使用Ceres求解非線性優化問題，一共分為三個部分：
- 第一部分：構建cost fuction，即代價函數，也就是尋優的目標式。參見《Ceres學習-1.CostFunction》https://www.cnblogs.com/vivian187/p/15393995.html
- 第二部分：通過代價函數構建待求解的優化問題。參見《Ceres學習-2.Problem》https://www.cnblogs.com/vivian187/p/15394000.html
- 第三部分：配置求解器參數並求解問題，這個步驟就是設置方程怎么求解、求解過程是否輸出等，然后調用一下Solve方法。
這節就講述第三個部分:
一個簡單的應用例子
// 來自於ceres-solver-1.14.0/examples/helloworld.cc
// 第三部分： 配置並運行求解器
// Run the solver!
Solver::Options options;
options.minimizer_progress_to_stdout = true;
options.linear_solver_type = ceres::DENSE_QR;
Solver::Summary summary; // 優化信息
Solve(options, &problem, &summary);// 求解!!!
std::cout << summary.BriefReport() << "\n"; // 輸出優化的簡要信息
求解最小二乘問題
ceres::Solve函數是Ceres求解最小二乘問題的核心函數，函數原型如下：
// 來自於ceres-solver-1.14.0/include/ceres/solver.h
void Solve(const Solver::Options& options, Problem* problem, Solver::Summary* summary);
參數:
Solver::Options 求解選項。是Ceres求解的核心，包括消元順序、分解方法、收斂精度等在內的求解器所有行為均由Solver::Options控制。
Problem 求解問題。參考《Ceres學習-2.Problem》
Solver::Summary 求解報告。用於存儲求解過程中的相關信息，並不影響求解器性能
參數詳解
Solver::Options
Solver::Options含有的參數種類繁多，API文檔中對於每個參數的作用和意義都給出了詳細的說明。由於在大多數情況下，絕大多數參數我們都會使用Ceres的默認設置。列舉了一些可能會改變的參數:
- linear_solver_type：信賴域方法中求解線性方程組所使用的求解器類型，默認為DENSE_QR，其他可選項如下：
DENSE_QR：QR分解，用於小規模最小二乘問題求解；
DENSE_NORMAL_CHOLESKY&SPARSE_NORMAL_CHOLESKY：Cholesky分解，用於具有稀疏性的大規模非線性最小二乘問題求解；
CGNR：使用共軛梯度法求解稀疏方程；
DENSE_SCHUR&SPARSE_SCHUR：SCHUR分解，用於BA問題求解；
ITERATIVE_SCHUR：使用共軛梯度SCHUR求解BA問題；
-
min_linear_solver_iteration/max_linear_solver_iteration：線性求解器的最小/最大迭代次數，默認為0/500，一般不需要更改；
-
max_num_iterations：求解器的最大迭代次數；
-
num_threads：Ceres求解時使用的線程數
-
linear_solver_ordering：線性方程求解器的消元順序，默認為NULL，即由Ceres自行決定消元順序；在以BA為典型代表的，對消元順序有特殊要求的應用中，可以通過成員函數reset設定消元順序，稍后將詳細說明；
linear_solver_ordering
Ceres消元順序的設置由linear_solver_ordering的reset函數完成，該函數接受參數為ParameterBlockOrdering對象。該對象將所有待優化參數存儲為帶標記（ID）的組（Group），
ID小的Group在求解線性方程的過程中會被首先消去。因此，我們需要做的第一個工作是調用其成員函數AddElementToGroup將參數添加到對應ID的Group中，函數原型為：
bool ParameterBlockOrdering::AddElementToGroup(const double *element, const int group)
接收的元素為變量數組的指針；組ID為非負整數，最小為0，如果該Id對應的Group不存在，則Ceres會自動創建。下面我們來看一個BA中的例子：
ceres::ParameterBlockOrdering* ordering = new ceres::ParameterBlockOrdering();
// set all points in ordering to 0
for(int i = 0; i < num_points; i++){
ordering->AddElementToGroup(points + i * point_block_size, 0);
}
// set all cameras in ordering to 1
for(int i = 0; i < num_cameras; i++){
ordering->AddElementToGroup(cameras + i * camera_block_size, 1);
}
該例子中，所有路標點被分到了ID = 0組，而所有相機位姿被分到了ID = 1組，因此在線性方程組的求解中，所有路標點會變首先SCHUR消元。
接下來，我們就可以使用reset函數制定線性求解器的消元順序了：
// set ordering in options
options->linear_solver_ordering.reset(ordering);
在實際應用中，對最終求解性能最大的就是線性方程求解器類型linear_solver_type和線程數，如果發現最后的求解精度或求解效率不能滿足要求，應首先嘗試更換這兩個參數。
Solver::Summary
Solver::Summary包含了求解器本身和求解中各變量的信息，許多成員函數與Solver::Options一致，詳細列表同樣請參閱API文檔，這里只給出另外兩個常用的成員函數：
- BriefReport()：輸出單行的簡單總結；
- FullReport()：輸出多行的完整總結。
實例Bundle Adjustment，參照下面兩個網站
https://www.cnblogs.com/vivian187/p/15331483.html 《5.Ceres官方教程-非線性最小二乘～Bundle Adjustment》