var nlopt = requires('nlopt');
var myfunc = function(n, x, grad){
  if(grad){
    grad[0] = 0.0;
    grad[1] = 0.5 / Math.sqrt(x[1]);
  }
  return Math.sqrt(x[1]);
}
var createMyConstraint = function(cd){
  return {
    callback:function(n, x, grad){
      if(grad){
        grad[0] = 3.0 * cd[0] * (cd[0]*x[0] + cd[1]) * (cd[0]*x[0] + cd[1])
        grad[1] = -1.0
      }
      tmp = cd[0]*x[0] + cd[1]
      return tmp * tmp * tmp - x[1]
    },
    tolerance:1e-8
  }
}
options = {
  algorithm: "LD_MMA",
  numberOfParameters:2,
  minObjectiveFunction: myfunc,
  inequalityConstraints:[createMyConstraint([2.0, 0.0]), createMyConstraint([-1.0, 1.0])],
  xToleranceRelative:1e-4,
  initalGuess:[1.234, 5.678],
  lowerBounds:[Number.MIN_VALUE, 0]
}
console.log(nlopt(options).parameterValues);

{
    //The algorithm to run. Look at the nlopt site for a complete list of options
    algorithm: "LD_MMA",
    //The number of parameters that the function to be optimized takes
    numberOfParameters:2,
    //The function to be minified.
    minObjectiveFunction: function(numberOfParameters, parameterValues, gradient){},
    //The function to be maximized. If minObjectiveFunction is specified this option should not be.
    maxObjectiveFunction: function(numberOfParameters, parameterValues, gradient){},
    //An inital guess of the values that maximize or minimize the objective function
    initalGuess:[1.234, 5.678],
    //Parameter values must be above the provided numbers
    lowerBounds:[Number.MIN_VALUE, 0],
    //Parameter values must be below the provided numbers
    upperBounds:[Number.MIN_VALUE, 0],
    //Inequality constraints on the function to be optimized.
    inequalityConstraints:[function(numberOfParameters, parameterValues, gradient), function(){}],
    //Equalit constraints on the function to be optimized.
    equalityConstraints:[function(numberOfParameters, parameterValues, gradient), function(){}],
    //Consult http://ab-initio.mit.edu/wiki/index.php/NLopt_Reference#Stopping_criteria for more info
    //on the next couple of options
  	stopValue: 1e-4,
  	fToleranceRelative: 1e-4,
  	fToleranceAbsolute: 1e-4,
  	xToleranceRelative: 1e-4,
  	xToleranceAbsolute: 1e-4,
  	maxEval: 1e-4,
  	maxTime: 1e-4,
}

{
    //The parameter values that produce the min or max value for the object function
    parameterValues: [ 0.33333333465873644, 0.2962962893886998 ],
    //The min or max function for the objective function.
   	outputValue: 0.5443310476067847 ,
   	//A string indicating if optimization was successful. If optimization was successful the string will
   	//start with "Success"
   	status: 'Success: Optimization stopped because xToleranceRelative or xToleranceAbsolute was reached',
   	//A string will also be outputed for each setting/option set. This string will also start with "Success"
   	//if the operation was successful. Examples can be found below.
   	maxObjectiveFunction: 'Success',
    lowerBounds: 'Success'
}