R语言报错：$ operator is invalid for atomic vectors 函数极值求解求助

问题背景 #

需要编写程序判断两个函数是否具有相同极小值点，基于已知极值的示例函数实现代码时，始终触发报错：'result$hessian':$ operator is invalid for atomic vectors。尝试多初始点、调整海森矩阵判断逻辑、更换示例方程等方法均未解决。

报错根源 #

1. tryCatch错误处理缺陷：当optim执行出错时，error分支返回的是原子向量FALSE，而非列表结构。后续代码访问result$hessian时，原子向量不支持$运算符，直接触发报错。
2. 优化目标方向错误：代码中传递给optim的是-f(x)，导致optim实际在最大化原函数f(x)，而非寻找极小值，与需求完全相反，同时海森矩阵的符号判断逻辑也随之失效。
3. 极值点存储结构错误：min_points被初始化为一维向量，但每个极值点是3维向量，直接赋值会导致维度不匹配，后续处理逻辑混乱。
4. 判断逻辑顺序与精度问题：未先验证result的有效性就访问其属性；末尾判断极值点是否相等时直接用==，未考虑浮点计算的精度误差；代码末尾缺少闭合的}。

修复步骤 #

1. 修正tryCatch错误返回：error分支返回带错误标记的列表，确保result始终为列表类型，避免原子向量导致的$运算符错误。
2. 调整优化目标：直接传递原函数f(x)给optim，利用其默认的最小化逻辑寻找极小值。
3. 重构极值点存储：将min_points初始化为n_starts×3的矩阵，用于存储每个初始点对应的3维极值点。
4. 优化判断逻辑：先检查result是否存在错误，再验证海森矩阵的存在性与正定性（极小值点的海森矩阵特征值应全部大于0）；使用all.equal结合精度阈值判断极值点是否相等，避免浮点误差问题。
5. 补全代码结构：添加末尾缺失的}，确保代码语法完整。

完整修复代码 #

find_min <- function(f) {
  n_starts <- 10
  # 初始化矩阵存储每个初始点的3维极值点
  min_points <- matrix(NA, nrow = n_starts, ncol = 3)
  
  for (i in 1:n_starts) {
    result <- tryCatch(
      optim(
        par = runif(3, min = -100, max = 100),
        fn = f,  # 直接最小化原函数，无需取反
        method = "L-BFGS-B",
        lower = -100,
        upper = 100,
        hessian = TRUE
      ),
      error = function(e) {
        # 返回带错误标记的列表，保持result为列表类型
        list(error = TRUE)
      }
    )
    
    # 先检查是否出错，再验证结果有效性
    if (!is.null(result$error) || is.null(result$hessian) || !is.matrix(result$hessian)) {
      min_points[i, ] <- NA
      next
    }
    
    # 验证海森矩阵正定性（极小值点要求特征值全部>0，用小阈值处理浮点精度）
    hess_eigen <- eigen(result$hessian)$values
    if (any(hess_eigen <= 1e-8)) {
      min_points[i, ] <- NA
      next
    }
    
    # 验证参数有效性
    if (any(is.na(result$par)) || !is.numeric(result$par)) {
      min_points[i, ] <- NA
      next
    }
    
    # 存储有效极值点
    min_points[i, ] <- result$par
  }
  
  # 筛选有效极值点，找到f值最小的点
  valid_points <- min_points[complete.cases(min_points), , drop = FALSE]
  if (nrow(valid_points) > 0) {
    f_values <- apply(valid_points, 1, f)
    return(valid_points[which.min(f_values), ])
  } else {
    return(rep(NA, 3))
  }
}

# 示例函数
f1 <- function(x) {
  x[1]^2 + x[2]^2 + x[3]^2
}

f2 <- function(x) {
  x[1]^4 + x[2]^4 + x[3]^4
}

min1 <- find_min(f1)
min2 <- find_min(f2)

# 考虑浮点精度的相等判断
if (any(is.na(min1)) || any(is.na(min2))) {
  print("无法找到有效极小值点")
} else if (all.equal(min1, min2, tolerance = 1e-6)) {
  print("两个函数的极小值点相同")
} else {
  print("两个函数的极小值点不同")
}

验证结果 #

运行修复后的代码，min1和min2均为接近(0, 0, 0)的向量（受浮点计算精度影响会有微小误差），程序输出：[1] "两个函数的极小值点相同"，符合预期。

内容的提问来源于stack exchange，提问作者Stanisław Halkiewicz