R语言带参数非负整数、总和为k约束的优化实现方法咨询

你当前使用的nlminb仅支持连续变量优化，无法直接适配新增的非负整数、参数总和为指定值k两类约束，可按以下方案实现：

方案1：使用lpSolve实现整数线性规划（推荐，线性目标效率最高） #

你的目标函数本质为线性函数，推导如下：
原始目标函数：

my_function = function(param, q, m){
  out = sum(-param*q + param*m)
  return(-out)
}

等价于最小化sum(param * (q - m))，即最大化sum(param * (m - q))，完全符合线性规划的适用条件，求解效率远高于通用启发式算法。

实现步骤 #

1. 安装加载依赖包

install.packages("lpSolve")
library(lpSolve)

2. 设置参数与约束

# 原始业务参数
q = c(0.6, 0.14, 0.18)
m = c(0, 2.5 , 4.2)
k = 6 # 可自定义参数总和的指定值
var_num = length(q) # 待优化变量个数

# 目标函数系数：lp默认求最小值，因此对最大化目标的系数取负
obj_coef = -(m - q)

# 约束配置：sum(param) = k
const_mat = matrix(rep(1, var_num), nrow = 1)
const_dir = "=="
const_rhs = k

# 调用整数规划求解
result = lp(
  direction = "min",
  objective.in = obj_coef,
  const.mat = const_mat,
  const.dir = const_dir,
  const.rhs = const_rhs,
  int.vec = 1:var_num, # 指定所有变量为整数
  all.bin = FALSE,
  lower.bounds = rep(0, var_num),
  upper.bounds = rep(3, var_num) # 保留你原有参数0-3的上下限约束
)

3. 输出结果

# 最优参数
result$solution
# 对应原始逻辑的最优目标值
-result$objval

当k=6时，输出和你原有无约束最优结果完全一致：参数为0 3 3，目标值为19.14。

方案2：使用GA包遗传算法（适配非线性目标场景） #

如果后续你的目标函数调整为非线性形式，可使用遗传算法类工具实现整数约束求解：

install.packages("GA")
library(GA)

# 自定义适应度函数（GA默认最大化，不满足和为k约束直接返回极小值淘汰）
fitness = function(param){
  if(sum(param) != k) return(-Inf)
  sum(param*(m - q))
}

# 运行遗传算法
ga_result = ga(
  type = "integer",
  lower = rep(0, var_num),
  upper = rep(3, var_num),
  fitness = fitness,
  popSize = 50,
  maxiter = 100
)

# 查看最优解
ga_result@solution

内容的提问来源于stack exchange，提问作者NM_