Prev

Next

Index-> contents reference index search external

Up-> implicit_ad _index

implicit_ad-> license run_cmake.sh utility implicit_kedem implicit_newton control time

_index

Headings-> A B C D E F G H I J K L M N O P Q R S T U V W X Z

Keyword Index / Example / Test of Implicit Wagner Class
  Example / Test of Control Problem Reduced Objective
  Example / Test of Implicit Newton Class
> Record the Control Constraint as a CppAD Function Object: Example.ADFun< AD<double> >
A
ad AD Methods That Differentiate Implicit Functions
   Run CMake to Configure Implicit AD
   Implicit AD License
ad<double> Record the Control Constraint as a CppAD Function Object: Example.ADFun< AD<double> >
adfun< Record the Control Constraint as a CppAD Function Object: Example.ADFun< AD<double> >
adfun<double> Record the Control Constraint as a CppAD Function Object: Example.ADFun<double>
al_fun Control Problem Solver for Implicit Kedem or Newton Object: aL_fun
       Newton Step Method for Derivatives of Implicit Functions: aL_fun
all Utilities Used by All Methods
B
between Conversions Between Control Vectors and Matrices
build Run CMake to Configure Implicit AD: build Directory
C
check Run CMake to Configure Implicit AD: Check Usage
      Run CMake to Configure Implicit AD: Check Working Directory
class Example / Test of Implicit Newton Class
      Example / Test of Implicit Wagner Class
cmake Run CMake to Configure Implicit AD: CMake Command
      Run CMake to Configure Implicit AD
cmake_build_type Run CMake to Configure Implicit AD: cmake_build_type
cmake_verbose_makefile Run CMake to Configure Implicit AD: cmake_verbose_makefile
command Run CMake to Configure Implicit AD: CMake Command
comparison Timing Comparison of Methods
computation Repeated Computation of Control Problem Hessian Using Newton Method
            Repeated Computation of Control Problem Hessian Using Kedem Method
            Repeated Computation of Control Problem Gradient Using Newton Method
            Repeated Computation of Control Problem Gradient Using Kedem Method
compute Compute Jacobian of Implicit Function Constraints
computes Computes the Control Constraint Function
         Computes the Control Objective Function
configure Run CMake to Configure Implicit AD
constraint Execute Full Newton Steps For Control Constraint
           Record the Control Constraint as a CppAD Function Object
           Computes the Control Constraint Function
constraints Compute Jacobian of Implicit Function Constraints
control Repeated Computation of Control Problem Hessian Using Newton Method
        Repeated Computation of Control Problem Hessian Using Kedem Method
        Repeated Computation of Control Problem Gradient Using Newton Method
        Repeated Computation of Control Problem Gradient Using Kedem Method
        Example / Test of Control Problem Reduced Objective
        Control Problem Solver for Implicit Kedem or Newton Object
        Execute Full Newton Steps For Control Constraint
        Record the Control Constraint as a CppAD Function Object
        Computes the Control Constraint Function
        Record the Control Objective
        Computes the Control Objective Function
        Conversions Between Control Vectors and Matrices
        The Control Test Problem
        Compute Jacobian of Implicit Function Constraints: Example.Control Problem
conversions Conversions Between Control Vectors and Matrices
convert Convert A CppAD Sparse Matrix to an Eigen Sparse Matrix
correctness Run CMake to Configure Implicit AD: Purpose.Correctness Testing
cppad Record the Control Constraint as a CppAD Function Object
      Solve a CppAD Sparse Lower Triangular System
      Convert A CppAD Sparse Matrix to an Eigen Sparse Matrix
cppad_pkg_config_path Run CMake to Configure Implicit AD: cppad_pkg_config_path
cppad_sparse Notation: CPPAD_SPARSE
criteria Control Problem Solver for Implicit Kedem or Newton Object: criteria
         Execute Full Newton Steps For Control Constraint: criteria
current AD Methods That Differentiate Implicit Functions: Current Version
D
definition Computes the Control Constraint Function: Definition
           Computes the Control Objective Function: Definition
delta_t Record the Control Constraint as a CppAD Function Object: L_fun.delta_t
        Record the Control Objective: F_fun.delta_t
derivatives Newton Step Method for Derivatives of Implicit Functions
            Kedem Method for Derivatives of Implicit Functions
differentiate AD Methods That Differentiate Implicit Functions
directory Run CMake to Configure Implicit AD: build Directory
          Run CMake to Configure Implicit AD: Check Working Directory
dw Newton Step Method for Derivatives of Implicit Functions: dw
dynamic Notation: Dynamic
E
eigen Convert A CppAD Sparse Matrix to an Eigen Sparse Matrix
eigen_pkg_config_path Run CMake to Configure Implicit AD: eigen_pkg_config_path
error Run CMake to Configure Implicit AD: Exit on Error
example Example / Test of Control Problem Reduced Objective
        Control Problem Solver for Implicit Kedem or Newton Object: Example
        Execute Full Newton Steps For Control Constraint: Example
        Record the Control Constraint as a CppAD Function Object: Example
        Computes the Control Constraint Function: Example
        Computes the Control Objective Function: Example
        Example / Test of Implicit Newton Class
        Newton Step Method for Derivatives of Implicit Functions: Example
        Example / Test of Implicit Wagner Class
        Kedem Method for Derivatives of Implicit Functions: Example
        Compute Jacobian of Implicit Function Constraints: Example
        Solve a CppAD Sparse Lower Triangular System: Example
        Convert A CppAD Sparse Matrix to an Eigen Sparse Matrix: Example
execute Execute Full Newton Steps For Control Constraint
exit Run CMake to Configure Implicit AD: Exit
     Run CMake to Configure Implicit AD: Exit on Error
extra_cxx_flags Run CMake to Configure Implicit AD: extra_cxx_flags
F
f_fun Record the Control Objective: F_fun
      Newton Step Method for Derivatives of Implicit Functions: F_fun
      Kedem Method for Derivatives of Implicit Functions: F_fun
full Execute Full Newton Steps For Control Constraint
full_step Repeated Computation of Control Problem Hessian Using Newton Method: full_step
          Newton Step Method for Derivatives of Implicit Functions: full_step
function Record the Control Constraint as a CppAD Function Object
         Computes the Control Constraint Function
         Computes the Control Objective Function
         Compute Jacobian of Implicit Function Constraints
functions Newton Step Method for Derivatives of Implicit Functions
          Kedem Method for Derivatives of Implicit Functions
          AD Methods That Differentiate Implicit Functions
G
git AD Methods That Differentiate Implicit Functions: Git Repository
grad Repeated Computation of Control Problem Gradient Using Newton Method: grad
     Repeated Computation of Control Problem Gradient Using Kedem Method: grad
gradient Repeated Computation of Control Problem Gradient Using Newton Method
         Repeated Computation of Control Problem Gradient Using Kedem Method
H
hess Repeated Computation of Control Problem Hessian Using Newton Method: hess
     Repeated Computation of Control Problem Hessian Using Kedem Method: hess
hessian Repeated Computation of Control Problem Hessian Using Newton Method
        Repeated Computation of Control Problem Hessian Using Kedem Method
higher Kedem Method for Derivatives of Implicit Functions: Method.Higher Orders
I
implicit Control Problem Solver for Implicit Kedem or Newton Object
         Example / Test of Implicit Newton Class
         Newton Step Method for Derivatives of Implicit Functions
         Example / Test of Implicit Wagner Class
         Kedem Method for Derivatives of Implicit Functions
         Compute Jacobian of Implicit Function Constraints
         Run CMake to Configure Implicit AD
         Implicit AD License
         AD Methods That Differentiate Implicit Functions
ipopt_pkg_config_path Run CMake to Configure Implicit AD: ipopt_pkg_config_path
J
j Repeated Computation of Control Problem Hessian Using Newton Method: J
  Repeated Computation of Control Problem Hessian Using Kedem Method: J
  Repeated Computation of Control Problem Gradient Using Newton Method: J
  Repeated Computation of Control Problem Gradient Using Kedem Method: J
  Record the Control Constraint as a CppAD Function Object: L_fun.J
  Record the Control Objective: F_fun.J
jacobian Compute Jacobian of Implicit Function Constraints
join Join Two Vectors
K
k Newton Step Method for Derivatives of Implicit Functions: k
  Kedem Method for Derivatives of Implicit Functions: k
kedem Repeated Computation of Control Problem Hessian Using Kedem Method
      Repeated Computation of Control Problem Gradient Using Kedem Method
      Control Problem Solver for Implicit Kedem or Newton Object
      Kedem Method for Derivatives of Implicit Functions
L
l Record the Control Constraint as a CppAD Function Object: p.L
  Record the Control Objective: q.L
l_fun Control Problem Solver for Implicit Kedem or Newton Object: L_fun
      Execute Full Newton Steps For Control Constraint: L_fun
      Record the Control Constraint as a CppAD Function Object: L_fun
      Kedem Method for Derivatives of Implicit Functions: L_fun
      Compute Jacobian of Implicit Function Constraints: L_fun
l_y Execute Full Newton Steps For Control Constraint: L_y
    Compute Jacobian of Implicit Function Constraints: L_y
license Implicit AD License
lower Solve a CppAD Sparse Lower Triangular System
M
matrices Conversions Between Control Vectors and Matrices
matrix Convert A CppAD Sparse Matrix to an Eigen Sparse Matrix
       Convert A CppAD Sparse Matrix to an Eigen Sparse Matrix
       Notation: MATRIX
max_itr Execute Full Newton Steps For Control Constraint: max_itr
method Repeated Computation of Control Problem Hessian Using Newton Method
       Repeated Computation of Control Problem Hessian Using Kedem Method
       Repeated Computation of Control Problem Gradient Using Newton Method
       Repeated Computation of Control Problem Gradient Using Kedem Method
       Newton Step Method for Derivatives of Implicit Functions
       Kedem Method for Derivatives of Implicit Functions: Method
       Kedem Method for Derivatives of Implicit Functions
methods Timing Comparison of Methods
        Utilities Used by All Methods
        AD Methods That Differentiate Implicit Functions
msg Solve a CppAD Sparse Lower Triangular System: msg
N
newton Repeated Computation of Control Problem Hessian Using Newton Method
       Repeated Computation of Control Problem Gradient Using Newton Method
       Control Problem Solver for Implicit Kedem or Newton Object
       Execute Full Newton Steps For Control Constraint
       Example / Test of Implicit Newton Class
       Newton Step Method for Derivatives of Implicit Functions
norm Norm Squared of a Vector
notation Notation
num_itr Execute Full Newton Steps For Control Constraint: num_itr
num_step Newton Step Method for Derivatives of Implicit Functions: num_step
O
object Control Problem Solver for Implicit Kedem or Newton Object
       Record the Control Constraint as a CppAD Function Object
objective Example / Test of Control Problem Reduced Objective
          Record the Control Objective
          Computes the Control Objective Function
on Run CMake to Configure Implicit AD: Exit on Error
order Kedem Method for Derivatives of Implicit Functions: Method.Zero Order
orders Kedem Method for Derivatives of Implicit Functions: Method.Higher Orders
P
p Set T, p, and q: p
  Set T, p, and q
  Record the Control Constraint as a CppAD Function Object: p
pkg_config_path Run CMake to Configure Implicit AD: PKG_CONFIG_PATH
problem Repeated Computation of Control Problem Hessian Using Newton Method
        Repeated Computation of Control Problem Hessian Using Kedem Method
        Repeated Computation of Control Problem Gradient Using Newton Method
        Repeated Computation of Control Problem Gradient Using Kedem Method
        Example / Test of Control Problem Reduced Objective
        Control Problem Solver for Implicit Kedem or Newton Object
        The Control Test Problem
        Compute Jacobian of Implicit Function Constraints: Example.Control Problem
prototype Execute Full Newton Steps For Control Constraint: Prototype
          Record the Control Constraint as a CppAD Function Object: Prototype
          Computes the Control Constraint Function: Prototype
          Record the Control Objective: Prototype
          Computes the Control Objective Function: Prototype
          Compute Jacobian of Implicit Function Constraints: Prototype
          Solve a CppAD Sparse Lower Triangular System: Prototype
          Convert A CppAD Sparse Matrix to an Eigen Sparse Matrix: Prototype
purpose Example / Test of Control Problem Reduced Objective: Purpose
        Control Problem Solver for Implicit Kedem or Newton Object: Purpose
        Execute Full Newton Steps For Control Constraint: Purpose
        Newton Step Method for Derivatives of Implicit Functions: Purpose
        Kedem Method for Derivatives of Implicit Functions: Purpose
        Compute Jacobian of Implicit Function Constraints: Purpose
        Run CMake to Configure Implicit AD: Purpose
Q
q Set T, p, and q: q
  Set T, p, and q
  Record the Control Objective: q
  Newton Step Method for Derivatives of Implicit Functions: q
R
record Record the Control Constraint as a CppAD Function Object
       Record the Control Objective
reduced Example / Test of Control Problem Reduced Objective
repeat Repeated Computation of Control Problem Hessian Using Newton Method: repeat
       Repeated Computation of Control Problem Hessian Using Kedem Method: repeat
       Repeated Computation of Control Problem Gradient Using Newton Method: repeat
       Repeated Computation of Control Problem Gradient Using Kedem Method: repeat
repeated Repeated Computation of Control Problem Hessian Using Newton Method
         Repeated Computation of Control Problem Hessian Using Kedem Method
         Repeated Computation of Control Problem Gradient Using Newton Method
         Repeated Computation of Control Problem Gradient Using Kedem Method
repository AD Methods That Differentiate Implicit Functions: Git Repository
reverse Repeated Computation of Control Problem Gradient Using Newton Method: reverse
rk Newton Step Method for Derivatives of Implicit Functions: rk
   Kedem Method for Derivatives of Implicit Functions: rk
run Run CMake to Configure Implicit AD
S
set Set T, p, and q
simple Compute Jacobian of Implicit Function Constraints: Example.Simple
size Repeated Computation of Control Problem Hessian Using Newton Method: size
     Repeated Computation of Control Problem Hessian Using Kedem Method: size
     Repeated Computation of Control Problem Gradient Using Newton Method: size
     Repeated Computation of Control Problem Gradient Using Kedem Method: size
solve Newton Step Method for Derivatives of Implicit Functions: solve
      Kedem Method for Derivatives of Implicit Functions: solve
      Solve a CppAD Sparse Lower Triangular System
solve.derivative Control Problem Solver for Implicit Kedem or Newton Object: solve.derivative
                 Newton Step Method for Derivatives of Implicit Functions: solve.solve.derivative
                 Kedem Method for Derivatives of Implicit Functions: solve.solve.derivative
solve.function Control Problem Solver for Implicit Kedem or Newton Object: solve.function
               Newton Step Method for Derivatives of Implicit Functions: solve.solve.function
               Kedem Method for Derivatives of Implicit Functions: solve.solve.function
solve.linear Control Problem Solver for Implicit Kedem or Newton Object: solve.linear
             Newton Step Method for Derivatives of Implicit Functions: solve.solve.linear
             Kedem Method for Derivatives of Implicit Functions: solve.solve.linear
solver Control Problem Solver for Implicit Kedem or Newton Object
source Example / Test of Control Problem Reduced Objective: Source
sparse Solve a CppAD Sparse Lower Triangular System
       Convert A CppAD Sparse Matrix to an Eigen Sparse Matrix
       Convert A CppAD Sparse Matrix to an Eigen Sparse Matrix
sparse_cppad Convert A CppAD Sparse Matrix to an Eigen Sparse Matrix: sparse_cppad
sparse_eigen Convert A CppAD Sparse Matrix to an Eigen Sparse Matrix: sparse_eigen
sparsematrix Notation: SparseMatrix
speed Run CMake to Configure Implicit AD: Purpose.Speed Testing
squared Norm Squared of a Vector
step Newton Step Method for Derivatives of Implicit Functions
steps Execute Full Newton Steps For Control Constraint
store Kedem Method for Derivatives of Implicit Functions: store
syntax Repeated Computation of Control Problem Hessian Using Newton Method: Syntax
       Repeated Computation of Control Problem Hessian Using Kedem Method: Syntax
       Repeated Computation of Control Problem Gradient Using Newton Method: Syntax
       Repeated Computation of Control Problem Gradient Using Kedem Method: Syntax
       Control Problem Solver for Implicit Kedem or Newton Object: Syntax
       Execute Full Newton Steps For Control Constraint: Syntax
       Record the Control Constraint as a CppAD Function Object: Syntax
       Computes the Control Constraint Function: Syntax
       Record the Control Objective: Syntax
       Computes the Control Objective Function: Syntax
       Newton Step Method for Derivatives of Implicit Functions: Syntax
       Kedem Method for Derivatives of Implicit Functions: Syntax
       Compute Jacobian of Implicit Function Constraints: Syntax
       Solve a CppAD Sparse Lower Triangular System: Syntax
       Convert A CppAD Sparse Matrix to an Eigen Sparse Matrix: Syntax
       Run CMake to Configure Implicit AD: Syntax
system Solve a CppAD Sparse Lower Triangular System
T
t Set T, p, and q
test Example / Test of Control Problem Reduced Objective
     The Control Test Problem
     Example / Test of Implicit Newton Class
     Example / Test of Implicit Wagner Class
testing Run CMake to Configure Implicit AD: Purpose.Speed Testing
        Run CMake to Configure Implicit AD: Purpose.Correctness Testing
that AD Methods That Differentiate Implicit Functions
the Record the Control Constraint as a CppAD Function Object
    Computes the Control Constraint Function
    Record the Control Objective
    Computes the Control Objective Function
    The Control Test Problem
timing Timing Comparison of Methods
triangular Solve a CppAD Sparse Lower Triangular System
two Join Two Vectors
U
usage Run CMake to Configure Implicit AD: Check Usage
used Utilities Used by All Methods
using Repeated Computation of Control Problem Hessian Using Newton Method
      Repeated Computation of Control Problem Hessian Using Kedem Method
      Repeated Computation of Control Problem Gradient Using Newton Method
      Repeated Computation of Control Problem Gradient Using Kedem Method
utilities Utilities Used by All Methods
V
vector Norm Squared of a Vector
       Notation: VECTOR
vectors Conversions Between Control Vectors and Matrices
        Join Two Vectors
version AD Methods That Differentiate Implicit Functions: Current Version
W
w Newton Step Method for Derivatives of Implicit Functions: w
wagner Example / Test of Implicit Wagner Class
work Execute Full Newton Steps For Control Constraint: work
     Compute Jacobian of Implicit Function Constraints: work
working Run CMake to Configure Implicit AD: Check Working Directory
X
x Repeated Computation of Control Problem Hessian Using Newton Method: x
  Repeated Computation of Control Problem Hessian Using Kedem Method: x
  Repeated Computation of Control Problem Gradient Using Newton Method: x
  Repeated Computation of Control Problem Gradient Using Kedem Method: x
  Record the Control Constraint as a CppAD Function Object: p.x
  Record the Control Objective: q.x
  Solve a CppAD Sparse Lower Triangular System: x
xk Newton Step Method for Derivatives of Implicit Functions: xk
   Kedem Method for Derivatives of Implicit Functions: xk
xy Compute Jacobian of Implicit Function Constraints: xy
xy_in Execute Full Newton Steps For Control Constraint: xy_in
xy_out Execute Full Newton Steps For Control Constraint: xy_out
xy_vec2mat Conversions Between Control Vectors and Matrices: xy_vec2mat
Z
zero Kedem Method for Derivatives of Implicit Functions: Method.Zero Order