R语言带回溯梯度下降法求解Hilbert矩阵二次优化报错如何解决

报错Error in g(x) : could not find function "g"的核心原因是你将梯度g和目标函数f定义为了固定表达式而非可调用函数，R会将其识别为普通变量而非可传入参数执行的函数，因此无法通过g(x)的形式调用。

除该报错外，原代码还存在多处逻辑和语法错误，一并修复如下：

修复后的完整代码 #

# 加载依赖包，hilbert.matrix来自matrixcalc包
library(matrixcalc)

# 定义5阶Hilbert矩阵
A <- hilbert.matrix(5)

# 带回溯线搜索的梯度下降函数
dec_gradient <- function(f, g, x_0, s, alpha, beta, epsilon) {
  x <- x_0
  grad <- g(x)
  fun_val <- f(x) 
  iter <- 0
  
  while(norm(grad, type = "2") > epsilon) {
    iter <- iter + 1 
    t <- s
    # 回溯线搜索：找满足Armijo条件的步长t
    while (f(x - t*grad) > fun_val - alpha * t * norm(grad, type = "2")^2) {
      t <- beta * t
    }
    # 找到合适步长后再更新x、函数值和梯度
    x <- x - t * grad
    fun_val <- f(x)
    grad <- g(x)
    # 打印迭代信息
    print(paste0('iter_number = ', iter, ' norm_grad = ', round(norm(grad),6), ' fun_val = ', round(fun_val,6)))
  }
  # 返回迭代次数和最优解
  return(list(iter_num = iter, optimal_x = x, optimal_val = fun_val))
}

# 正确定义目标函数f：输入x返回二次型值
f <- function(x) {
  return(as.numeric(t(x) %*% A %*% x))
}

# 正确定义梯度函数g：输入x返回梯度向量
g <- function(x) {
  return(2 * A %*% x)
}

# 参数设置
alpha <- 0.5
beta <- 0.5
s <- 1
epsilon <- 1e-4
# 定义初始点
x_0 <- matrix(c(1,2,3,4,5), ncol = 1)

# 调用函数
result <- dec_gradient(f, g, x_0, s, alpha, beta, epsilon)
# 输出结果
print("迭代次数：")
print(result$iter_num)
print("最优解x：")
print(result$optimal_x)
print("最优目标值：")
print(result$optimal_val)

关键修改说明 #

• 将f和g改为可传入参数x的函数，解决找不到函数g的报错
• 修正回溯线搜索逻辑：先试算步长直到满足Armijo条件，再更新x变量，避免步长试算阶段错误修改迭代值
• 调整return位置到外层循环结束后，保证迭代完全执行
• 替换字符串拼接的+为R中正确的paste0()函数
• 显式指定梯度范数为2范数，避免norm()函数默认参数的歧义
• 函数返回结构化结果，同时输出迭代次数、最优解和最优目标值

内容的提问来源于stack exchange，提问作者Hilary H