opt”返回 SOLVOPT 数据以供高级使用。详细信息可在SOLVOPT 文档位于以下标识的网站上。） 笔记： (1) 对于一个有 100 个变量和 300 个约束的问题，你将通常在 5 秒内得到结果。 然而，有时优化器必须工作更长时间（见下文） 优化。 提供警报。 （注：计算时间对变量的数量比它更敏感限制的数量。） (2) 进行10次以上的几何预处理尺寸，大大减少了计算时

Optimal_Vehicle_Path_Planning_Using_Quadratic_Optimization_for_Baidu_Apollo_Open_Platform.pdf

高版本matlab 求解二次规划时，不支持有效集法active-set，可以使用本资源qudaprog.m文件替换matlab安装路径下的toolbox-optim中的quadprog.m函数