回答:
SQPメソッドでは、目的が区別できない場合でも拡張ラグランジアンが機能する一方で、目的が2倍に区別可能である必要があります(cf https://en.m.wikipedia.org/wiki/Sequential_quadratic_programming)(画像処理コミュニティでの最近の復活cf ftp: //arachne.math.ucla.edu/pub/camreport/cam09-05.pdf)
ガラハッドソフトウェアについては知りませんが、微分可能な最適化問題を解決することになっている場合は、目的関数を微分できる方法を使用することで、おそらくはるかにうまくいくでしょう。
外部反復に関しては、SQPには2次導関数情報が含まれているため勝つはずですが、ADMMなどの拡張ラグランジアンメソッドには含まれません。
ただし、これらのメソッドの各反復には線形システムの解法が含まれるため、これらのシステムの解法がいかに容易であるかを考慮する必要があることに注意してください。
ヘッセ行列の事前調整はかなりトリッキーなビジネスであり、前方の問題を事前調整するよりもはるかに研究されていません。標準的な方法は、ヘッセ逆行列をL-BFGSで近似することですが、これは、ヘッセ逆行列が高次である場合、効果が制限されます。もう1つの一般的な方法は、ヘッセ行列を低ランクの行列と反転が容易な行列の和として近似することですが、これも難しい問題に対する効果が限られています。他の一般的なヘッセ推定手法は、スパース近似に基づいていますが、連続体の問題では、スパース近似が不十分なヘッセ行列がよくあります。