void
hessian(const F& f,
const Eigen::Matrix<double, Eigen::Dynamic, 1>& x,
double& fx,
Eigen::Matrix<double, Eigen::Dynamic, 1>& grad,
Eigen::Matrix<double, Eigen::Dynamic, Eigen::Dynamic>& H) {
H.resize(x.size(), x.size());
grad.resize(x.size());
try {
for (int i = 0; i < x.size(); ++i) {
start_nested();
Eigen::Matrix<fvar<var>, Eigen::Dynamic, 1> x_fvar(x.size());
for (int j = 0; j < x.size(); ++j)
x_fvar(j) = fvar<var>(x(j), i == j);
fvar<var> fx_fvar = f(x_fvar);
grad(i) = fx_fvar.d_.val();
if (i == 0) fx = fx_fvar.val_.val();
stan::math::grad(fx_fvar.d_.vi_);
for (int j = 0; j < x.size(); ++j)
H(i, j) = x_fvar(j).val_.adj();
stan::math::recover_memory_nested();
}
} catch (const std::exception& e) {
stan::math::recover_memory_nested();
throw;
}
}
void
partial_derivative(const F& f,
const Eigen::Matrix<T, Eigen::Dynamic, 1>& x,
int n,
T& fx,
T& dfx_dxn) {
Eigen::Matrix<fvar<T>, Eigen::Dynamic, 1> x_fvar(x.size());
for (int i = 0; i < x.size(); ++i)
x_fvar(i) = fvar<T>(x(i), i == n);
fvar<T> fx_fvar = f(x_fvar);
fx = fx_fvar.val_;
dfx_dxn = fx_fvar.d_;
}
void
hessian(const F& f,
const Eigen::Matrix<T, Eigen::Dynamic, 1>& x,
T& fx,
Eigen::Matrix<T, Eigen::Dynamic, 1>& grad,
Eigen::Matrix<T, Eigen::Dynamic, Eigen::Dynamic>& H) {
H.resize(x.size(), x.size());
grad.resize(x.size());
Eigen::Matrix<fvar<fvar<T> >, Eigen::Dynamic, 1> x_fvar(x.size());
for (int i = 0; i < x.size(); ++i) {
for (int j = i; j < x.size(); ++j) {
for (int k = 0; k < x.size(); ++k)
x_fvar(k) = fvar<fvar<T> >(fvar<T>(x(k), j == k),
fvar<T>(i == k, 0));
fvar<fvar<T> > fx_fvar = f(x_fvar);
if (j == 0)
fx = fx_fvar.val_.val_;
if (i == j)
grad(i) = fx_fvar.d_.val_;
H(i, j) = fx_fvar.d_.d_;
H(j, i) = H(i, j);
}
}
}
