C++ 使用犰狳和qpOASES时引发异常

我有一个二次规划优化问题，我正在用Qpoas解决。这里有一个矩阵X，我需要先处理，所以我使用犰狳和常规的arma：：pinv来计算Moor-Penrose伪逆

问题是：我把矩阵X写在一个文件中，然后在一个单独的程序（比如test.cpp）中读取它，这个程序在任何方面都不依赖于Qpoas。常规pinv运行良好

#include <iostream> 
#include <fstream>
#include <armadillo>                                                  
#include <string>

using namespace std;                                       
using namespace arma;                                      

int main(){


    // Read design matrix.
    int NRows = 199;
    int NFields = 26;
    string flname_in = "chol_out_2_data"; 
    mat  A (NRows,NFields);                              

    for (int i=0; i < NRows; ++i) 
         for (int j=0; j < NFields; ++j)
                    myin >> A(i,j) ;

    // Calculate pseudoinverse  
    mat M;
    pinv(M,A);    // <========= THIS fails when I use flag: -lqpOASES
 }                                          

运行良好：

./test.xxx

汇编：

g++ test.cpp -o test.xxx -larmadillo -lqpOASES

引发异常（由于计算pinv失败）：

因此，我怀疑一些冲突-似乎使用-lqpOASES也会影响犰狳中的某些旗帜？有什么想法吗？LAPACK/BLAS中是否存在可能改变犰狳设置的依赖项或内部标志？谢谢你抽出时间

以下是arma:：pinv函数的文档：

---

我通过从Eigen而不是犰狳计算pinv来解决这个问题

基于此错误报告，我用于Eigen的函数定义：

是:

模板
本征：：矩阵XXD pinv（常数矩阵类型a，双ε=标准：：数值极限：：ε（）
{
本征：：雅可比色差<_矩阵uu类型u>svd（a，本征：：computetinu |本征：：computetinv）；
双公差=epsilon*std:：max（a.cols（），a.rows（））*svd.singularValues（）.array（）.abs（）（0）；
返回
svd.matrixV（）*（svd.singularValues（）.array（）.abs（）>公差）。选择（svd.singularValues（）.array（）.Reverse（），0.matrix（）.asDiagonal（）*svd.matrixU（）.adjoint（）；
}

如果有人在Qpoas内使用BLAS/LAPACK，问题也可以解决。在文件qpOASES/make_linux中，使用#system或replacement BLAS/LAPACK REPLACE_LINALG=0

g++ test.cpp -o test.xxx -larmadillo -lqpOASES

./test.xxx

template<typename _Matrix_Type_>
Eigen::MatrixXd pinv(const _Matrix_Type_ &a, double epsilon =std::numeric_limits<double>::epsilon())
    {
    Eigen::JacobiSVD< _Matrix_Type_ > svd(a ,Eigen::ComputeThinU | Eigen::ComputeThinV);
    double tolerance = epsilon * std::max(a.cols(), a.rows()) *svd.singularValues().array().abs()(0);

    return
            svd.matrixV() *  (svd.singularValues().array().abs() > tolerance).select(svd.singularValues().array().inverse(), 0).matrix().asDiagonal() * svd.matrixU().adjoint();
}