R语言代码在Windows与Linux平台运行结果差异问题排查

相同R代码在Windows和Linux平台运行时，optim函数使用L-BFGS-B方法得到的参数结果存在显著差异。已确认硬编码的输入数据、计算得到的权重变量W在两个平台的位表示完全一致，但最终优化结果不同。

复现代码 #

初始化数据与变量 #

data <- structure(list(x = c(0.1, 0.1, 0.1, 5, 5, 5, 10, 10, 10, 20, 20, 20), 
                       y = c(0.013624804, 0.014023006, 0.013169554, 0.70540352, 
                             0.68711807, 0.69233506, 1.4235181, 1.348244, 1.4141854, 2.779813, 
                             2.7567347, 2.7436437)), class = c("data.frame"), row.names = c(NA, 12L))
val <- c(43.3065849160736, 0.00134925463859564, 1.03218302435548, 270.328323775978)
theta <- 1.60812569803848
init <- c(b0 = 2.76836653333333, b1 = 0.0134350095, b2 = 2.15105945932773, 
          b3 = 6.85922519794374)

定义函数与计算权重W #

f <- function(X, b0, b1, b2, b3) {
  b0 + (b1 - b0) / (1 + exp(b2*(log(X) - log(b3))))
}

W <- 1 / f(data$x, val[1], val[2], val[3], val[4])^theta

优化调用 #

SSw <- function(Y, X, b0, b1, b2, b3, w) {
  sum(w * (Y - f(X, b0, b1, b2, b3))^2)
}

SSw.vec <- function(par) SSw(data$y, data$x, par[1], par[2], par[3], par[4], W)

mod <- optim(init, SSw.vec, method = "L-BFGS-B", lower = c(-Inf,-Inf,-Inf,0))

print(mod$par)

平台差异结果 #

• Windows平台输出：

  b0           b1           b2           b3 
  3.097283e+01 1.831543e-03 1.047613e+00 1.842448e+02
  

• Linux平台输出：

  b0           b1           b2           b3 
  3.459241e+01 1.530134e-03 1.040363e+00 2.101996e+02 
  

平台sessionInfo #

Windows环境 #

R version 3.6.3 (2020-02-29)
Platform: x86_64-w64-mingw32/x64 (64-bit)
Running under: Windows 10 x64 (build 19045)

Matrix products: default

locale:
[1] LC_COLLATE=English_United Kingdom.1252  LC_CTYPE=English_United Kingdom.1252    LC_MONETARY=English_United Kingdom.1252
[4] LC_NUMERIC=C                            LC_TIME=English_United Kingdom.1252    

attached base packages:
[1] stats     graphics  grDevices datasets  utils     methods   base     

loaded via a namespace (and not attached):
 [1] Rcpp_1.0.8.3        plyr_1.8.6          cellranger_1.1.0    compiler_3.6.3      pillar_1.7.0        nloptr_1.2.2.2      tools_3.6.3        
 [8] bit_4.0.4           boot_1.3-24         lme4_1.1-29         lifecycle_1.0.0     tibble_3.1.7        nlme_3.1-144        gtable_0.3.0       
[15] lattice_0.20-38     pkgconfig_2.0.3     rlang_1.0.2         Matrix_1.2-18       cli_3.4.1           rstudioapi_0.11     dplyr_1.0.6        
[22] generics_0.1.0      vctrs_0.3.8         lmerTest_3.1-3      grid_3.6.3          tidyselect_1.1.1    glue_1.4.2          R6_2.4.1           
[29] fansi_0.4.1         readxl_1.3.1        minqa_1.2.4         ggplot2_3.3.6       purrr_0.3.5         magrittr_1.5        scales_1.1.1       
[36] ellipsis_0.3.2      MASS_7.3-51.5       splines_3.6.3       colorspace_1.4-1    numDeriv_2016.8-1.1 renv_0.13.2         utf8_1.1.4         
[43] munsell_0.5.0       crayon_1.3.4       

Linux环境 #

R version 3.6.3 (2020-02-29)
Platform: x86_64-pc-linux-gnu (64-bit)
Running under: Debian GNU/Linux 10 (buster)

Matrix products: default
BLAS:   /opt/r/lib/R/lib/libRblas.so
LAPACK: /opt/r/lib/R/lib/libRlapack.so

locale:
 [1] LC_CTYPE=C.UTF-8       LC_NUMERIC=C           LC_TIME=C.UTF-8       
 [4] LC_COLLATE=C           LC_MONETARY=C.UTF-8    LC_MESSAGES=C.UTF-8   
 [7] LC_PAPER=C.UTF-8       LC_NAME=C              LC_ADDRESS=C          
[10] LC_TELEPHONE=C         LC_MEASUREMENT=C.UTF-8 LC_IDENTIFICATION=C   

attached base packages:
[1] stats     graphics  grDevices datasets  utils     methods   base     

loaded via a namespace (and not attached):
[1] compiler_3.6.3 tools_3.6.3    renv_0.13.2   

差异原因分析 #

1. BLAS/LAPACK库差异：Linux环境明确使用libRblas.so和libRlapack.so，而Windows平台默认的线性代数库（通常是OpenBLAS或MKL的适配版本）与Linux版本在浮点运算精度、算法实现上存在细微差别。这些差别会在优化迭代过程中被累积放大，导致收敛路径不同。
2. 浮点运算平台特性：Windows（mingw编译）与Linux（gcc编译）的浮点运算单元处理逻辑、舍入规则存在差异，尤其是涉及对数、指数等超越函数时，微小的精度误差会随着迭代逐步累积，最终导致优化终止在不同参数点。
3. L-BFGS-B底层实现差异：虽然optim的接口统一，但不同平台下L-BFGS-B算法的底层编译实现可能存在细节差异，比如迭代终止的阈值判断、内存管理方式等，这些都可能影响收敛结果。
4. 目标函数的局部最优特性：目标函数SSw.vec可能存在多个局部最优解。初始点相同，但平台间的细微计算差异会引导算法进入不同的局部最优区域，从而得到不同的参数结果。

验证与解决建议 #

• 调整收敛参数：在optim中设置更严格的收敛阈值，例如control = list(reltol = 1e-10, abstol = 1e-10, maxit = 10000)，观察两个平台的结果是否趋于一致。
• 统一线性代数库：在Windows平台安装并配置与Linux相同的BLAS/LAPACK库（如OpenBLAS），消除线性代数运算的差异。
• 检查目标函数凸性：通过绘制目标函数的轮廓图，确认是否存在多个局部最优解。若存在，可尝试调整初始点，或使用全局优化算法（如GenSA、DEoptim）寻找全局最优解。

内容的提问来源于stack exchange，提问作者Rai